Resumen ejecutivo

• El analista de riesgo crediticio decide, con datos, a quién se le presta, cuánto y en qué condiciones, y después sigue cómo se comporta esa cartera.

• Sus tareas centrales son evaluar solicitudes, construir y monitorear modelos de scoring, seguir la mora y proponer ajustes a las políticas de crédito.

• El rol cambia bastante entre un banco tradicional, una fintech de préstamos y una billetera virtual: cambia la velocidad, el tipo de datos y el peso de los modelos automáticos.

• Las herramientas clave son Excel, SQL, Python, Power BI y modelos de machine learning para scoring. Se puede entrar desde contabilidad, economía o análisis de datos.

Cada vez que pedís un préstamo, una tarjeta o un adelanto en una app, alguien, o algo, decide si te lo dan. Detrás de esa decisión hay un equipo de riesgo crediticio que define las reglas, construye los modelos y vigila que la cartera no se deteriore. En un contexto donde las billeteras virtuales y las fintech ofrecen crédito a millones de personas con un par de clics, ese trabajo se volvió cada vez más analítico. Por eso es uno de los roles de datos con más proyección dentro del mundo financiero, y uno de los menos explicados. Si te interesa la intersección entre finanzas y datos, esta guía te muestra qué hace un analista de riesgo crediticio, cómo cambia el rol según dónde trabajes y qué necesitás aprender para entrar.

Qué hace un analista de riesgo crediticio

1. Evaluar solicitudes

Analiza la información de quien pide crédito (ingresos, historial, deudas, comportamiento de pago) y decide si cumple con la política. En créditos a empresas o montos altos, el análisis es caso por caso; en créditos masivos, se automatiza con reglas y modelos.

2. Construir y monitorear scorings

Un scoring es un modelo que estima la probabilidad de que una persona no pague. El analista participa en definir variables, entrenar el modelo, validarlo y, sobre todo, monitorear que siga funcionando bien con el paso del tiempo.

3. Seguir la mora

Mide cuántos créditos se atrasan, a cuántos días y en qué segmentos. Arma reportes de cosechas (cómo se comportan los créditos otorgados en un mismo mes) para detectar si una camada viene peor que otra.

4. Ajustar políticas

Con todo lo anterior, propone cambios: subir o bajar límites, endurecer requisitos para un segmento, habilitar un producto nuevo. Es el punto donde el análisis se convierte en decisión de negocio.

5. Cumplir con la regulación

En entidades financieras, el riesgo de crédito tiene requisitos regulatorios: previsiones, clasificación de deudores y reportes. A nivel internacional, el marco de referencia son los estándares de Basilea III del Comité de Supervisión Bancaria. En Argentina, el BCRA administra la Central de Deudores, una de las fuentes que se consultan para conocer la situación crediticia de una persona.

Cómo cambia el rol: banco, fintech y billetera virtual

En un banco

Procesos más formales, mucha regulación y equipos grandes y especializados (admisión, seguimiento, cobranzas, modelos). Las decisiones de política pasan por comités. Es un buen lugar para aprender la base con rigor.

En una fintech de préstamos

Velocidad y experimentación. Se prueban políticas nuevas en segmentos chicos, se mide rápido y se ajusta. El analista suele estar más cerca de los datos crudos y del producto, y trabaja codo a codo con equipos de data science.

En una billetera virtual

Datos transaccionales de uso diario: cobros, pagos, recargas. Eso permite evaluar a personas sin historial bancario tradicional, un desafío y una oportunidad. Los modelos tienden a ser más automatizados y las decisiones se toman en segundos. Para ver el contexto completo del sector, leé cómo la IA transforma los medios de pago y el crédito en Argentina.

Las herramientas de datos que vas a usar

• Excel: sigue presente para análisis rápidos, simulaciones de políticas y reportes ejecutivos.

• SQL: imprescindible. Toda la información de solicitudes, créditos y pagos vive en bases de datos. Si estás empezando, seguí esta guía para aprender SQL desde cero.

• Python: para análisis más complejos, automatizar reportes y trabajar con modelos.

• Power BI u otras herramientas de visualización: para los tableros de mora, cosechas y aprobación.

• Machine learning para scoring: la regresión logística es el modelo clásico del área por lo fácil que es de interpretar; la documentación de scikit-learn la explica en detalle. En fintech también se usan modelos basados en árboles.

Métricas que tenés que conocer

• Tasa de aprobación: qué porcentaje de solicitudes se aprueba.

• Mora: créditos atrasados, medidos por tramos de días (por ejemplo, más de 30 o más de 90).

• Cosechas (vintage): comportamiento de los créditos agrupados por mes de otorgamiento.

• Pérdida esperada: combina probabilidad de incumplimiento, exposición y cuánto se pierde si no se paga.

• Poder de discriminación del modelo: métricas como el Gini o el KS, que indican qué tan bien el scoring separa a buenos y malos pagadores.

Cómo entrar al rol

Desde contabilidad o economía

Ya tenés la base financiera y entendés estados contables. Te falta la parte técnica: SQL, algo de Python y visualización. Esta historia de contador a Financial Data Analyst muestra cómo se hace esa transición.

Desde análisis de datos

Ya sabés manejar datos; te falta el negocio. Aprendé los conceptos de riesgo, mora y scoring, y armá un proyecto que lo demuestre.

Un proyecto para tu portfolio

Buscá un dataset público de crédito (en Kaggle hay varios de riesgo crediticio), entrená una regresión logística simple, evaluá su desempeño con KS o Gini y armá un tablero de cosechas simulado. Explicá en el README qué política propondrías a partir de los resultados. Ese proyecto habla exactamente el idioma del puesto.

Si te interesa comparar con otros roles financieros, mirá también qué hace un analista financiero en Argentina.

Una aclaración: no incluimos rangos salariales porque varían mucho entre bancos, fintech y billeteras, y no encontramos un relevamiento público específico del puesto que podamos citar con confianza.

Cursos recomendados de Coderhouse

• Curso de Data Analytics: para construir la base de análisis que necesita cualquier analista de riesgo.

• Curso de SQL: para consultar solicitudes, créditos y pagos directamente en las bases de datos.

• Curso de Python: para automatizar análisis y dar el primer paso hacia los modelos de scoring.

• Curso de Excel Avanzado: para simulaciones de políticas y reportes ejecutivos.

¿Querés trabajar en riesgo crediticio? Empezá por el curso de Data Analytics de Coderhouse y sumá SQL para hablar el idioma de los equipos de crédito.

Preguntas frecuentes

¿Necesito ser contador o economista? No es obligatorio. Muchas personas llegan desde ingeniería, estadística o análisis de datos. Lo importante es combinar manejo de datos con criterio de negocio.

¿Qué diferencia hay entre riesgo crediticio y data science? El analista de riesgo usa los modelos para tomar decisiones de política; el data scientist suele enfocarse en construirlos. En fintech los dos roles se superponen mucho.

¿Cuál es el primer puesto habitual? Analista junior de riesgo o de admisión, analista de cobranzas o analista de datos en un equipo de crédito.

¿Es necesario saber machine learning desde el principio? No. Para empezar alcanza con SQL, Excel y buenas bases de estadística. El machine learning se suma con el tiempo.