Modelos de negocio disruptivos

Abstract

El presente Trabajo de Fin de Grado analiza la aplicación de modelos de Business Analytics en la gestión del riesgo y la rentabilidad dentro del sector Buy Now, Pay Later (BNPL), en un contexto caracterizado por el crecimiento acelerado de este modelo de financiación y el incremento simultáneo de las exigencias regulatorias derivadas de la nueva Directiva europea de crédito al consumo y la presión por parte del CFPB. El objetivo principal consiste en evaluar si es posible diseñar un motor analítico capaz de integrar evaluación de solvencia, estimación probabilística del riesgo y toma de decisiones operativas coherentes con criterios de sostenibilidad económica y cumplimiento del nuevo marco normativo. Para ello, el trabajo desarrolla un modelo estructurado en cuatro capas: parte de una generación de una base de datos sintética representativa del comportamiento crediticio en entornos BNPL. A partir de estos datos se define un ground truth como referencia de riesgo subyacente. Después, se aplica un affordability check determinista alineado con el principio de préstamo responsable. Posteriormente, se estima la probabilidad de impago mediante modelos de credit scoring, comparando regresión logística y gradient boosting. Finalmente, se incorpora un motor de decisión capaz de traducir las estimaciones probabilísticas en límites operativos de exposición crediticia ajustados al riesgo individual de cada operación.

This Final Degree Project analyzes the application of Business Analytics models to risk management and profitability in the Buy Now, Pay Later (BNPL) sector, within a context characterized by the rapid growth of this financing model and the simultaneous increase in regulatory requirements arising from the new European Consumer Credit Directive and the growing supervisory pressure from the CFPB. The main objective is to assess whether it is possible to design an analytical decision engine capable of integrating creditworthiness assessment, probabilistic risk estimation, and operational decision-making consistent with criteria of economic sustainability and compliance with the new regulatory framework. To this end, the study develops a model structured in four layers. It begins with the generation of a synthetic dataset representative of credit behavior in BNPL environments. Based on these data, a ground truth is defined as a reference for underlying credit risk. Next, a deterministic affordability check aligned with the principle of responsible lending is applied. Subsequently, the probability of default is estimated through credit scoring models, comparing logistic regression and gradient boosting techniques. Finally, a decision engine is incorporated to translate probabilistic estimates into operational credit exposure limits adjusted to the individual risk level of each transaction.