METODOLOGÍA Y LIMITACIONES DEL PUNTAJE DATACRED
Versión: CO-2026.10.02-SCORE1
Fecha de vigencia: 2 de octubre de 2026
Entidad: DataCred Tech S.A.S.
NIT: 902112751-6
Contacto: app@datacred.org · +57 302 668 4956
1. Objeto
Esta política describe a alto nivel cómo DataCred calcula puntajes y cómo deben interpretarse.
No publica parámetros cuya divulgación facilite manipulación, fraude o evasión de controles.
2. Escala
Los modelos de score de DataCred utilizan una escala de 300 a 850.
La escala es propia de DataCred y no implica equivalencia con modelos externos.
3. Dos familias de evidencia
El motor puede utilizar:
3.1 Comportamiento financiero
Incluye señales derivadas de eventos financieros y memoria financiera, organizadas en dimensiones como:
- Stability;
- Liquidity;
- Behavior;
- Trust;
- Activity.
3.2 Expediente crediticio
Cuando existe información bureau suficiente, puede incluir factores relacionados con:
- historial de pagos;
- utilización;
- antigüedad de cuentas;
- mezcla de cuentas;
- consultas;
- registros negativos jurídicamente utilizables.
4. Mezcla de bureau y comportamiento
DataCred puede combinar ambos componentes.
La confianza atribuida al bureau depende de la profundidad real del expediente y no únicamente del número de tradelines.
Un expediente sin historial reportado suficiente no recibe automáticamente peso completo.
5. Expediente delgado
Cuando faltan tradelines o historial:
- las dimensiones no observadas se mantienen neutrales o limitadas;
- el sistema evita premiar con valores máximos factores sobre los que no existe evidencia;
- el comportamiento financiero puede mantener una participación mayor.
6. Calidad de la fuente
Los datos se ponderan según su procedencia y calidad.
El sistema distingue información:
- VERIFIED;
- SELF_ATTESTED;
- derivada;
- disputada;
- potencialmente manipulada.
Una fuente controlada por el usuario recibe controles y ceilings más conservadores.
7. Madurez
La antigüedad y continuidad de información importan.
Un corto período de datos positivos no necesariamente produce la misma confianza que meses o años de comportamiento consistente.
8. Normalización
Eventos pueden normalizarse a una moneda común para análisis.
La conversión depende de:
- moneda;
- fecha;
- tasa disponible;
- calidad del dato.
Un evento que no puede normalizarse puede perder peso o quedar fuera de ciertos cálculos.
9. Información negativa
Los modelos pueden considerar información negativa únicamente durante el período en que sea jurídicamente utilizable.
La caducidad o supresión de un dato debe propagarse al score posterior.
10. Fraude e integridad
Eventos con señales de manipulación pueden:
- reducir confianza;
- quedar excluidos;
- pasar a revisión.
Una anomalía no equivale automáticamente a fraude confirmado.
11. Correcciones
Si cambia materialmente un dato fuente, DataCred recalcula los resultados afectados.
La persona no solicita manualmente “subir” su score: solicita corrección de los datos o revisión de la metodología aplicable.
12. Modelos alternativos
El repositorio contempla modelos de scoring con vectores de peso diferentes para distintos contextos de riesgo.
Un tercero no debe asumir que todos los modelos utilizan exactamente los mismos pesos.
13. Versionado
DataCred puede modificar:
- pesos;
- features;
- ceilings;
- thresholds;
- blending;
- calibración.
Los cambios materiales deben probarse y versionarse cuando corresponda.
14. Explicaciones
DataCred procura generar factores de explicación basados en señales realmente presentes.
No debe atribuir una caída de score a una causa que el modelo no utilizó.
15. No discriminación
No deben utilizarse categorías sensibles para discriminar ilícitamente.
La biometría destinada a identidad no debe convertirse en una variable directa de capacidad de pago.
16. Validación
DataCred puede evaluar:
- estabilidad;
- distribución;
- errores;
- outcomes;
- calibración;
- sensibilidad;
- falsos positivos;
- cambios entre versiones.
La existencia de tests internos no constituye una certificación regulatoria externa.
17. Limitaciones
Los modelos pueden:
- tener errores;
- reaccionar a datos incompletos;
- cambiar;
- depender de fuentes externas;
- presentar menor precisión en expedientes delgados;
- requerir recalibración.
18. No garantía
El score no garantiza:
- aprobación;
- tasa;
- monto;
- pago futuro;
- ausencia de fraude;
- decisión de un tercero.
19. Marco jurídico
Esta política se interpreta conforme a la Ley 1266 de 2008, la Ley 2157 de 2021, la Ley 1581 de 2012 y las instrucciones aplicables de la Superintendencia de Industria y Comercio.
DataCred Tech S.A.S.
NIT 902112751-6