{"id":761,"date":"2024-07-07T05:16:50","date_gmt":"2024-07-07T05:16:50","guid":{"rendered":"https:\/\/www.provenir.com\/spanish\/?p=761"},"modified":"2026-02-03T10:19:23","modified_gmt":"2026-02-03T10:19:23","slug":"limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado","status":"publish","type":"post","link":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/","title":{"rendered":"Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado"},"content":{"rendered":"<div>blog<\/div>\n<h1>Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado<\/h1>\n<ul>\n<li>\n<\/li>\n<li>\n<\/li>\n<\/ul>\n<h3>Giampaolo Levorato, Senior Data Scientist, Provenir &amp; Dr. Mark Thackham, Head of Data Science, Provenir<\/h3>\n<h2>C\u00f3mo lograr explicabilidad y transparencia con modelos complejos de aprendizaje automatizado\u00a0(ML)<\/h2>\n<div>\n<p>Una cantidad cada vez mayor de prestamistas est\u00e1 adoptando modelos de Aprendizaje Automatizado (Machine Learning,\u00a0ML) para alimentar informaci\u00f3n al proceso de <a href=\"\/es\/plataforma\/decisiones\/\" target=\"_blank\">toma de decisiones crediticias<\/a>. Los modelos\u00a0ML (como Random Forest, XGBoost, LightGBM y Neural Networks) tienen una capacidad predictiva y de precisi\u00f3n que supera el est\u00e1ndar de la industria de Regresi\u00f3n log\u00edstica, ya que permiten capturar relaciones no\u00a0lineales altamente complejas. No obstante, sin una configuraci\u00f3n meticulosa durante la capacitaci\u00f3n, tanto la explicabilidad como la generalizaci\u00f3n del modelo pueden verse afectadas. Este aspecto resulta esencial porque los modelos de toma de decisiones crediticias deben cumplir con un criterio doble de:<\/p>\n<ul>\n<li><strong>Explicabilidad<\/strong>: los impulsores del modelo son transparentes para los usuarios y proporcionan <em>conclusiones ejecutables para los clientes a quienes se les ha denegado cr\u00e9dito.<\/em>\u00a0<\/li>\n<li><strong>Generalizaci\u00f3n<\/strong>: los modelos <em>no\u00a0sobreajustan<\/em> los datos de capacitaci\u00f3n y se <em>desempe\u00f1an correctamente<\/em> con datos (de producci\u00f3n) nuevos.<\/li>\n<\/ul>\n<p>Este art\u00edculo explica la importancia de aplicar limitaciones tanto monot\u00f3nicas como de\u00a0interacci\u00f3n cuando se capacitan los modelos\u00a0ML a fin de cumplir con estos criterios.<\/p>\n<\/div>\n<div>\n<h2>Transparencia y posibilidad de\u00a0ejecuci\u00f3n<\/h2>\n<p>Muchas jurisdicciones exigen que los prestamistas expliquen c\u00f3mo y por\u00a0qu\u00e9 han denegado una solicitud de cr\u00e9dito, estipulando que los prestamistas proporcionen C\u00f3digos de acci\u00f3n adversa que indiquen las razones principales por las que se deneg\u00f3 el cr\u00e9dito. Las explicaciones correctas por las que la predicci\u00f3n de un modelo lleva a un prestamista a denegar una solicitud de cr\u00e9dito convierten a los modelos\u00a0ML en transparentes (no existe una ambig\u00fcedad de \u201ccaja negra\u201d relacionada con los impulsores de la predicci\u00f3n del modelo) y ejecutables (el cr\u00e9dito denegado al cliente est\u00e1 acompa\u00f1ado de medidas claras y tangibles que puede tomar el solicitante para mejorar su probabilidad de obtener un cr\u00e9dito). En un ejemplo concreto de explicabilidad, si la caracter\u00edstica de un modelo con el impacto m\u00e1s negativo para el solicitante al que se le ha denegado un pr\u00e9stamo es \u201cla cantidad de consultas crediticias realizadas en los \u00faltimos seis meses\u201d, el C\u00f3digo de acci\u00f3n adversa podr\u00edaser \u201cla cantidad de consultas crediticias de los \u00faltimos seis meses es demasiado alta\u201d. Esta cualidad ofrece transparencia con respecto al impulsor principal y una acci\u00f3n clara para los clientes que indica que para mejorar su solvencia, es necesario que reduzcan la cantidad de consultas crediticias. De esta manera, es m\u00e1s sencillo para los solicitantes conocer los factores que evitan que alcancen calificaciones superiores y mejoren su solvencia.<\/p>\n<p>La transparencia adem\u00e1s les garantiza a los prestamistas que las decisiones crediticias se basen en motivos posibles de explicar y defender, y no en atributos protegidos tales como g\u00e9nero, religi\u00f3n o etnia.\u00a0<\/p>\n<p>Existen numerosos m\u00e9todos de explicabilidad que ayudan a interpretar los impulsores de modelos complejos, pero dos de ellos han cobrado popularidad:<\/p>\n<ol>\n<li>Explicaciones de Modelo Agn\u00f3stico Local Interpretable (Local Interpretable Model-Agnostic,\u00a0LIME)<\/li>\n<li>Explicaciones Aditivas de SHapley (SHapley Additive exPlanation,\u00a0SHAP)<\/li>\n<\/ol>\n<p>LIME aproxima modelos\u00a0ML complejos con un modelo local m\u00e1s simple que es m\u00e1s sencillo de explicar. Como LIME utiliza un modelo proxy que se concentra en el impacto local de las caracter\u00edsticas, no puede utilizarse para generar C\u00f3digos de acci\u00f3n adversa, los cuales deben obtenerse espec\u00edficamente usando el modelo\u00a0ML adoptado para la toma de decisiones crediticias (y no un proxy).<\/p>\n<p>SHAPcuantifica la contribuci\u00f3n de cada caracter\u00edstica a una predicci\u00f3n que efect\u00faa el modelo\u00a0ML (las caracter\u00edsticas que tienen mayor incidencia en la predicci\u00f3n del modelo tienen un\u00a0SHAP\u00a0mayor), lo cual transparenta las predicciones del modelo. Pero la transparencia basada en el uso de valores\u00a0SHAP no\u00a0da lugar directamente a la posibilidad de ejecuci\u00f3n que es necesaria para utilizar en C\u00f3digos de acci\u00f3n adversa. Para poder usar valores\u00a0SHAP en la obtenci\u00f3n de c\u00f3digos de acci\u00f3n adversa, se necesitan las siguientes limitaciones de capacitaci\u00f3n:<\/p>\n<ol>\n<li>limitaciones de interacci\u00f3n monot\u00f3nica, y<\/li>\n<li>limitaciones monot\u00f3nicas de interacci\u00f3n.<\/li>\n<\/ol>\n<h2>\u00bfPor qu\u00e9 son necesarias las limitaciones al modelo?<\/h2>\n<p>Para entender el motivo por el cual se requieren tales limitaciones al modelo, resulta \u00fatil observar un diagrama de dependencia de\u00a0SHAP que muestra el efecto que tiene una sola caracter\u00edstica en las predicciones que efect\u00faa el modelo (el siguiente gr\u00e1fico se obtuvo a partir de un \u00e1rbol de decisi\u00f3n de potenciaci\u00f3n del gradiente, el cual se capacit\u00f3 con un conjunto de datos de riesgo crediticio con el objetivo de estimar la probabilidad de insolvencia de distintos solicitantes de cr\u00e9dito)<\/p>\n<\/div>\n<p><img decoding=\"async\" src=\"\/es\/wp-content\/uploads\/sites\/5\/2024\/07\/SHAP-dependence-plot.png\" alt=\"\"><\/p>\n<div>\n<p><em>Figura\u00a01 &#8211; Diagrama de dependencia de\u00a0SHAP para la Caracter\u00edstica1\u00a0\u00a0\u00a0\u00a0\u00a0<\/em>\u00a0\u00a0\u00a0\u00a0<\/p>\n<p>La primera observaci\u00f3n es que el patr\u00f3n es no\u00a0monot\u00f3nico: a medida que los valores de la Caracter\u00edsitca1 aumentan, tambi\u00e9n lo hace la solvencia, hasta el punto previsto de deterioro.<\/p>\n<p>La primera acci\u00f3n que se necesita es imponer l<strong>as limitaciones monot\u00f3nicas<\/strong>, las cuales aumentan o reducen monot\u00f3nicamente las predicciones del modelo con respecto a una caracter\u00edstica cuando todas las dem\u00e1s caracter\u00edsticas se mantienen sin cambio. En el ejemplo anterior, los valores m\u00e1s altos de la Caracter\u00edstica1 corresponder\u00edan a una solvencia superior.\u00a0Las desviaciones de la monotonicidad (que pueden ocurrir con frecuencia cuando no se aplican las limitaciones monot\u00f3nicas a la caracter\u00edstica) raramente representan un patr\u00f3n genuino; m\u00e1s bien pueden indicar un sobreajuste de la relaci\u00f3n dentro de la muestra, reduciendo as\u00ed la generalizaci\u00f3n del modelo.<\/p>\n<p>La aplicaci\u00f3n de limitaciones monot\u00f3nicas no es suficiente para utilizar los valores\u00a0SHAP para obtener C\u00f3digos de acci\u00f3n adversa. De hecho, puede existir una correlaci\u00f3n entre las caracter\u00edsticas en cierta medida: cuando las caracter\u00edsticas interact\u00faan unas con otras en un modelo\u00a0ML, la predicci\u00f3n no\u00a0puede expresarse como la suma de los efectos de las caracter\u00edsticas, debido a que el efecto de una caracter\u00edstica depende del valor de otras.<\/p>\n<p>El siguiente diagrama de dependencia de\u00a0SHAP muestra la manera en que la Caracter\u00edstica1 depende del efecto de la Caracter\u00edstica2: la interacci\u00f3n entre la Caracter\u00edsitica1 y la Caracter\u00edstica2 aparece como un patr\u00f3n vertical evidente de color.<\/p>\n<\/div>\n<p><img decoding=\"async\" src=\"\/es\/wp-content\/uploads\/sites\/5\/2024\/07\/SHAP-dependence-plot-showing-interaction-between-Feature1-and-Feature2.png\" alt=\"\"><\/p>\n<div>\n<p><em>Figura\u00a02 &#8211; El diagrama de dependencia de\u00a0SHAP muestra la interacci\u00f3n entre la Caracter\u00edstica1 y la Caracter\u00edstica2<\/em><\/p>\n<p>La segunda acci\u00f3n que debe tomarse es imponer las limitaciones de interacci\u00f3n, lo que le permite al modelo aislar el comportamiento de cada caracter\u00edsticas de manera independiente de las dem\u00e1s caracter\u00edsticas, haciendo posible obtener una imagen clara de la forma en que una caracter\u00edstica individual predice el riesgo: como resultado, una predicci\u00f3n del modelo se corresponde con la suma de cada efecto individual.<\/p>\n<p>Cuando se aplican ambos tipos de limitaciones, monot\u00f3nicas y de interacci\u00f3n, los valores\u00a0SHAP pueden usarse para obtener C\u00f3digos de acci\u00f3n adversa (algunos beneficios adicionales incluyen procesos de capacitaci\u00f3n m\u00e1s veloces, una mejor generalizaci\u00f3n del modelo y una mayor facilidad para interpretar los c\u00e1lculos de importancia de las caracter\u00edsticas). El siguiente diagrama de dependencia de\u00a0SHAP muestra el efecto de la Caracter\u00edstica1 en la predicci\u00f3n del modelo despu\u00e9s de que se aplican ambos tipos de limitaciones: puede observarse que existe una relaci\u00f3n uno\u00a0a\u00a0uno monot\u00f3nica entre los valores de las caracter\u00edsticas y los valores\u00a0SHAP.<\/p>\n<p><em>Figura\u00a03 &#8211; Diagrama de dependencia de\u00a0SHAP de la Caracter\u00edstica\u00a01 despu\u00e9s de aplicar las limitaciones monot\u00f3nicas y de interacci\u00f3n.<\/em><\/p>\n<\/div>\n<p><img decoding=\"async\" src=\"\/es\/wp-content\/uploads\/sites\/5\/2024\/07\/SHAP-dependence-plot-of-Feature-1-after-with-monotonic-and-interaction-constraints-applied.png\" alt=\"\"><\/p>\n<h2>Cumplimiento con la IA de Provenir<\/h2>\n<div>\n<p>La <a href=\"\/es\/plataforma\/decisiones\/\" target=\"_blank\">IA de Provenir<\/a> adopta un enfoque met\u00f3dico con respecto al desarrollo de modelos\u00a0ML al garantizar que se evite el sobreajuste y al crear modelos totalmente transparentes y ejecutables, lo cual favorece el acceso de los clientes al financiamiento y, al mismo tiempo, permite a los prestamistas cumplir con las regulaciones financieras.<\/p>\n<\/div>\n<div>\u00bfDeseas aprender m\u00e1s sobre la manera en que la\u00a0IA de Provenir favorece la transparencia y la posibilidad de ejecuci\u00f3n?<\/div>\n<p><p>\n        <a href=\"\/es\/contactenos\/\">\u00a1Solicita una demostraci\u00f3n!<\/a>\n    <\/p>\n<\/p>\n<h3>M\u00c1S BLOGS<\/h3>\n<div>\n<div class=\"pt-cv-wrapper\"><div class=\"pt-cv-view pt-cv-grid pt-cv-colsys cveffect-darken pt-cv-same-height pt-cv-pgregular pt-cv-round-btn\" id=\"pt-cv-view-8dc1b6fgo4\"><div data-id=\"pt-cv-page-1\" class=\"pt-cv-page\" data-cvc=\"4\" data-cvct=\"3\" data-cvcm=\"1\"><div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"38367\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/la-serie-de-mitos-de-la-hiperpersonalizacion-2\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"1536\" height=\"1024\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2026\/02\/Hyper-Personlization-2-ES.png\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"La serie de mitos de la Hiperpersonalizaci\u00f3n #2:\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/la-serie-de-mitos-de-la-hiperpersonalizacion-2\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">La serie de mitos de...<\/a><\/h4>\n<div class=\"pt-cv-content\">La serie de mitos de la Hiperpersonalizaci\u00f3n #2: La trampa del scorecard: c\u00f3mo los modelos tradicionales est\u00e1n dejando dinero sobre ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/la-serie-de-mitos-de-la-hiperpersonalizacion-2\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div>\n<div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"38332\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-de-las-reglas-estaticas\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"1800\" height=\"942\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2026\/02\/250922-BLOG-AI-Campaign-social-tile04-1200x628-GL_ES-46776.jpg\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"M\u00e1s all\u00e1 de las reglas est\u00e1ticas\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-de-las-reglas-estaticas\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">M\u00e1s all\u00e1 de las regl...<\/a><\/h4>\n<div class=\"pt-cv-content\">M\u00e1s all\u00e1 de las reglas est\u00e1ticas:c\u00f3mo los sistemas de aprendizaje mejoran la toma de decisiones en los servicios financieros En ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-de-las-reglas-estaticas\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div>\n<div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"38280\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-del-modelo-unico-como-construir-un-ecosistema-de-ia-que-realmente-escale-en-servicios-financieros\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"1800\" height=\"942\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2026\/01\/260121-BLOG-AI-Campaign-FeatureIMG-ES.jpg\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"M\u00e1s all\u00e1 del modelo \u00fanico: c\u00f3mo construir un ecosistema de IA que realmente escale en servicios financieros\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-del-modelo-unico-como-construir-un-ecosistema-de-ia-que-realmente-escale-en-servicios-financieros\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">M\u00e1s all\u00e1 del modelo ...<\/a><\/h4>\n<div class=\"pt-cv-content\">M\u00e1s all\u00e1 del modelo \u00fanico::c\u00f3mo construir un ecosistema de IA que realmente escale en servicios financieros La mayor\u00eda de los ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-del-modelo-unico-como-construir-un-ecosistema-de-ia-que-realmente-escale-en-servicios-financieros\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div>\n<div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"38270\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-del-score-crediticio-como-los-datos-alternativos-estan-abriendo-las-puertas-a-la-inclusion-financiera\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"1536\" height=\"1024\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2026\/01\/Blog_ES_feature_text_only_6lines.png\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"M\u00e1s all\u00e1 del score crediticio: c\u00f3mo los datos alternativos est\u00e1n abriendo las puertas a la inclusi\u00f3n financiera.\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-del-score-crediticio-como-los-datos-alternativos-estan-abriendo-las-puertas-a-la-inclusion-financiera\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">M\u00e1s all\u00e1 del score c...<\/a><\/h4>\n<div class=\"pt-cv-content\">M\u00e1s all\u00e1 del score crediticio:c\u00f3mo los datos alternativos est\u00e1n abriendo las puertas a la inclusi\u00f3n financiera. En los servicios financieros, ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/mas-alla-del-score-crediticio-como-los-datos-alternativos-estan-abriendo-las-puertas-a-la-inclusion-financiera\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div>\n<div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"38176\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/fraude-de-primera-persona-el-costo-oculto-de-los-buenos-clientes\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"1800\" height=\"941\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2025\/09\/BLOG-FPF-ES-Jason-feature.jpg\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"BLOG FPF - ES - Jason-feature\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/fraude-de-primera-persona-el-costo-oculto-de-los-buenos-clientes\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Fraude de Primera Pe...<\/a><\/h4>\n<div class=\"pt-cv-content\">BLOG Fraude de Primera Persona: El Riesgo Oculto Detr\u00e1s de los \u201cBuenos\u201d Clientes Revelando el Riesgo con un Enfoque Unificado ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/fraude-de-primera-persona-el-costo-oculto-de-los-buenos-clientes\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div>\n<div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"38124\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/telcos-la-importancia-de-la-experiencia-del-cliente-para-fomentar-la-lealtad-a-lo-largo-del-ciclo-de-vida-del-suscriptor\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"2400\" height=\"1254\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2025\/08\/250807-BLOG-telco-FeatureIMG-1200x627-ES-43392.jpg\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"telco blog\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/telcos-la-importancia-de-la-experiencia-del-cliente-para-fomentar-la-lealtad-a-lo-largo-del-ciclo-de-vida-del-suscriptor\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Telcos: La importanc...<\/a><\/h4>\n<div class=\"pt-cv-content\">Telcos: La importancia de la experiencia del cliente para fomentar la lealtad a lo largo del ciclo de vida del ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/telcos-la-importancia-de-la-experiencia-del-cliente-para-fomentar-la-lealtad-a-lo-largo-del-ciclo-de-vida-del-suscriptor\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div>\n<div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"38108\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/mas-que-un-selfie\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"2400\" height=\"1254\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2025\/07\/250613-BLOG-Selfie-featureIMG-ES.jpg\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"selfie blog thumbnail\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/mas-que-un-selfie\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">M\u00e1s que un selfie<\/a><\/h4>\n<div class=\"pt-cv-content\">M\u00e1s que un selfie: Por qu\u00e9 la verificaci\u00f3n digital de identidad no es la soluci\u00f3n m\u00e1gica contra el fraude moderno ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/mas-que-un-selfie\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div>\n<div class=\"col-md-3 col-sm-4 col-xs-12 pt-cv-content-item pt-cv-1-col\"  data-pid=\"797\"><div class='pt-cv-ifield'><a href=\"https:\/\/www.provenir.com\/es\/optimizacion-de-la-orquestacion-de-datos-para-la-prevencion-de-fraudes-en-aplicaciones\/\" class=\"_self pt-cv-href-thumbnail pt-cv-thumb-default pt-cv-thumb-wrapper cvplbd cvp-responsive-image img-rounded\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\"><img loading=\"lazy\" decoding=\"async\" width=\"2560\" height=\"1347\" src=\"https:\/\/www.provenir.com\/es\/wp-content\/uploads\/sites\/5\/2025\/04\/Fraud-featureimg-ES-scaled.jpg\" class=\"pt-cv-thumbnail img-rounded skip-lazy \" alt=\"fraud\" \/><\/a>\n<h4 class=\"pt-cv-title\"><a href=\"https:\/\/www.provenir.com\/es\/optimizacion-de-la-orquestacion-de-datos-para-la-prevencion-de-fraudes-en-aplicaciones\/\" class=\"_self cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Optimizaci\u00f3n de la O...<\/a><\/h4>\n<div class=\"pt-cv-content\">Optimizaci\u00f3n de la Orquestaci\u00f3n de Datos para la Prevenci\u00f3n de Fraudes en Aplicaciones C\u00f3mo la respuesta no siempre radica en ...<br \/><div class=\"pt-cv-rmwrap\"><a href=\"https:\/\/www.provenir.com\/es\/optimizacion-de-la-orquestacion-de-datos-para-la-prevencion-de-fraudes-en-aplicaciones\/\" class=\"_self pt-cv-readmore btn btn-success cvplbd\" target=\"_self\" rel=\"nofollow\" data-iw=\"200\" data-ih=\"100\">Leer m\u00e1s<\/a><\/div><\/div><\/div><\/div><\/div><\/div>\n<div class=\"text-left round-button pt-cv-pagination-wrapper\"><ul class=\"pt-cv-pagination pt-cv-ajax pagination\" data-totalpages=\"7\" data-currentpage=\"1\" data-sid=\"8dc1b6fgo4\" data-unid=\"\" data-isblock=\"\" data-postid=\"\"><li class=\"active\"><a href=\"#\">1<\/a><\/li>\n\t<li ><a class=\"\" href=\"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/posts\/761\/?_page=2\">2<\/a><\/li>\n\t<li ><a class=\"\" href=\"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/posts\/761\/?_page=3\">3<\/a><\/li>\n\t<li ><a href=\"#\">&hellip;<\/a><\/li>\n\t<li ><a class=\"\" href=\"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/posts\/761\/?_page=7\">7<\/a><\/li>\n\t<li ><a class=\" \" href=\"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/posts\/761\/?_page=2\">&rsaquo;<\/a><\/li>\n\t<\/ul><img loading=\"lazy\" decoding=\"async\" width=\"15\" height=\"15\" class=\"pt-cv-spinner\" alt=\"Loading...\" src=\"data:image\/gif;base64,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\" \/><div class=\"clear pt-cv-clear-pagination\"><\/div><\/div><\/div>\t\t\t<style type=\"text\/css\" id=\"pt-cv-inline-style-ab5bf31hr3\">#pt-cv-view-8dc1b6fgo4 .pt-cv-content-item { padding-top: 20px !important; padding-right: 10px !important; padding-bottom: 0px !important; padding-left: 10px !important; }\n#pt-cv-view-8dc1b6fgo4  { margin-right: -10px !important; margin-left: -10px !important; }\n#pt-cv-view-8dc1b6fgo4  .pt-cv-ifield   { border-style: none !important; border-radius: 0px 0px 0px 0px !important; }\n#pt-cv-view-8dc1b6fgo4 .pt-cv-title a, #pt-cv-view-8dc1b6fgo4  .panel-title { font-weight: 600 !important; }\n#pt-cv-view-8dc1b6fgo4  .pt-cv-title a:hover, #pt-cv-view-8dc1b6fgo4  .panel-title:hover   { font-weight: 600 !important; }\n#pt-cv-view-8dc1b6fgo4 .pt-cv-content , #pt-cv-view-8dc1b6fgo4  .pt-cv-content *:not(.pt-cv-readmore):not(style):not(script) { font-size: 14px !important; line-height: 1.3 !important; }\n#pt-cv-view-8dc1b6fgo4 .pt-cv-readmore  { color: #ffffff !important; background-color: #200644 !important; border-width: 1px 1px 1px 1px !important; border-style: solid !important; border-color: rgba(32,6,68,0.85) !important; padding: 10px 20px 10px 20px !important; }\n#pt-cv-view-8dc1b6fgo4 .pt-cv-readmore:hover  { color: #ffffff !important; background-color: rgba(32,6,68,0.87) !important; }\n#pt-cv-view-8dc1b6fgo4  + .pt-cv-pagination-wrapper .pt-cv-more , #pt-cv-view-8dc1b6fgo4  + .pt-cv-pagination-wrapper .pagination .active a, .pt-cv-pagination[data-sid='8dc1b6fgo4'] .active a { color: #ffffff !important; background-color: #e0007a !important; border-style: none !important; border-radius: 100px 100px 100px 100px !important; }\n.cvp-live-filter[data-sid='8dc1b6fgo4'] .cvp-label   { color: #200644 !important; background-color: #00e3d3 !important; padding: 5px 10px !important; margin-bottom: 5px !important; }\n.cvp-live-filter[data-sid='8dc1b6fgo4'] input[type='text'], .cvp-live-filter[data-sid='8dc1b6fgo4'] div > label, .cvp-live-filter[data-sid='8dc1b6fgo4'] select, .cvp-live-filter[data-sid='8dc1b6fgo4'] .irs-from, .cvp-live-filter[data-sid='8dc1b6fgo4'] .irs-to   { font-size: 16px !important; line-height: 1.3 !important; color: #ffffff !important; background-color: #200644 !important; }\n.cvp-live-submit   { font-size: 14px !important; line-height: 1.3 !important; color: #200644 !important; background-color: #00e3d3 !important; }\n.cvp-live-reset   { font-size: 16px !important; line-height: 1.3 !important; color: #c7d4fc !important; background-color: rgba(160,160,160,0) !important; }\n#pt-cv-view-8dc1b6fgo4 .img-rounded, #pt-cv-view-8dc1b6fgo4 .pt-cv-hover-wrapper { -webkit-border-radius: 10px !important; -moz-border-radius: 10px !important; border-radius: 10px !important; }\n#pt-cv-view-8dc1b6fgo4 .pt-cv-cap-w-img { border-bottom-left-radius: 10px !important; border-bottom-right-radius: 10px !important; }\n#pt-cv-view-8dc1b6fgo4 .cvp-responsive-image[style*=\"background-image\"] { width: 200px; max-height: 100px; overflow: hidden; aspect-ratio: 2 }\n#pt-cv-view-8dc1b6fgo4 .cvp-responsive-image img { max-width: 200px; max-height: 100px; aspect-ratio: 2 }<\/style>\r\n\t\t\t<\/div>\n<p><!--more--><br \/>\n<!-- {\"type\":\"layout\",\"children\":[{\"type\":\"section\",\"props\":{\"animation\":\"slide-bottom-small\",\"header_transparent\":true,\"header_transparent_noplaceholder\":true,\"header_transparent_text_color\":\"light\",\"image_position\":\"bottom-center\",\"image_size\":\"cover\",\"media_background\":\"#120226\",\"padding\":\"xlarge\",\"padding_remove_bottom\":true,\"padding_remove_top\":false,\"style\":\"default\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"\",\"width\":\"default\"},\"children\":[{\"type\":\"row\",\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"headline\",\"props\":{\"class\":\"uk-text-uppercase\",\"content\":\"blog\",\"margin\":\"medium\",\"margin_remove_bottom\":true,\"margin_remove_top\":false,\"text_align\":\"center\",\"title_color\":\"warning\",\"title_element\":\"div\",\"title_style\":\"h2\"}},{\"type\":\"headline\",\"props\":{\"content\":\"Limitaci\\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado\",\"margin\":\"medium\",\"margin_remove_bottom\":false,\"margin_remove_top\":true,\"text_align\":\"center\",\"title_element\":\"h1\",\"title_style\":\"heading-small\"}},{\"type\":\"grid\",\"props\":{\"content_column_breakpoint\":\"m\",\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_column_align\":true,\"grid_column_gap\":\"small\",\"grid_default\":\"1\",\"grid_divider\":true,\"grid_medium\":\"\",\"grid_row_align\":true,\"grid_row_gap\":\"small\",\"grid_small\":\"auto\",\"icon_width\":80,\"image_align\":\"left\",\"image_border\":\"circle\",\"image_grid_breakpoint\":\"m\",\"image_grid_width\":\"auto\",\"image_height\":\"60\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"image_width\":\"60\",\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin\":\"medium\",\"margin_remove_bottom\":true,\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"text_align\":\"left\",\"title_align\":\"top\",\"title_element\":\"div\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\"},\"children\":[{\"type\":\"grid_item\",\"source\":{\"query\":{\"name\":\"posts.singlePost\"},\"props\":{\"content\":{\"filters\":{\"search\":\"\"},\"name\":\"author.name\"},\"image\":{\"filters\":{\"search\":\"\"},\"arguments\":{\"size\":\"96\"},\"name\":\"author.avatar\"}}}},{\"type\":\"grid_item\",\"source\":{\"query\":{\"name\":\"posts.singlePost\"},\"props\":{\"_condition\":{\"filters\":{\"condition\":\"!!\"},\"name\":\"date\"},\"content\":{\"filters\":{\"search\":\"\",\"date\":\"\"},\"name\":\"date\"}}}}],\"name\":\"Author | Date (auto populated)\",\"source\":{\"query\":{\"name\":\"posts.singlePost\"},\"props\":{\"_condition\":{\"filters\":{\"condition\":\"!!\"},\"name\":\"author.name\"}}}}]}]}],\"name\":\"hero section\"},{\"type\":\"section\",\"props\":{\"image_position\":\"center-center\",\"padding_remove_bottom\":false,\"style\":\"secondary\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"\",\"width\":\"default\"},\"children\":[{\"type\":\"row\",\"props\":{\"layout\":\"2-3,1-3\",\"margin\":\"default\",\"margin_remove_top\":false},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_medium\":\"2-3\"},\"children\":[{\"type\":\"image\",\"props\":{\"image_border\":\"rounded\",\"image_box_decoration\":\"shadow\",\"image_height\":300,\"image_loading\":true,\"image_svg_color\":\"emphasis\",\"margin\":\"default\",\"status\":\"disabled\",\"text_align\":\"left\"},\"name\":\"Feature IMG - AUTO POPULATED\",\"source\":{\"query\":{\"name\":\"posts.singlePost\"},\"props\":{\"_condition\":{\"filters\":{\"condition\":\"!!\"},\"name\":\"featuredImage.url\"},\"image\":{\"filters\":{\"search\":\"\"},\"name\":\"featuredImage.url\"}}}},{\"type\":\"headline\",\"props\":{\"animation\":\"parallax\",\"class\":\"uk-text-primary\",\"content\":\"Giampaolo Levorato, Senior Data Scientist, Provenir &amp; Dr. Mark Thackham, Head of Data Science, Provenir\",\"margin\":\"default\",\"margin_remove_bottom\":true,\"parallax_easing\":\"0.5\",\"parallax_end\":\"50vh + 50%\",\"parallax_target\":\"!.tm-grid-expand\",\"title_color\":\"warning\",\"title_element\":\"h3\",\"title_style\":\"h3\"},\"name\":\"sub-headline\"},{\"type\":\"headline\",\"props\":{\"animation\":\"parallax\",\"class\":\"uk-text-primary\",\"content\":\"C\\u00f3mo lograr explicabilidad y transparencia con modelos complejos de aprendizaje automatizado\\u00a0(ML)\",\"parallax_easing\":\"0.5\",\"parallax_end\":\"50vh + 50%\",\"parallax_target\":\"!.tm-grid-expand\",\"title_element\":\"h2\",\"title_style\":\"h2\"},\"name\":\"headline\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p>Una cantidad cada vez mayor de prestamistas est\\u00e1 adoptando modelos de Aprendizaje Automatizado (Machine Learning,\\u00a0ML) para alimentar informaci\\u00f3n al proceso de <a href=\\\"\\\/es\\\/plataforma\\\/decisiones\\\/\\\" target=\\\"_blank\\\">toma de decisiones crediticias<\\\/a>. Los modelos\\u00a0ML (como Random Forest, XGBoost, LightGBM y Neural Networks) tienen una capacidad predictiva y de precisi\\u00f3n que supera el est\\u00e1ndar de la industria de Regresi\\u00f3n log\\u00edstica, ya que permiten capturar relaciones no\\u00a0lineales altamente complejas. No obstante, sin una configuraci\\u00f3n meticulosa durante la capacitaci\\u00f3n, tanto la explicabilidad como la generalizaci\\u00f3n del modelo pueden verse afectadas. Este aspecto resulta esencial porque los modelos de toma de decisiones crediticias deben cumplir con un criterio doble de:<\\\/p>\\n\n\n<ul>\\n\n\n<li><strong>Explicabilidad<\\\/strong>: los impulsores del modelo son transparentes para los usuarios y proporcionan <em>conclusiones ejecutables para los clientes a quienes se les ha denegado cr\\u00e9dito.<\\\/em>\\u00a0<\\\/li>\\n\n\n<li><strong>Generalizaci\\u00f3n<\\\/strong>: los modelos <em>no\\u00a0sobreajustan<\\\/em> los datos de capacitaci\\u00f3n y se <em>desempe\\u00f1an correctamente<\\\/em> con datos (de producci\\u00f3n) nuevos.<\\\/li>\\n<\\\/ul>\\n\n\n<p>Este art\\u00edculo explica la importancia de aplicar limitaciones tanto monot\\u00f3nicas como de\\u00a0interacci\\u00f3n cuando se capacitan los modelos\\u00a0ML a fin de cumplir con estos criterios.<\\\/p>\",\"margin\":\"default\",\"margin_remove_top\":true}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<h2>Transparencia y posibilidad de\\u00a0ejecuci\\u00f3n<\\\/h2>\\n\n\n<p>Muchas jurisdicciones exigen que los prestamistas expliquen c\\u00f3mo y por\\u00a0qu\\u00e9 han denegado una solicitud de cr\\u00e9dito, estipulando que los prestamistas proporcionen C\\u00f3digos de acci\\u00f3n adversa que indiquen las razones principales por las que se deneg\\u00f3 el cr\\u00e9dito. Las explicaciones correctas por las que la predicci\\u00f3n de un modelo lleva a un prestamista a denegar una solicitud de cr\\u00e9dito convierten a los modelos\\u00a0ML en transparentes (no existe una ambig\\u00fcedad de \\u201ccaja negra\\u201d relacionada con los impulsores de la predicci\\u00f3n del modelo) y ejecutables (el cr\\u00e9dito denegado al cliente est\\u00e1 acompa\\u00f1ado de medidas claras y tangibles que puede tomar el solicitante para mejorar su probabilidad de obtener un cr\\u00e9dito). En un ejemplo concreto de explicabilidad, si la caracter\\u00edstica de un modelo con el impacto m\\u00e1s negativo para el solicitante al que se le ha denegado un pr\\u00e9stamo es \\u201cla cantidad de consultas crediticias realizadas en los \\u00faltimos seis meses\\u201d, el C\\u00f3digo de acci\\u00f3n adversa podr\\u00edaser \\u201cla cantidad de consultas crediticias de los \\u00faltimos seis meses es demasiado alta\\u201d. Esta cualidad ofrece transparencia con respecto al impulsor principal y una acci\\u00f3n clara para los clientes que indica que para mejorar su solvencia, es necesario que reduzcan la cantidad de consultas crediticias. De esta manera, es m\\u00e1s sencillo para los solicitantes conocer los factores que evitan que alcancen calificaciones superiores y mejoren su solvencia.<\\\/p>\\n\n\n<p>La transparencia adem\\u00e1s les garantiza a los prestamistas que las decisiones crediticias se basen en motivos posibles de explicar y defender, y no en atributos protegidos tales como g\\u00e9nero, religi\\u00f3n o etnia.\\u00a0<\\\/p>\\n\n\n<p>Existen numerosos m\\u00e9todos de explicabilidad que ayudan a interpretar los impulsores de modelos complejos, pero dos de ellos han cobrado popularidad:<\\\/p>\\n\n\n<ol>\\n\n\n<li>Explicaciones de Modelo Agn\\u00f3stico Local Interpretable (Local Interpretable Model-Agnostic,\\u00a0LIME)<\\\/li>\\n\n\n<li>Explicaciones Aditivas de SHapley (SHapley Additive exPlanation,\\u00a0SHAP)<\\\/li>\\n<\\\/ol>\\n\n\n<p>LIME aproxima modelos\\u00a0ML complejos con un modelo local m\\u00e1s simple que es m\\u00e1s sencillo de explicar. Como LIME utiliza un modelo proxy que se concentra en el impacto local de las caracter\\u00edsticas, no puede utilizarse para generar C\\u00f3digos de acci\\u00f3n adversa, los cuales deben obtenerse espec\\u00edficamente usando el modelo\\u00a0ML adoptado para la toma de decisiones crediticias (y no un proxy).<\\\/p>\\n\n\n<p>SHAPcuantifica la contribuci\\u00f3n de cada caracter\\u00edstica a una predicci\\u00f3n que efect\\u00faa el modelo\\u00a0ML (las caracter\\u00edsticas que tienen mayor incidencia en la predicci\\u00f3n del modelo tienen un\\u00a0SHAP\\u00a0mayor), lo cual transparenta las predicciones del modelo. Pero la transparencia basada en el uso de valores\\u00a0SHAP no\\u00a0da lugar directamente a la posibilidad de ejecuci\\u00f3n que es necesaria para utilizar en C\\u00f3digos de acci\\u00f3n adversa. Para poder usar valores\\u00a0SHAP en la obtenci\\u00f3n de c\\u00f3digos de acci\\u00f3n adversa, se necesitan las siguientes limitaciones de capacitaci\\u00f3n:<\\\/p>\\n\n\n<ol>\\n\n\n<li>limitaciones de interacci\\u00f3n monot\\u00f3nica, y<\\\/li>\\n\n\n<li>limitaciones monot\\u00f3nicas de interacci\\u00f3n.<\\\/li>\\n<\\\/ol>\\n\n\n<h2>\\u00bfPor qu\\u00e9 son necesarias las limitaciones al modelo?<\\\/h2>\\n\n\n<p>Para entender el motivo por el cual se requieren tales limitaciones al modelo, resulta \\u00fatil observar un diagrama de dependencia de\\u00a0SHAP que muestra el efecto que tiene una sola caracter\\u00edstica en las predicciones que efect\\u00faa el modelo (el siguiente gr\\u00e1fico se obtuvo a partir de un \\u00e1rbol de decisi\\u00f3n de potenciaci\\u00f3n del gradiente, el cual se capacit\\u00f3 con un conjunto de datos de riesgo crediticio con el objetivo de estimar la probabilidad de insolvencia de distintos solicitantes de cr\\u00e9dito)<\\\/p>\",\"margin\":\"default\",\"margin_remove_top\":true}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/sites\\\/5\\\/2024\\\/07\\\/SHAP-dependence-plot.png\",\"image_svg_color\":\"emphasis\",\"margin\":\"default\"}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p><em>Figura\\u00a01 - Diagrama de dependencia de\\u00a0SHAP para la Caracter\\u00edstica1\\u00a0\\u00a0\\u00a0\\u00a0\\u00a0<\\\/em>\\u00a0\\u00a0\\u00a0\\u00a0<\\\/p>\\n\n\n<p>La primera observaci\\u00f3n es que el patr\\u00f3n es no\\u00a0monot\\u00f3nico: a medida que los valores de la Caracter\\u00edsitca1 aumentan, tambi\\u00e9n lo hace la solvencia, hasta el punto previsto de deterioro.<\\\/p>\\n\n\n<p>La primera acci\\u00f3n que se necesita es imponer l<strong>as limitaciones monot\\u00f3nicas<\\\/strong>, las cuales aumentan o reducen monot\\u00f3nicamente las predicciones del modelo con respecto a una caracter\\u00edstica cuando todas las dem\\u00e1s caracter\\u00edsticas se mantienen sin cambio. En el ejemplo anterior, los valores m\\u00e1s altos de la Caracter\\u00edstica1 corresponder\\u00edan a una solvencia superior.\\u00a0Las desviaciones de la monotonicidad (que pueden ocurrir con frecuencia cuando no se aplican las limitaciones monot\\u00f3nicas a la caracter\\u00edstica) raramente representan un patr\\u00f3n genuino; m\\u00e1s bien pueden indicar un sobreajuste de la relaci\\u00f3n dentro de la muestra, reduciendo as\\u00ed la generalizaci\\u00f3n del modelo.<\\\/p>\\n\n\n<p>La aplicaci\\u00f3n de limitaciones monot\\u00f3nicas no es suficiente para utilizar los valores\\u00a0SHAP para obtener C\\u00f3digos de acci\\u00f3n adversa. De hecho, puede existir una correlaci\\u00f3n entre las caracter\\u00edsticas en cierta medida: cuando las caracter\\u00edsticas interact\\u00faan unas con otras en un modelo\\u00a0ML, la predicci\\u00f3n no\\u00a0puede expresarse como la suma de los efectos de las caracter\\u00edsticas, debido a que el efecto de una caracter\\u00edstica depende del valor de otras.<\\\/p>\\n\n\n<p>El siguiente diagrama de dependencia de\\u00a0SHAP muestra la manera en que la Caracter\\u00edstica1 depende del efecto de la Caracter\\u00edstica2: la interacci\\u00f3n entre la Caracter\\u00edsitica1 y la Caracter\\u00edstica2 aparece como un patr\\u00f3n vertical evidente de color.<\\\/p>\",\"margin\":\"default\",\"margin_remove_top\":true}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/sites\\\/5\\\/2024\\\/07\\\/SHAP-dependence-plot-showing-interaction-between-Feature1-and-Feature2.png\",\"image_svg_color\":\"emphasis\",\"margin\":\"default\"}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p><em>Figura\\u00a02 - El diagrama de dependencia de\\u00a0SHAP muestra la interacci\\u00f3n entre la Caracter\\u00edstica1 y la Caracter\\u00edstica2<\\\/em><\\\/p>\\n\n\n<p>La segunda acci\\u00f3n que debe tomarse es imponer las limitaciones de interacci\\u00f3n, lo que le permite al modelo aislar el comportamiento de cada caracter\\u00edsticas de manera independiente de las dem\\u00e1s caracter\\u00edsticas, haciendo posible obtener una imagen clara de la forma en que una caracter\\u00edstica individual predice el riesgo: como resultado, una predicci\\u00f3n del modelo se corresponde con la suma de cada efecto individual.<\\\/p>\\n\n\n<p>Cuando se aplican ambos tipos de limitaciones, monot\\u00f3nicas y de interacci\\u00f3n, los valores\\u00a0SHAP pueden usarse para obtener C\\u00f3digos de acci\\u00f3n adversa (algunos beneficios adicionales incluyen procesos de capacitaci\\u00f3n m\\u00e1s veloces, una mejor generalizaci\\u00f3n del modelo y una mayor facilidad para interpretar los c\\u00e1lculos de importancia de las caracter\\u00edsticas). El siguiente diagrama de dependencia de\\u00a0SHAP muestra el efecto de la Caracter\\u00edstica1 en la predicci\\u00f3n del modelo despu\\u00e9s de que se aplican ambos tipos de limitaciones: puede observarse que existe una relaci\\u00f3n uno\\u00a0a\\u00a0uno monot\\u00f3nica entre los valores de las caracter\\u00edsticas y los valores\\u00a0SHAP.<\\\/p>\\n\n\n<p><em>Figura\\u00a03 - Diagrama de dependencia de\\u00a0SHAP de la Caracter\\u00edstica\\u00a01 despu\\u00e9s de aplicar las limitaciones monot\\u00f3nicas y de interacci\\u00f3n.<\\\/em><\\\/p>\",\"margin\":\"default\",\"margin_remove_top\":true}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/sites\\\/5\\\/2024\\\/07\\\/SHAP-dependence-plot-of-Feature-1-after-with-monotonic-and-interaction-constraints-applied.png\",\"image_svg_color\":\"emphasis\",\"margin\":\"default\"}},{\"type\":\"headline\",\"props\":{\"animation\":\"parallax\",\"class\":\"uk-text-primary\",\"content\":\"Cumplimiento con la IA de Provenir\",\"parallax_easing\":\"0.5\",\"parallax_end\":\"50vh + 50%\",\"parallax_target\":\"!.tm-grid-expand\",\"title_element\":\"h2\",\"title_style\":\"h2\"},\"name\":\"headline\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p>La <a href=\\\"\\\/es\\\/plataforma\\\/decisiones\\\/\\\" target=\\\"_blank\\\">IA de Provenir<\\\/a> adopta un enfoque met\\u00f3dico con respecto al desarrollo de modelos\\u00a0ML al garantizar que se evite el sobreajuste y al crear modelos totalmente transparentes y ejecutables, lo cual favorece el acceso de los clientes al financiamiento y, al mismo tiempo, permite a los prestamistas cumplir con las regulaciones financieras.<\\\/p>\",\"margin\":\"default\",\"margin_remove_top\":true}}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"padding\":\"small\",\"position_sticky\":\"row\",\"position_sticky_breakpoint\":\"m\",\"position_sticky_offset\":\"100\",\"style\":\"card-default\",\"width_medium\":\"1-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"content\":\"\\u00bfDeseas aprender m\\u00e1s sobre la manera en que la\\u00a0IA de Provenir favorece la transparencia y la posibilidad de ejecuci\\u00f3n?\",\"margin\":\"default\",\"margin_remove_bottom\":true,\"text_align\":\"center\",\"title_color\":\"warning\",\"title_element\":\"div\",\"title_style\":\"h3\"}},{\"type\":\"button\",\"props\":{\"button_size\":\"small\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin\":\"default\",\"text_align\":\"center\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"default\",\"content\":\"\\u00a1Solicita una demostraci\\u00f3n!\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon_align\":\"left\",\"link\":\"\\\/es\\\/contactenos\\\/\"}}]}]}]}],\"name\":\"content section\"},{\"type\":\"section\",\"props\":{\"image_position\":\"center-center\",\"padding_remove_top\":true,\"style\":\"default\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"middle\",\"width\":\"default\"},\"children\":[{\"type\":\"row\",\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"headline\",\"props\":{\"content\":\"M\\u00c1S BLOGS\",\"title_color\":\"background\",\"title_decoration\":\"line\",\"title_element\":\"h3\",\"title_style\":\"text-large\"},\"name\":\"BLOG LIBRARY\"},{\"type\":\"html\",\"props\":{\"content\":\"[pt_view id=\\\"8dc1b6fgo4\\\"]\"},\"name\":\"BLOG library filter\"}]}]}],\"name\":\"Block - Resource Libraries\"}],\"version\":\"4.5.31\",\"yooessentialsVersion\":\"2.4.9\"} --><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Los modelos de aprendizaje automatizado (ML) como Random Forest y Neural Networks est\u00e1n revolucionando la toma de decisiones crediticias, superando la regresi\u00f3n log\u00edstica en precisi\u00f3n predictiva. Sin embargo, para garantizar la explicabilidad y la generalizaci\u00f3n del modelo, es crucial aplicar limitaciones monot\u00f3nicas e interactivas durante la capacitaci\u00f3n. Este art\u00edculo explora c\u00f3mo estas limitaciones mejoran la transparencia y permiten generar c\u00f3digos de acci\u00f3n adversa claros y ejecutables, asegurando decisiones crediticias responsables y defendibles.<\/p>\n","protected":false},"author":14,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[4],"tags":[],"industry":[23],"language":[41],"mktplace-data-type":[],"mktplace-region":[],"mktplace-use-case":[],"resource":[76],"class_list":["post-761","post","type-post","status-publish","format-standard","hentry","category-blog","industry-tomar-decisiones","language-spanish","resource-blogs"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v27.3 (Yoast SEO v27.3) - https:\/\/yoast.com\/product\/yoast-seo-premium-wordpress\/ -->\n<title>Blog: Limitaci\u00f3n a los modelos de toma de decisiones crediticias<\/title>\n<meta name=\"description\" content=\"Explora las limitaciones de los modelos crediticios basados en aprendizaje autom\u00e1tico y c\u00f3mo superarlas con estrategia y datos.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado\" \/>\n<meta property=\"og:description\" content=\"Explora las limitaciones de los modelos crediticios basados en aprendizaje autom\u00e1tico y c\u00f3mo superarlas con estrategia y datos.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/\" \/>\n<meta property=\"og:site_name\" content=\"Provenir-ES\" \/>\n<meta property=\"article:published_time\" content=\"2024-07-07T05:16:50+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-02-03T10:19:23+00:00\" \/>\n<meta name=\"author\" content=\"Alejandra Ramos\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Alejandra Ramos\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/\"},\"author\":{\"name\":\"Alejandra Ramos\",\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/#\\\/schema\\\/person\\\/c2b16f625625df9dc9b8d3977b7f70d9\"},\"headline\":\"Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado\",\"datePublished\":\"2024-07-07T05:16:50+00:00\",\"dateModified\":\"2026-02-03T10:19:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/\"},\"wordCount\":1437,\"commentCount\":0,\"articleSection\":[\"Blog\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/\",\"url\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/\",\"name\":\"Blog: Limitaci\u00f3n a los modelos de toma de decisiones crediticias\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/#website\"},\"datePublished\":\"2024-07-07T05:16:50+00:00\",\"dateModified\":\"2026-02-03T10:19:23+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/#\\\/schema\\\/person\\\/c2b16f625625df9dc9b8d3977b7f70d9\"},\"description\":\"Explora las limitaciones de los modelos crediticios basados en aprendizaje autom\u00e1tico y c\u00f3mo superarlas con estrategia y datos.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/#website\",\"url\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/\",\"name\":\"Provenir-ES\",\"description\":\"Toma de decisiones sobre riesgo crediticio impulsada por IA\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/#\\\/schema\\\/person\\\/c2b16f625625df9dc9b8d3977b7f70d9\",\"name\":\"Alejandra Ramos\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/www.provenir.com\\\/spanish\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2024\\\/11\\\/Ale-96x96.jpg\",\"url\":\"https:\\\/\\\/www.provenir.com\\\/spanish\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2024\\\/11\\\/Ale-96x96.jpg\",\"contentUrl\":\"https:\\\/\\\/www.provenir.com\\\/spanish\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2024\\\/11\\\/Ale-96x96.jpg\",\"caption\":\"Alejandra Ramos\"},\"url\":\"https:\\\/\\\/www.provenir.com\\\/es\\\/author\\\/alejandra\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Blog: Limitaci\u00f3n a los modelos de toma de decisiones crediticias","description":"Explora las limitaciones de los modelos crediticios basados en aprendizaje autom\u00e1tico y c\u00f3mo superarlas con estrategia y datos.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/","og_locale":"es_ES","og_type":"article","og_title":"Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado","og_description":"Explora las limitaciones de los modelos crediticios basados en aprendizaje autom\u00e1tico y c\u00f3mo superarlas con estrategia y datos.","og_url":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/","og_site_name":"Provenir-ES","article_published_time":"2024-07-07T05:16:50+00:00","article_modified_time":"2026-02-03T10:19:23+00:00","author":"Alejandra Ramos","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Alejandra Ramos","Est. reading time":"7 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/#article","isPartOf":{"@id":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/"},"author":{"name":"Alejandra Ramos","@id":"https:\/\/www.provenir.com\/es\/#\/schema\/person\/c2b16f625625df9dc9b8d3977b7f70d9"},"headline":"Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado","datePublished":"2024-07-07T05:16:50+00:00","dateModified":"2026-02-03T10:19:23+00:00","mainEntityOfPage":{"@id":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/"},"wordCount":1437,"commentCount":0,"articleSection":["Blog"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/","url":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/","name":"Blog: Limitaci\u00f3n a los modelos de toma de decisiones crediticias","isPartOf":{"@id":"https:\/\/www.provenir.com\/es\/#website"},"datePublished":"2024-07-07T05:16:50+00:00","dateModified":"2026-02-03T10:19:23+00:00","author":{"@id":"https:\/\/www.provenir.com\/es\/#\/schema\/person\/c2b16f625625df9dc9b8d3977b7f70d9"},"description":"Explora las limitaciones de los modelos crediticios basados en aprendizaje autom\u00e1tico y c\u00f3mo superarlas con estrategia y datos.","breadcrumb":{"@id":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.provenir.com\/es\/limitacion-a-los-modelos-de-toma-de-decisiones-crediticias-basados-en-aprendizaje-automatizado\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.provenir.com\/es\/"},{"@type":"ListItem","position":2,"name":"Limitaci\u00f3n a los modelos de toma de decisiones crediticias basados en aprendizaje automatizado"}]},{"@type":"WebSite","@id":"https:\/\/www.provenir.com\/es\/#website","url":"https:\/\/www.provenir.com\/es\/","name":"Provenir-ES","description":"Toma de decisiones sobre riesgo crediticio impulsada por IA","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.provenir.com\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/www.provenir.com\/es\/#\/schema\/person\/c2b16f625625df9dc9b8d3977b7f70d9","name":"Alejandra Ramos","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.provenir.com\/spanish\/wp-content\/uploads\/sites\/5\/2024\/11\/Ale-96x96.jpg","url":"https:\/\/www.provenir.com\/spanish\/wp-content\/uploads\/sites\/5\/2024\/11\/Ale-96x96.jpg","contentUrl":"https:\/\/www.provenir.com\/spanish\/wp-content\/uploads\/sites\/5\/2024\/11\/Ale-96x96.jpg","caption":"Alejandra Ramos"},"url":"https:\/\/www.provenir.com\/es\/author\/alejandra\/"}]}},"_links":{"self":[{"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/posts\/761","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/users\/14"}],"replies":[{"embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/comments?post=761"}],"version-history":[{"count":0,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/posts\/761\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/media?parent=761"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/categories?post=761"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/tags?post=761"},{"taxonomy":"industry","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/industry?post=761"},{"taxonomy":"language","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/language?post=761"},{"taxonomy":"mktplace-data-type","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/mktplace-data-type?post=761"},{"taxonomy":"mktplace-region","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/mktplace-region?post=761"},{"taxonomy":"mktplace-use-case","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/mktplace-use-case?post=761"},{"taxonomy":"resource","embeddable":true,"href":"https:\/\/www.provenir.com\/es\/wp-json\/wp\/v2\/resource?post=761"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}