Compra de deuda no garantizada: cómo los datos se transforman en la valoración de carteras.

A primera vista, el paquete de datos parece poco llamativo: una larga lista de Excel con millones de datos. Cada línea representa un crédito pendiente de un deudor. Para Malte Janzen, aquí es donde comienza el análisis, uno que, en última instancia, puede resultar en una decisión de inversión de millones.

Desde 2025 dirige la división de Unsecured Investments en EOS. Junto a su equipo, evalúa carteras de créditos puestas a la venta por bancos de toda Europa. Su especialidad son las inversiones: realizó un doctorado en toma de decisiones y trabajó en consultoría M&A y, más tarde, en un grupo empresarial en Hamburgo.

Dado el enorme volumen de datos, analizar manualmente cada crédito sería imposible. «En su lugar, comenzamos identificando características clave y agrupando los créditos en consecuencia», explica Malte. Para ello se utilizan métodos matemáticos y estadísticos, así como modelos de aprendizaje automático.

A partir de amplios datos históricos, estos modelos simulan cómo es probable que evolucionen con el tiempo los distintos grupos de créditos.

En el análisis también se incorporan factores adicionales, como cambios en el entorno regulatorio o tendencias macroeconómicas. «Con nuestros modelos podemos representar una amplia gama de escenarios. Esto nos ayuda a identificar qué factores tienen mayor impacto en la cartera y a qué debemos prestar atención posteriormente durante la gestión.»

Sin embargo, incluso los modelos más sofisticados no pueden sustituir el conocimiento experto. Al igual que Malte, los miembros de su equipo cuentan con muchos años de experiencia en análisis crediticio y de datos. Además, trabajan estrechamente con colegas de las filiales nacionales. «Ellos conocen en profundidad los mercados locales y pueden contextualizar mejor muchas tendencias.»

Si la decisión de inversión es positiva, el análisis no termina ahí. El rendimiento real de la cartera se supervisa de forma continua y se compara con la previsión inicial. Si se producen desviaciones, se analizan sus causas. «Integramos estos conocimientos directamente en nuestras herramientas analíticas, lo que nos permite perfeccionar y mejorar continuamente nuestro proceso de valoración.»

Dado el enorme volumen de datos, sería imposible analizar manualmente cada crédito de forma individual. "En su lugar, comenzamos por identificar las características clave y agrupar los créditos en consecuencia", explica Malte. Para ello, utilizan métodos estadísticos y matemáticos, así como modelos de machine learning. Basándose en datos históricos, se simula el comportamiento futuro de los créditos. También se consideran factores regulatorios y macroeconómicos. "Nuestros modelos permiten identificar qué factores tienen mayor impacto en la cartera y anticipar su rendimiento."

Sin embargo, ni siquiera los modelos más sofisticados pueden sustituir a la experiencia. Al igual que Malte, los miembros de su equipo aportan años de experiencia en el análisis y colaboran estrechamente con los expertos locales, que interpretan mejor los mercados.

Tras la compra, el rendimiento se monitoriza continuamente. Si se desvía de las expectativas, se investigan las causas subyacentes. "Retroalimentamos nuestras herramientas analíticas para refinar y mejorar continuamente nuestro proceso de valoración."