Para cada oferta compatible, OpenICI no ofrece una estimación genérica: calcula una probabilidad de éxito específica para esa operación y esa entidad. Es el resultado de un motor de inferencia que replica el criterio de riesgo de cada banco y lo cuantifica en tiempo real.

<aside> ⚡

El principio Openteca: no presentamos todo el mercado. Presentamos las hipotecas que el cliente puede conseguir y las ordenamos por la probabilidad real de aprobación. El resultado es un proceso dirigido por datos, no por ensayo y error.

</aside>

Detrás de cada porcentaje hay una arquitectura de dos capas que operan de forma encadenada: una determina lo que es viable; la otra, lo que es probable.

Capa 1 — Motor de reglas duras

La primera capa modela las restricciones incondicionales de cada entidad: LTV máximo, edad máxima al vencimiento, importe y plazo, tipologías de operación no admitidas, restricciones geográficas y requisitos documentales innegociables. Son criterios de riesgo confirmados por la propia entidad y mantenidos al día, no inferencias internas.

El motor evalúa cada operación contra estas reglas de forma determinista y devuelve una decisión binaria de elegibilidad por banco. Todo lo que no cumple los umbrales se descarta antes de seguir.

<aside> ✅

Si una oferta aparece en OpenICI, es porque el cliente encaja realmente en los criterios de esa entidad. Esta capa elimina las falsas expectativas en origen.

</aside>

Esta capa responde a una única pregunta — ¿es viable la operación en este banco? — y actúa como filtro previo de todo el sistema.

Capa 2 — Motor predictivo de Machine Learning

Sobre las operaciones que superan el filtro, un modelo de Machine Learning entrenado de forma independiente por entidad estima la probabilidad de aprobación. Cada banco tiene su propio modelo, porque cada banco pondera el riesgo de manera distinta sobre un mismo perfil.

Y aquí está la verdadera dimensión del problema: para cada oferta de cada banco, el motor procesa del orden de 80 variables — del cliente, de cada titular, de la operación y del empleador — junto con las features derivadas que se calculan a partir de ellas (ratios, hipótesis de plazo y cuota por titular, desviaciones respecto a umbrales…). Multiplicado por cada entidad integrada, el sistema evalúa miles de combinaciones por operación, en segundos.

El modelo aprende del histórico de operaciones reales y captura tres dimensiones de la decisión bancaria:

• Ponderación de variables por entidad. El peso de cada variable en el scoring difiere de un banco a otro. El modelo infiere, para cada entidad, qué factores son determinantes y cuáles marginales.
• Distancia a los umbrales de riesgo. No es lo mismo cumplir un criterio por un margen amplio que rozarlo. El modelo mide la holgura del perfil respecto a los límites de cada banco: a mayor distancia del límite, mayor probabilidad de aprobación.
• Interacción entre variables. Las señales del cliente y de la operación se evalúan de forma conjunta — no aislada — porque el riesgo real emerge de su combinación.

<aside> 📈

Una misma operación puede arrojar probabilidades distintas según la entidad, reflejando con precisión la heterogeneidad del mercado. Y el modelo se recalibra de forma continua: cada operación resuelta retroalimenta el sistema y afina la predicción.

</aside>

De 80 variables a 5 dimensiones: la capa de explicabilidad