De acuerdo con el informe, las empresas hosteleras fueron las que más se endeudaron en 2020, un 35% frente al 7% que aumentó la financiación al agregado de actividades productivas. En 2021 la tendencia fue la contraria y el sector protagonizó uno de los descensos más destacados en cuanto al saldo de crédito vivo, que se redujo un 6,3% en un escenario general donde sólo la cartera de préstamos a intermediación financiera experimentó una reducción mayor, al superar ligeramente el 9%.

Actualmente, el crédito a la hostelería representa el 5,8% del total de la financiación a las empresas en España. Y dentro del sector servicios supone el 8,1%.

Los créditos dudosos al alza

El informe destaca también la evolución de la tasa de mora de los créditos otorgados al sector, que desde 2020 no ha frenado su tendencia ascendente. Al contrario que la mayoría de sectores de actividad, la hostelería ve crecer su cartera de préstamos dudosos, que a diciembre de 2021 cerró cercana a los 2.550 millones de euros. Una cifra que supera casi en mil millones de euros a la registrada en diciembre de 2019. Esta cantidad representa el 9,4% de todos los créditos dudosos a empresas. De esta manera, la tasa de morosidad del sector se sitúa en el 7,7%, solo superada por la que presenta el sector de la construcción (8,5%).

Inteligencia artificial para mantener crédito y morosidad bajo control

Una de las grandes preocupaciones de bancos y financieras es controlar el riesgo de crédito para que la morosidad no se dispare y, con ella, las provisiones necesarias y lo hacen aplicando la tecnología para mejorar la gestión tanto de la concesión de préstamos, como el seguimiento y la recuperación.

Según el director comercial de AIS, David Fernández, “entre los proyectos que realizamos en AIS en todo el mundo, cada vez es más frecuente que las entidades recurran al uso de técnicas como machine learning para desarrollar modelos de evaluación de solicitudes de préstamo, ya sea para operaciones con particulares, autónomos o empresas”.

También es frecuente su uso en sistemas de seguimiento, como la generación de alertas tempranas que avisan de indicios de un posible deterioro de la cartera, e incluso en herramientas destinadas a la recuperación de impagados, para definir las estrategias de recobro más adecuadas para cada perfil y momento.

Esta tendencia se justifica en su alto poder predictivo -comparado con los métodos tradicionales- y su capacidad de optimización de las decisiones. La metodología machine learning, por ejemplo, permite considerar miles de variables en los análisis, por lo que el nivel de exactitud de los modelos predictivos que las utilizan es muchísimo más elevado, lo que es una característica muy valorada en el negocio financiero y más en el contexto actual.

Según David Fernández, “se espera que haya un fuerte ascenso de la mora en los próximos meses y el Banco de España ha realizado varios avisos al respecto. Mejorar los sistemas de control para detectar señales de deterioro antes de que se transformen en impagos reales, es fundamental para bancos y financieras”.