uFlow para fintechs y prestamistas digitales
Iterar la política de crédito al ritmo del producto y correr modelos en producción, sin construir ni mantener la infraestructura de decisión.
Una fintech de crédito compite por velocidad: quien ajusta la política más rápido aprende más rápido. El cuello de botella casi nunca es la idea, es el release. uFlow separa la lógica de crédito del ciclo de deploy del producto, para que el equipo de riesgo pueda probar y publicar cambios en autoservicio mientras ingeniería trabaja en el producto. RappiPay y RappiCard operan sobre uFlow. Ya deciden con uFlow RappiCard, RappiPay, Naranja X, albo, Migrante y KOA.
¿Cómo se cambia la política de crédito sin depender del release del producto?
En uFlow la política de crédito se diseña, se prueba y se publica desde el motor, con un editor NoCode drag-and-drop que opera el propio equipo de riesgo. Un cambio de corte se resuelve en horas y en autoservicio, sin esperar la próxima ventana de deploy, y cada publicación queda versionada con vuelta atrás inmediata si el resultado no es el esperado. La diferencia pesa porque, cuando la política vive dentro del código del producto, cada ajuste compite con el roadmap de ingeniería y el equipo de riesgo termina esperando semanas para probar una hipótesis que debería tomar horas.
Los entornos de testing integrados permiten validar el cambio contra casos reales antes de que llegue a producción.
- Editor NoCode drag-and-drop, operado por el equipo de riesgo.
- Versionado automático con vuelta atrás inmediata a una versión anterior.
- Entornos de testing integrados para validar la política antes de producción.
¿Cómo se ponen modelos de machine learning en producción sin mantener infraestructura?
uFlow ejecuta modelos de machine learning dentro del flujo de decisión, sin que tengas que montar ni sostener infraestructura propia de serving. El modelo convive con las reglas de negocio en la misma política: recibe los datos ya orquestados, devuelve su resultado y ese resultado queda registrado junto al resto de la decisión, con la misma trazabilidad que una regla. Eso resuelve la parte difícil, que no es entrenar el modelo sino ponerlo a decidir y sostenerlo ahí: servirlo con baja latencia, versionarlo, monitorearlo y poder explicar cada inferencia cuando alguien pregunte por un caso puntual.
Los modelos se ejecutan en Python, el mismo lenguaje en el que los equipos de data science ya trabajan.
- Ejecución de modelos de ML sin infraestructura de serving propia.
- Modelos y reglas de negocio conviviendo en la misma política.
- Resultado del modelo registrado dentro del detalle de cada decisión.
¿Cómo se integra el motor de decisiones por API y en cuánto tiempo sale a producción?
uFlow se consume por API REST desde tu backend, tu app o tu flujo de onboarding: recibe la solicitud, orquesta las consultas a bureaux y fuentes propias, ejecuta la política y devuelve la decisión con su detalle. Es una integración acotada, con autenticación por token e identidades separadas por sistema consumidor. Como es SaaS, no hay plataforma que construir antes de empezar a originar: la implementación habitual se mide en semanas, según las integraciones y las aprobaciones internas de cada caso, y el equipo se concentra en el producto y en la política en lugar de en la capa de orquestación.
Los conectores a más de 30 proveedores de datos ya vienen resueltos, así que no hay que desarrollar cada integración.
- API REST con autenticación por token e identidades por sistema consumidor.
- Más de 30 proveedores de datos ya integrados, sin desarrollar cada conector.
- SaaS: implementación habitual en semanas, según integraciones y aprobaciones, sin construir infraestructura de decisión.
¿Cómo se escala el volumen y se suman productos de crédito sobre la misma plataforma?
Cada producto nuevo se modela en uFlow como un flujo propio, con su política y sus fuentes, sobre la misma plataforma: no hay que rearmar la arquitectura para lanzar un segundo crédito ni para abrir un canal. El volumen tampoco obliga a rehacer nada, porque el motor corre sobre infraestructura serverless en la nube con redundancia en múltiples zonas de disponibilidad, sin capacidad que aprovisionar de antemano. Es lo que necesita un crecimiento que no es lineal y llega de golpe, por una campaña o por un canal nuevo. Hoy la plataforma acumula más de 300 millones de transacciones procesadas y más de 80 implementaciones en Latinoamérica.
La evaluación puede ser individual y en línea, o masiva por lotes para recalificar cartera existente.
- Infraestructura serverless en la nube, sin capacidad que aprovisionar.
- Flujos independientes por producto sobre la misma plataforma.
- Evaluación individual en línea o masiva por lotes para recalificar cartera.
¿Qué trazabilidad queda de cada decisión cuando llega el regulador o una auditoría?
uFlow registra cada decisión con su input, las reglas que se aplicaron y el resultado, y lo expone en un explorador de transacciones donde se revisa caso por caso. La plataforma está certificada ISO/IEC 27001:2022, con cifrado de datos en reposo y en tránsito, doble factor de autenticación y control de acceso basado en atributos. Tener ese registro desde el primer día evita el trabajo caro de después: muchas fintechs de crédito terminan reguladas, adquiridas o auditadas por sus fondeadores, y ahí aparece la pregunta de cómo se decidió cada caso. Reconstruirlo meses más tarde, sobre logs dispersos, cuesta bastante más que haberlo registrado.
El registro es por decisión, no por sesión: cada solicitud evaluada queda con su propia evidencia.
- Registro completo por decisión, con explorador de transacciones.
- Certificación ISO/IEC 27001:2022 de seguridad de la información.
- Cifrado en reposo y en tránsito, 2FA y control de acceso por atributos.
Todo lo que necesitas saber
¿Cuánto tarda mi equipo de riesgo en cambiar una política de crédito?+
Horas, y en autoservicio. La política se edita con un editor NoCode drag-and-drop, se prueba en un entorno previo y se publica sin pasar por el ciclo de deploy del producto. Cada publicación queda versionada, con vuelta atrás inmediata a la versión anterior.
¿Puedo correr mis propios modelos de machine learning en el flujo de decisión?+
Sí. uFlow ejecuta modelos de ML dentro de la política, sin que mantengas infraestructura de serving propia. El modelo convive con las reglas de negocio en el mismo flujo y su resultado queda registrado junto al detalle completo de la decisión.
¿Conviene construir un motor de decisiones propio o usar uno existente?+
Construirlo implica sostener no solo el motor, sino los conectores a bureaux, el versionado, los entornos de prueba, el serving de modelos y la trazabilidad. uFlow llega con más de 30 proveedores de datos integrados y sale a producción en semanas, para que ingeniería trabaje en el producto.
¿Cómo se integra uFlow con mi stack actual?+
Por API REST desde tu backend, tu app o tu onboarding, con autenticación por token e identidades separadas por sistema consumidor. El motor recibe la solicitud, orquesta las consultas a las fuentes de datos, aplica la política y devuelve la decisión con su detalle.
Lanzar o escalar un producto de crédito
Te mostramos cómo iterar políticas sin frenar el roadmap de producto.