Las instituciones financieras y los reguladores confían cada vez más en el análisis de datos a gran escala, particularmente en el aprendizaje automático, para las decisiones de crédito. Este documento evalúa diez algoritmos de aprendizaje automático utilizando un conjunto de datos de más de 2.5 millones de observaciones de una institución financiera. También resumimos los modelos estadísticos y de aprendizaje automático clave en la puntuación de crédito y revisamos los hallazgos de investigación actuales. Nuestros resultados indican que los modelos de conjunto, particularmente XGBoost, superan a los algoritmos tradicionales como la regresión logística en la clasificación de crédito. Los investigadores y expertos en el tema del riesgo crediticio pueden utilizar este trabajo como una referencia práctica, ya que cubre fases cruciales del procesamiento de datos, análisis exploratorio de datos, modelado y métricas de evaluación.