Las redes neuronales convolucionales (CNN) han demostrado ser efectivas, pero no son aplicables a todos los conjuntos de datos, como aquellos con atributos heterogéneos, que suelen utilizarse en las industrias financieras y bancarias. Tales conjuntos de datos son difíciles de clasificar y, hasta la fecha, los clasificadores de alta precisión y los métodos de extracción de reglas existentes no han logrado alcanzar una precisión de clasificación suficientemente alta o reglas de clasificación concisas. Este estudio tiene como objetivo proporcionar un nuevo enfoque para lograr transparencia y concisión en conjuntos de datos de puntuación crediticia con atributos heterogéneos mediante el uso de una capa completamente conectada unidimensional (1D) primero en CNN combinada con el algoritmo de extracción de reglas recursivas (Re-RX) con un árbol de decisiones J48graft (en adelante 1D FCLF-CNN). Basándonos en una comparación entre el propuesto 1D FCLF-CNN y los métodos de extracción de reglas existentes, nuestra arquitectura permitió la extracción de las reglas más concisas (6.2) y logró la mejor precisión (73.10%), es decir, la extracción de reglas con prioridad de interpretabilidad más alta. Estos resultados sugieren que el 1D FCLF-CNN con Re-RX con J48graft es muy efectivo para extraer reglas altamente concisas para conjuntos de datos de puntuación crediticia heterogéneos. Aunque no supera completamente el dilema precisión-interpretabilidad para el aprendizaje profundo, parece resolver este problema para conjuntos de datos de puntuación crediticia con atributos heterogéneos y, por lo tanto, podría llevar a una nueva era en la industria financiera.