Los bancos generalmente utilizan modelos de puntuación crediticia para evaluar la solvencia de los clientes cuando solicitan préstamos o crédito. Estos modelos funcionan significativamente peor cuando se utilizan en potenciales nuevos clientes que en clientes existentes, debido a la falta de datos de comportamiento financiero para los nuevos clientes del banco. El acceso a dichos datos podría, por lo tanto, aumentar la rentabilidad de los bancos al reclutar nuevos clientes. Si el cliente lo permite, las API de Open Banking pueden proporcionar acceso a saldos y transacciones de los últimos 90 días antes de la fecha de puntuación. En este estudio, comparamos el rendimiento de los modelos de puntuación crediticia de aplicación convencionales que actualmente utiliza un banco noruego con un modelo de aprendizaje profundo entrenado únicamente con datos de transacciones disponibles a través de las API de Open Banking. Evaluamos el rendimiento en términos de AUC y puntuación de Brier y encontramos que los modelos basados únicamente en datos de Open Banking son sorprendentemente efectivos para predecir el incumplimiento en comparación con los modelos de puntuación crediticia convencionales. Además, un modelo de conjunto entrenado tanto con datos de puntuación crediticia tradicionales como con características extraídas del modelo de aprendizaje profundo supera aún más al modelo de puntuación crediticia de aplicación convencional para nuevos clientes y reduce la brecha de rendimiento entre los modelos de puntuación crediticia de aplicación para clientes existentes y nuevos. Por lo tanto, argumentamos que los bancos pueden aumentar su rentabilidad al utilizar datos disponibles a través de las API de Open Banking al reclutar nuevos clientes.