Las huellas digitales proporcionan información crucial sobre los comportamientos y preferencias de las personas. Su papel en la puntuación crediticia es cada vez más significativo. Por lo tanto, es crucial combinar datos de huellas digitales con datos tradicionales para la puntuación crediticia personal. Este documento propone un modelo novedoso de puntuación crediticia. Primero, se utiliza la regresión logística de lasso para seleccionar variables clave que impactan significativamente en los resultados de predicción. Luego, las variables de huella digital se categorizan según la comprensión del negocio, y se construyen modelos candidatos a partir de diversas combinaciones de estos grupos. Finalmente, se selecciona el peso óptimo minimizando la pérdida de Kullback-Leibler. Posteriormente, se construye el modelo de predicción final. El análisis empírico valida las ventajas y la viabilidad del método propuesto en la selección de variables, estimación de coeficientes y precisión predictiva. Además, el método de promedio de modelos proporciona los pesos para cada modelo candidato, ofreciendo implicaciones gerenciales para identificar combinaciones de variables beneficiosas para la puntuación crediticia.