El dominio de la tecnología financiera ha dado pasos significativos hacia sistemas de puntuación crediticia más inclusivos al integrar fuentes de datos alternativas, lo que ha llevado a explorar cómo podemos simplificar aún más el proceso de evaluación eficiente de la solvencia crediticia para la generación más joven que carece de historiales crediticios tradicionales y activos colaterales. Este estudio presenta un enfoque novedoso que aprovecha el análisis de redes sociales y técnicas avanzadas de aprendizaje automático para evaluar la solvencia crediticia de individuos sin historiales crediticios tradicionales y activos colaterales. Los métodos convencionales de puntuación crediticia tienden a depender en gran medida de la información crediticia del banco central, especialmente de activos colaterales tradicionales como propiedades o cuentas de ahorro. Aprovechamos datos demográficos, de personalidad, psicolingüística y de redes sociales de perfiles de LinkedIn para desarrollar modelos predictivos para una evaluación integral de la fiabilidad financiera. Nuestros métodos de puntuación crediticia proponen modelos de puntuación para producir puntuaciones crediticias continuas y modelos de clasificación para categorizar a los posibles prestatarios, particularmente a los jóvenes que carecen de historiales crediticios tradicionales o activos colaterales, como riesgos crediticios buenos o malos según los umbrales de juicio de expertos. Este enfoque innovador cuestiona los métodos convencionales de evaluación financiera y mejora el acceso al crédito para comunidades marginadas. La pregunta de investigación abordada en este estudio es cómo desarrollar un mecanismo de puntuación crediticia utilizando datos de redes sociales. Esta investigación contribuye al avance del panorama fintech al presentar un marco que tiene el potencial de transformar las prácticas de puntuación crediticia para adaptarse a las actividades económicas modernas y las huellas digitales.