Las tasas de incumplimiento de los préstamos de tiempo aire son típicamente más bajas que las experimentadas por los bancos y las instituciones de microfinanzas (IMFs), pero es probable que crezcan a medida que el servicio se ofrezca de manera más amplia. En este documento, se revisan las técnicas de puntuación de crédito y se basa en ese conocimiento para crear un modelo de aprendizaje automático apropiado para el préstamo de tiempo aire. Se analizan más de tres millones de préstamos pertenecientes a más de 41 mil clientes con un período de reembolso de tres meses. Se evalúan la regresión logística, los árboles de decisión y el bosque aleatorio por su capacidad para clasificar a los morosos utilizando varios enfoques de validación cruzada, y este último modelo tuvo el mejor rendimiento. Cuando la tasa de incumplimiento está por debajo del 2%, es mejor ofrecer un préstamo a todos. Para tasas de incumplimiento más altas, el modelo mejora sustancialmente la rentabilidad. El modelo cuadruplica el nivel tolerable de tasa de incumplimiento para alcanzar el punto de equilibrio del 8% al 32%. Los modelos de clasificación no lineales ofrecen un potencial considerable para la puntuación de crédito, enfrentándose a niveles más altos de incumplimiento y, por lo tanto, permitiendo un mayor volumen de clientes.