El riesgo crediticio se refiere a la posibilidad de incumplimiento del prestatario, y su evaluación es crucial para mantener la estabilidad financiera. Sin embargo, el proceso de generación de datos de riesgo crediticio suele ser gradual, y las técnicas de aprendizaje automático pueden no ser fácilmente aplicables para la elaboración de evaluaciones en la etapa inicial del proceso de acumulación de datos. Este artículo propone una metodología de modelado de riesgo crediticio, TED-NN, que primero construye un sistema de indicadores basado en la experiencia de expertos, asigna pesos iniciales al sistema de indicadores utilizando el Proceso Analítico Jerárquico, y luego construye un modelo de red neuronal basado en el sistema de indicadores para lograr una transición suave de un modelo empírico a un modelo basado en datos. TED-NN puede adaptarse automáticamente a la acumulación gradual de datos, lo que resuelve efectivamente el problema del modelado de riesgos y la transición suave de la falta de datos a datos suficientes. La efectividad de esta metodología se valida a través de un caso específico de evaluación de riesgo crediticio. Los resultados experimentales en un conjunto de datos del mundo real demuestran que, en ausencia de datos, el rendimiento de TED-NN es equivalente al PAJ y mejor que las redes neuronales no entrenadas. A medida que aumenta la cantidad de datos, TED-NN mejora gradualmente y luego supera al PAJ. Cuando hay datos suficientes, su rendimiento se acerca al de un modelo de red neuronal totalmente basado en datos.