Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

Imagina la economía global como un mercado masivo y bullicioso donde todos intentan comerciar, ahorrar y comprar cosas. Durante mucho tiempo, este mercado fue mayoritariamente físico: necesitabas caminar hasta un banco, llevar efectivo o escribir un cheque. Pero recientemente, ha aparecido una nueva herramienta mágica: los pagos digitales. Estos son como monedas invisibles que viajan por el aire a través de teléfonos inteligentes y computadoras, permitiendo que las personas paguen por las cosas sin haber tocado nunca el dinero de papel. Este cambio es un gran acontecimiento porque ayuda a las personas que antes estaban excluidas del mercado —como aquellas en aldeas remotas o sin mucho dinero— a unirse finalmente a la fiesta. Esto se llama "inclusión financiera", y es la clave para ayudar a todos a construir una vida mejor.

Pero aquí está la parte complicada: no todo el mundo está usando estas monedas digitales todavía. Algunos se están lanzando de lleno, mientras que otros se quedan en la barrera, confundidos o asustados. Los científicos y economistas han estado tratando de averiguar exactamente por qué algunas personas adoptan estas nuevas herramientas mientras otras no. Observan pistas como cuánto dinero gana alguien, qué edad tiene y si tiene un teléfono inteligente. Tradicionalmente, usaban matemáticas simples para adivinar la respuesta, pero el mundo es desordenado y complicado. A veces, las pistas interactúan de formas extrañas; por ejemplo, tener un teléfono inteligente no sirve de nada si no sabes cómo usarlo, o tener dinero no ayuda si no confías en el internet. Para resolver este rompecabezas, los investigadores ahora están usando el "aprendizaje automático" (machine learning), que es como enseñarle a un robot superinteligente a mirar millones de pistas a la vez y encontrar patrones que los cerebros humanos podrían pasar por alto.

En este estudio, un equipo de investigadores decidió construir un super-robot detective para resolver el misterio de la adopción de los pagos digitales. No solo pidieron un robot; construyeron todo un equipo de ellos, cada uno con una forma diferente de pensar, y luego les enseñaron a trabajar juntos. Utilizaron un conjunto de datos masivo llamado "Global Findex 2025", que es como un álbum de fotos gigante que contiene información de 144,090 adultos de 141 países diferentes. Después de limpiar las partes desordenadas de los datos, obtuvieron una imagen clara de 10,2954 personas para estudiar.

Los investigadores comenzaron entregando a su equipo de robots una lista de 183 pistas diferentes (variables) para observar, tales como niveles de educación, acceso a internet y fuentes de ingresos. Para facilitar el trabajo, utilizaron un filtro inteligente para seleccionar las 66 pistas más importantes y luego combinaron algunas de ellas en nuevas "super-pistas". Por ejemplo, crearon una "super-pista" que multiplicaba el nivel educativo de una persona por su uso de internet, porque el equipo sospechaba que tener ambos juntos era mucho más poderoso que tener solo uno. También crearon nuevas pistas sobre cuántas formas distintas tiene una persona de ganar dinero y qué tan "inclinada financieramente" está (como si ahorra dinero o tiene una tarjeta de crédito).

A continuación, los investigadores entrenaron a tres tipos diferentes de robots "base" utilizando algoritmos avanzados llamados XGBoost, LightGBM y CatBoost. Piensa en esto como tres detectives diferentes: uno es excelente detectando detalles pequeños, otro es rápido procesando grandes cantidades de información, y el tercero es excelente manejando datos categóricos desordenados. No dejaron que estos robots simplemente adivinaran; usaron una herramienta especial llamada Optuna para ajustar sus configuraciones, como ajustar el enfoque de una lente de cámara, para asegurarse de que fueran lo más nítidos posible.

Pero la verdadera magia ocurrió cuando decidieron poner a estos robots en un equipo de "apilamiento" (stacking). En lugar de dejar que un solo robot tome la decisión final, hicieron que los tres robots base hicieran sus suposiciones primero. Luego, introdujeron esas suposiciones en un robot "meta-aprendiz" (en este caso, un clasificador ExtraTrees) cuyo único trabajo era escuchar a los tres robots base y decidir quién tenía razón. Es como tener a tres expertos dando sus opiniones, y luego un juez sabio escucha a todos para dar el veredicto final. Los investigadores probaron este equipo contra otros métodos, como preguntarle a un solo robot o hacer que los robots voten por mayoría.

Los resultados fueron impresionantes. El equipo de "apilamiento", específicamente la combinación de LightGBM y XGBoost como los detectives base con el robot ExtraTrees como el juez, acertó el 93.04% de las veces. Este fue el mejor puntaje que encontraron, superando a los robots individuales y a otras combinaciones de equipos. Los investigadores también usaron una herramienta llamada SHAP para echar un vistazo dentro del cerebro del robot y ver por qué tomaba sus decisiones. Descubrieron que el robot estaba fuertemente influenciado por tres factores principales: cuánta educación tenía una persona, si tenía acceso a internet y cuánto dinero ganaba. Curiosamente, el robot aprendió que la educación y el acceso a internet funcionan mejor cuando ocurren juntos; tener uno sin el otro no era tan útil.

El estudio también mostró que, si bien el ajuste fino de los robots (optimización de hiperparámetros) ayudó un poco, el verdadero ingrediente secreto fue la estructura del equipo en sí. El enfoque de "apilamiento" hizo que las predicciones fueran mucho más estables y precisas de lo que cualquier robot individual podría lograr por sí solo. Sin embargo, los investigadores señalaron que su robot todavía tenía dificultades para predecir el comportamiento de las poblaciones de bajos ingresos y rurales. Esto sugiere que, para estos grupos, todavía existen barreras ocultas —como la falta de confianza, los temores de seguridad o las velocidades lentas de internet— que el robot no pudo explicar completamente con solo los datos que tenía.

Al final, este artículo muestra que, al usar un equipo de modelos de aprendizaje automático inteligentes y especializados trabajando juntos, podemos predecir con una precisión muy alta quién comenzará a usar pagos digitales. Confirma que la educación y el acceso a internet son las llaves de oro para desbloquear la inclusión financiera, pero también nos advierte que simplemente construir la infraestructura no es suficiente; necesitamos asegurarnos de que las personas tengan las habilidades y la confianza para usarla. Los investigadores sugieren que los estudios futuros deberían observar cómo cambian estos comportamientos con el tiempo e incluir factores económicos más grandes, pero por ahora, este equipo de robots "apilados" nos da la visión más clara hasta la fecha de cómo se está extendiendo la revolución del dinero digital por todo el mundo.