Desarrollo de un modelo predictivo para la evaluación del riesgo crediticio en la Cooperativa de Ahorro y Crédito Virgen del Cisne.
Sin duda en la actualidad existe falencia en el análisis de información para otorgar un crédito o un préstamo, provocando pérdidas a la institución financiera que involucra gastos de cobranza, notificaciones, pago a abogados entre otros. Gracias a la transformación digital y el avance tecnológico ho...
| Author: | |
|---|---|
| Format: | master thesis |
| Status: | Published version |
| Publication Date: | 2021 |
| Country: | Ecuador |
| Institution: | Universidad de las Fuerzas Armadas |
| Repository: | Repositorio Universidad de las Fuerzas Armadas |
| Language: | Spanish |
| OAI Identifier: | oai:repositorio.espe.edu.ec:21000/27322 |
| Online Access: | http://repositorio.espe.edu.ec/handle/21000/27322 |
| Access Level: | Open access |
| Keyword: | REDES NEURONALES REGRESIÓN LOGÍSTICA CRÉDITOS BANCARIOS RIESGO CREDITICIO |
| Summary: | Sin duda en la actualidad existe falencia en el análisis de información para otorgar un crédito o un préstamo, provocando pérdidas a la institución financiera que involucra gastos de cobranza, notificaciones, pago a abogados entre otros. Gracias a la transformación digital y el avance tecnológico hoy en día se puede utilizar la Inteligencia Artificial y en especial la rama de Machine Learning como estudio para el análisis de datos de los clientes y predecir el incumplimiento en el pago de sus obligaciones con la institución. El objetivo de este trabajo de investigación fue realizar un análisis de los modelos de Machine Learning de aprendizaje supervisado como Random Forest (XGBoots), Regresión Logística y Redes Neuronales y aplicar la metodología CRISP-DM para implementar un modelo predictivo que permita la evaluación del riesgo crediticio. Con este resultado podemos concluir que la utilización de herramientas de Machine Learning ayudan a optimizar la evaluación del riesgo de crédito en la entidad financiera. Con base en esta experiencia, se marca el camino para que, en futuros trabajos se implemente estos modelos en otras áreas como: detención de fraudes, segmentación de clientes o un motor de recomendaciones que pueda sugerir productos y servicios financieros basados en las necesidades y comportamientos de los clientes. |
|---|