Medición del riesgo crediticio financiero mediante un modelo de clasificación binaria

Abstract

Actualmente, las instituciones financieras enfrentan diversos problemas en el análisis de información para otorgar crédito o préstamo, lo que genera pérdidas que incluyen gastos de cobranza, notificaciones y procesos legales, entre otros. Gracias a la transformación digital y el progreso tecnológico, la Inteligencia Artificial, y especialmente el Aprendizaje Automático (AML), puede utilizarse para analizar datos de clientes y predecir el incumplimiento en el pago de sus obligaciones con las instituciones. El objetivo de este trabajo es aplicar la metodología CRISP-DM (Proceso Estándar Interindustrial para la Minería de Datos) y los modelos de aprendizaje supervisado Random Forest (XGBoost), Regresión Logística y Redes Neuronales, para implementar un modelo predictivo que permita evaluar el riesgo crediticio. Con el resultado de la aplicación del modelo predictivo, se concluye que el uso de herramientas de Aprendizaje Automático ayuda a optimizar la evaluación del riesgo crediticio en entidades financieras. Una vez utilizada la metodología CRISP-DM para el análisis, desarrollo y evaluación de los modelos, se concluyó que el modelo más eficiente es Random Forest. Basándose en esta experiencia, en futuros trabajos se podría implementar este tipo de modelo en otras áreas como la detección de fraudes, la segmentación de clientes o un motor de recomendaciones que pueda sugerir productos y servicios financieros en función de las necesidades y el comportamiento de los clientes.