Análisis de variables determinantes en el incumplimiento de pagos de créditos mediante modelos de clasificación: caso Rena Ware de Colombia (2022-2025)
Cargando...
Fecha
Director de trabajo de grado
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de La Salle. Escuela de Negocios. Maestría en Analítica e Inteligencia de Negocios
Altmetric
Código QR
Documentos PDF
Resumen
La investigación realizada tuvo como finalidad presentar un análisis acerca de las variables que afectan en el incumplimiento de pagos de los créditos que otorga la compañía Rena Ware de Colombia S.A.S. usando modelos de clasificación para predecir la probabilidad de riesgo crediticio de los clientes en el periodo 2022 a junio 2025. Dentro del análisis realizado, se buscó determinar los factores más relevantes en el comportamiento de pago (demográficos y financieros) con el fin de que la empresa pueda fortalecer su gestión de cartera y mejorar los procesos de evaluación de créditos. El enfoque sobre el cual se desarrolló esta investigación fue un enfoque cuantitativo, con alcance explicativo y predictivo. La base de datos sobre la cual se realizó el estudio corresponde a un dataset suministrado por Rena Ware de 11.860 créditos otorgados durante los años 2022 a junio 2025, tomando cada crédito como una unidad individual de estudio. Dicha base fue constituida una vez realizado un proceso de depuración y normalización de la base de datos con el fin de dejar únicamente las variables más relevantes para el estudio e información completa y consistente. Posteriormente, se aplicaron los modelos de Regresión Logística y Random Forest sin balanceo y con diferentes técnicas de balanceo: Class weight (ponderación de clases), RUS (Random Undersampling), ROS (Random Oversampling) y Smote (Synthetic Minority Oversampling Technique) y se evaluó su desempeño mediante métricas como AUC, F1-score, precisión y sensibilidad. Los resultados evidenciaron que ambos modelos con diferentes técnicas de balanceo lograron un desempeño aceptable con valores AUC entre 0.76 y 0.84. Sin embargo, el modelo Random Forest con técnicas de balanceo ROS, RUS y Smote obtuvo el mejor desempeño por su equilibrio entre precisión y sensibilidad (AUC promedio de 0.835, Recall de 0.628, Accurancy de 0.777 y F-1 score promedio de 0.632). Aunque finalmente, para el contexto de Rena Ware, el modelo que mejor se adapta es el Random Forest con balanceo Smote cuyo AUC fue 0.829 por su capacidad de detección de morosos sin ser radical y adverso al riesgo. De igual forma, se implementó el método de la rejilla en busca de optimización de los modelos, no obstante, los resultados obtenidos no fueron significativamente mejores en comparación a los modelos iniciales sin optimización. Así mismo, el modelado permitió identificar las variables con mayor incidencia en el incumplimiento encontrando que, el puntaje crediticio, la cuota inicial, la tasa efectiva anual, el saldo a financiar, los ingresos y la edad son las variables con mayor peso (0.78 en conjunto) y las más determinantes a la hora de evaluar el incumplimiento. En caso de que la empresa Rena Ware desee implementar dentro de sus procesos de evaluación crediticio algún modelo de clasificación, se recomienda el uso del Random Forest ya que, le permitirá clasificar y priorizar los casos de mayor riesgo. Finalmente, es importante mencionar que existen limitaciones con el estudio realizado relacionados con la disponibilidad y alcance de los datos ya que, la información utilizada proviene exclusivamente de los registros internos de la empresa en el momento de la aprobación de los créditos y no incorporan variables macroeconómicas o externas que pudiesen robustecer los modelos. Futuras investigaciones podrían ampliar la base de datos e integrar esta información para obtener un modelo más preciso y mejorar así los resultados.
Palabras clave
Modelos de clasificación, Incumplimiento de pagos, Riesgo de crédito, Regresión logística
Keywords
Rena Ware, Random Forest