Modelo de gestión para reducir la morosidad en un fondo de empleados del sector privado: un enfoque basado en análisis de datos (2021-2023)
Cargando...
Archivos
Fecha
Autores
Director de trabajo de grado
Título de la revista
ISSN de la revista
Título del volumen
Editor
Altmetric
Código QR
Documentos PDF
Resumen
Como propósito la presente investigación busca identificar factores que contribuyen a la reducción de la morosidad en el fondo de empleados, utilizando un modelo de predicción de Machine Learning que permita clasificar a sus afiliados según el riesgo de incumplimiento. De la misma forma se busca contribuir a la gestión en reducción del riesgo crediticio mediante la implementación de un sistema, el cual a través de un análisis de datos facilite la identificación de patrones, clasifique el riesgo y priorice acciones que de manera preventiva permitan reducir justamente los índices de morosidad. El enfoque de la investigación es cuantitativo y se basa en la aplicación de modelos y técnicas propias del Machine Learning. Para ello, se utilizaron datos históricos y analizaron variables socioeconómicas que permitieran predecir la probabilidad de incumplimiento en los pagos. Con el propósito de seleccionar el modelo estadístico más adecuado, se compararon los modelos Regresión Logística, Máquina de Soporte Vectorial (SVM), Naive Bayes y Random Forest, respectivamente. La identificación del modelo más preciso se realizó mediante la evaluación de las métricas de desempeño: precisión, recall y el área bajo la curva (AUC). Se evidencio en los resultados obtenidos que el modelo Random Forest alcanzo una precisión del 98% haciéndolo altamente recomendado para el análisis del riesgo de morosidad.
Abstract
The purpose of this research is to identify factors that contribute to reducing delinquency in the employee fund by using a Machine Learning predictive model that classifies affiliates based on their risk of default. Additionally, it aims to contribute to credit risk management by implementing a system that, through data analysis, facilitates the identification of patterns, risk classification, and prioritization of preventive actions to effectively reduce delinquency rates. The research follows a quantitative approach and applies Machine Learning models and techniques. Historical data were analyzed along with socioeconomic variables to predict the likelihood of payment defaults. To select the most suitable statistical model, Logistic Regression, Support Vector Machine (SVM), Naive Bayes, and Random Forest were compared. The model evaluation used performance metrics such as precision, recall, and the area under the curve (AUC). The results showed that the Random Forest model achieved 98% precision, making it highly recommended for delinquency risk analysis.
Palabras clave
Morosidad, Riesgo crediticio, Machine Learning, Random Forest, Riesgo de incumplimiento, Variables socioeconómicas, Riesgo crediticio, Delinquency, Credit risk