SISTEMA PREDICTIVO BASADO EN UN MODELO CREDIT SCORING DE APRENDIZAJE AUTOMÁTICO PARA LA MEDICIÓN DEL RIESGO CREDITICIO EN LOS CRÉDITOS PYME DE LA EDPYME ALTERNATIVA S.A.

• Autor: Vasquez Leyva, Oliver
• Formato: tesis doctoral
• Fecha de Publicación: 2019
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/6357
• Enlace del recurso: https://hdl.handle.net/20.500.12802/6357
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Algoritmos; Inteligencia artificial; Créditos pyme; Riesgo; https://purl.org/pe-repo/ocde/ford#2.02.04

La investigación que presento tiene como propósito analizar y proponer una solución a las insuficientes herramientas tecnológicas y métodos de referencia de evaluación de créditos a pequeñas y micro empresas que limitan la medición del riesgo crediticio, teniendo como objetivo elaborar un sistema predictivo inteligente basado en un modelo credit scoring de aprendizaje automático para la mejora de la medición del riesgo en la Edpyme Alternativa S.A. La solución está fundamentada de manera teórica y conceptualizada en un modelo basado en el proceso funcional actual de concesión de créditos. El modelo muestra la evaluación del riesgo en los procedimientos de admisión y clasificación de los clientes basados en su tecnología y procedimientos, tales como, el sistema de información y bases de datos de referencia externas. El aporte se consolida con la inclusión de las nuevas tecnologías como soporte al proceso funcional mediante la medición, predicción y calificación inteligente empaquetadas en un sistema de credit scoring fundamentadas en las dimensiones de estimación, prospección y la toma de decisiones como del aprendizaje automático y la inteligencia artificial. Finalmente se elaboró el aporte práctico haciendo uso de la tecnología por servicio de Microsoft Azure para la selección del algoritmo que mejor prestación otorgue a la predicción según el modelo de datos de la institución. En la experimentación con datos reales se evidencia un alto nivel de precisión, así como unas ligeras variaciones fruto de un probable sesgo humano. Como conclusión se demostró la factibilidad del modelo y se propuso el rediseño de sus procedimientos de admisión y clasificación de créditos.