El riesgo crediticio es un desafío clave en el sector financiero, especialmente en entidades como cooperativas y microfinancieras, donde la falta de información precisa dificulta la toma de decisiones y afecta la estabilidad económica. A corto plazo, la morosidad genera problemas de liquidez y, a largo plazo, puede comprometer la solvencia institucional. En este contexto, la predicción efectiva de la morosidad es fundamental para mitigar pérdidas y optimizar la gestión del crédito. Este estudio aborda el problema de la predicción de morosidad en clientes de la entidad financiera San Francisco de Mocupe mediante un análisis comparativo de los algoritmos de machine learning XGBoost, LightGBM y Random Forest. Se utilizó un enfoque cuantitativo con datos históricos que incluyeron variables sociodemográficas, crediticias y de comportamiento de pago. Se aplicaron técnicas de depur...