Aplicación de minería de datos basado en árboles de decisión para predecir el riesgo de morosidad de los clientes en la empresa de seguros Oncosalud S.A.C. 2018

• Autores: Espino Quinones, Leonardo, Garcia Torres, Maria Emily
• Formato: tesis de grado
• Fecha de Publicación: 2018
• Institución: Universidad Autónoma del Perú
• Repositorio: AUTONOMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.autonoma.edu.pe:20.500.13067/700
• Enlace del recurso: https://hdl.handle.net/20.500.13067/700
• Nivel de acceso: acceso abierto
• Materia: Minería de datos; Morosidad; Metodología CRISP-DM; Arboles de decisión; https://purl.org/pe-repo/ocde/ford#2.02.04

En el Perú y en distintos lugares del mundo la morosidad se ha convertido en un serio problema para las pequeñas, medianas y grandes empresas. Estas empresas cuentan con un gran manejo de clientes y muchos de ellos incumplen con el plazo pactado en sus pagos, esto puede traer consecuencias de diversos tipos hasta verse obligado a cerrar la empresa por la imposibilidad económica por parte de los clientes. Es importante mencionar que la morosidad no solo afecta al sector bancario sino también a distintos sectores como por ejemplo en el mercado de seguros de salud. La empresa Oncosalud se encarga de brindar seguros Oncológicos contando con un gran volumen de clientes que acuden a este servicio para su tratamiento correspondiente. Sin embargo, el departamento de cobranza identificó que muchos de los clientes asegurados están incumpliendo con sus pagos en la fecha pactada, de manera que se está generando alto índices de morosidad. Para esta problemática se desarrolló un modelo predictivo, utilizando la técnica minería de datos basado en árboles de decisión utilizando el algoritmo ID3 con el objetivo de facilitar la predicción del riesgo de morosidad al momento que se le haya vendido un seguro oncológico a un cliente, con el fin de aplicar estrategias anticipadas en el departamento de cobranza y tomar decisiones adecuadas con mayor grado certeza utilizando información histórica de los clientes. En este estudio se aplicó la metodología CRISP-DM (Cross Industry Standard Process for Data Mining) comprendida en sus 6 fases, por lo que se desarrolló paso a paso utilizando el software Weka tomando las variables que presentaron mayor relevancia en el estudio para el desarrollo del modelo. Finalmente, para mostrar los resultados y a su vez facilitar la predicción de morosidad de los clientes se desarrolló un sistema Web integrado con Weka desarrollado en JSP (Java Server Page).