Modelo de predicción de Machine Learning para identificar crédito moroso en la solicitud de crédito agrícola en microfinanzas

• Autor: Soto Alvarez, Eladio Alfredo
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/25433
• Enlace del recurso: https://hdl.handle.net/20.500.12672/25433
• Nivel de acceso: acceso abierto
• Materia: Crédito agrícola - Perú; Predicciones; Machine Learning; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#5.02.01

La gestión de la cartera crediticia agrícola presenta un problema de alta morosidad que es un común denominador en muchas entidades de microfinanzas, asimismo es conocido que los costos operativos de evaluación son engorrosos y muy elevados, esto hace que los pequeños agricultores incumplan sus pagos de créditos agrícola, y en muchos casos el alejamiento de las entidades financieras haciendo muy difícil la inclusión financiera del sector rural. El propósito de esta investigación radica en enfocar su estudio en la implementación de un modelo de predicción de Aprendizaje Automático con el fin de identificar de manera eficaz la Morosidad Crediticia en las solicitudes de Crédito Agrícola en el contexto de las microfinanzas; previamente se presentaron 5 modelos predictivos que fueron entrenados con los datos históricos del banco de microfinanzas Access Bank de Zambia y posteriormente validados para determinar y seleccionar al mejor modelo en función de los resultados. Se aplicaron los modelos de Árboles de decisión, Bosque Aleatorio, Redes Neuronales, Regresión logística y SVM (Máquinas de vectores soporte). Con el software de análisis predictivo IBM SPSS Modeler los datos del banco Access Bank de Zambia y cada uno de los modelos predictivos fueron procesados, entrenados y validados. El mejor modelo seleccionado en base al porcentaje de predicciones correctas y erróneas fue el de Regresión Logística con un 80.61% de predicciones correctas y un 19.39% de predicciones incorrectas, además de obtener beneficios en la reducción de Cartera Morosa y la eficiencia respecto al tiempo y costo en la evaluación de la solicitud de crédito Agrícola en Microfinanzas.