Reducción de la mora en los créditos de las socias en una cooperativa de ahorro y crédito en Arequipa 2022 mediante la implementación de un modelo de machine learning

• Autor: Villanueva Acosta, Danylo Renato
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/18251
• Enlace del recurso: https://hdl.handle.net/20.500.12773/18251
• Nivel de acceso: acceso abierto
• Materia: Cooperativa de Ahorro y Crédito; Crédito Grupal; Machine Learning.; https://purl.org/pe-repo/ocde/ford#2.11.04

La presente investigación titulada Reducción de la mora en los créditos de las socias de una cooperativa de ahorro y crédito de Arequipa mediante la implementación de un modelo de Machine Learning, se elaboró en base a la problemática del aumento de morosidad en el transcurso de las actividades financieras dentro de la organización llegando a niveles alarmantes de hasta un máximo de 10.36%. El presente estudio busca disminuir la mora en base a la elección y desarrollo de un modelo de Machine Learning, el cual permitirá identificar y evitar que se desembolse a los posibles grupos morosos. Para ello se realizó el levantamiento de información bibliográfica, para así tener las bases teóricas para el análisis descriptivo de la cooperativa y para realizar la evaluación de los algoritmos elegidos. En el diagnóstico situacional de la cooperativa, se encontró problemáticas en la realización de los procesos crediticios y en la selección de personal calificado para los puestos de trabajo, es por ello que, la implementación de la herramienta de Machine Learning facilitara el proceso de selección de grupos para el analista de crédito grupal. Establecido el problema, se evaluó 4 diferentes modelos para identificar el que mejor se adecua a la información y que detecte adecuadamente los posibles grupos morosos, de entre ellos el mejor algoritmo fue el de Support Vector Machine alcanzando valores en la Precisión del 93.2%, un F1 score del 91.2% y una Especificidad del 67.9%. Finalmente se realizó la evaluación de resultados del algoritmo obteniendo que el porcentaje de la mora disminuye en 2.75%, lo cual representa monetariamente un total de S/. 453,056 y, adicionalmente, se aumentó la rentabilidad sobre la inversión en 0.89% evidenciando los beneficios de la implementación.