Predicción del riesgo de mora crediticia mediante el uso de algoritmos de machine learning en una entidad financiera

• Autor: Zapata Maravi, Rolando Roger
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/9490
• Enlace del recurso: https://hdl.handle.net/20.500.14138/9490
• Nivel de acceso: acceso embargado
• Materia: Instituciones financieras; Análisis del crédito; Aprendizaje automático (Inteligencia artificial); https://purl.org/pe-repo/ocde/ford#1.02.00

El sector financiero presenta una preocupación constante por temas relacionados a morosidad, esto propicia la búsqueda de soluciones pertinentes y personalizadas para anticipar de la forma más eficiente posible el riesgo crediticio. El presente proyecto de investigación tiene como objetivo aplicar algoritmos de machine learning para reducir el riesgo de mora crediticia en una entidad financiera joven en el sector, aunque la investigación se desarrolló con los datos de la agencia principal, que es la más antigua, se podría replicar para las demás agencias y para la nueva infraestructura tecnológica que actualmente utilizan. Al tratarse de una investigación basada en machine learning, se tuvo que aplicar una serie de algoritmos para determinar cuál de ellos es la mejor opción, para este propósito se generaron indicadores que ayuden a tomar una decisión basada en un fundamento numérico medible, además, se utilizó CRISP-DM como metodología para el seguimiento y control del proyecto. El proyecto muestra como a partir de una base de datos digital implementada en SQL Server se aplican técnicas relacionadas a análisis exploratorio de datos, limpieza y transformación, para luego aplicar y evaluar diferentes algoritmos supervisados y así crear un modelo predictivo acorde a las necesidades solicitadas. El modelo final logró una precisión del 73%, una exhaustividad del 61% y un área bajo la curva ROC del 85%, lo cual evidencia su capacidad para distinguir con eficacia entre créditos propensos y no propensos a generar mora, estos resultados evidencian que se logró aplicar algoritmos de machine learning seleccionando el más adecuado para detectar de manera anticipada el riesgo de mora crediticia, propiciando así una reducción del tiempo y costo de análisis de créditos para detectar posibles incumplimientos de pago, de esa manera se genera un ecosistema de trabajo más eficiente. Este estudio no solo ilustra el uso de herramientas tecnológicas para mejorar la toma de decisiones a nivel crediticio, sino que también exhibe el valor del machine learning como aliado importante en la gestión del riesgo crediticio, más aún en empresas jóvenes. Los resultados obtenidos invitan al lector a explorar con mayor detalle cómo las tecnologías relacionadas a inteligencia artificial pueden transformar procesos y generar nuevas posibilidades