Desarrollo de un modelo credit scoring para predecir el comportamiento de pagos de los clientes del segmento microempresa

• Autor: Barreto Gamarra, Dante Ulises
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/6687
• Enlace del recurso: https://hdl.handle.net/20.500.12802/6687
• Nivel de acceso: acceso abierto
• Materia: Modelo scoring; modelo Logit; comportamiento de pagos de los clientes; https://purl.org/pe-repo/ocde/ford#2.11.02

El objetivo de esta investigación fue desarrollar un modelo credit scoring para predecir el comportamiento de pagos de los clientes del segmento Microempresa. Con respecto a su metodología, se utilizó una investigación explicativa, cuyo diseño utilizado fue no experimental de corte transversal. Por otro lado, la población de estudio compendió las 2000 solicitudes de crédito aprobadas de la microempresa de la agencia San Juan de Lurigancho de una financiera de setiembre de 2017 hasta agosto 2018. De mismo modo, se utilizó un modelo econométrico Logit para verificar la hipótesis. Finalmente, se empleó el análisis documental como principal técnica de recopilación de datos. Según los resultados del modelo econométrico Logit, se identificó el 2 de McFadden, o pseudo 2 (McFadden R-squared) es 0.3454, lo cual implica que las variaciones de la variable comportamiento de pagos de los clientes, es explicado por un 34.54% por las variables independientes. Así mismo, las variables que se incluyeron en el modelo Logit resultaron ser estadísticamente significativas, teniendo el signo esperado. De esta manera, los determinantes del comportamiento de pagos de los clientes son: La edad, género, número de hijos, número de integrantes por familia, experiencia en el negocio, ingreso y número de préstamos. Por último, se recomienda a la Agencia Financiera de San Juan de Lurigancho incorporar mayor número de variables en la toma de información de los clientes, para optimizar la predicción del modelo credit scoring.