Modelo Predictivo de Clasificación de Clientes morosos de la cartera de créditos de ProEmpresa

• Autores: Trujillo Anaya, Henry Frank, Calla Fernandez, Raul Beltran, Huaman Daga, Roberto Carlos, Medina Huaylinos, Lerni Jhoan
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/684964
• Enlace del recurso: http://hdl.handle.net/10757/684964
• Nivel de acceso: acceso abierto
• Materia: Modelos predictivos; Servicios financieros; Ciencia de datos; Enfoque ágil; CRISP-DM; Predictive models; Financial services; Data science; Agile approach; https://purl.org/pe-repo/ocde/ford#2.02.04

El siguiente trabajo de investigación tiene como objetivo elaborar la implementación de un modelo analítico que permita predecir los potenciales clientes morosos de la cartera de créditos de una empresa de servicios financieros. Actualmente las financieras que ofrecen créditos a personas naturales, negocios pequeños y/o a la pequeña y mediana empresa enfrentan incertidumbre sobre el pago de los préstamos otorgados, cada retraso o impago genera menos ingresos y sobrecostos en la gestión de la cobranza,, por ello se busca implementar herramientas y mecanismos que permitan identificar anticipadamente y generar planes de acción en el proceso de otorgamiento de crédito así como el seguimiento de estos clientes con tendencia al impago de sus préstamos. El modelo a implementar permitirá brindar soporte al equipo de evaluación de clientes con el fin de proveer mecanismos de toma de decisión durante la evaluación de préstamos y el seguimiento de la cartera de clientes, para lograr esto se propone el uso de un modelo jerárquico que permita identificar claramente a los clientes que no tendrán problema alguno con los pagos, los clientes que pagaran con retraso y los que clientes que definitivamente no podrán pagar. En este proyecto está considerado el uso de principios ágiles usando SCRUM, acompañado de la metodología CRISP-DM para la elaboración de proyectos de Ciencia de Datos, combinamos ambas con el fin de poder obtener entregables más tempranos los cuales puedan ser evaluados y retroalimentar las siguientes etapas de la implementación.