Modelo Analítico Pago de Cartera

RESUMEN : Las entidades financieras privadas, microfinancieras, los fondos públicos, las cooperativas y aseguradoras de servicios brindan constantemente facilidades de otorgamiento de créditos y servicios a una población variada con la finalidad de atraer más clientes. Estas entidades dependen en gran parte del recaudo recibido en contraprestación de los créditos con lo cual incrementa sus utilidades y con ello aumentar las inversiones en diferentes sectores. En un caso particular de los fondos públicos, existe FINAGRO como la entidad financiera de desarrollo para el sector agropecuario y rural colombiano que otorga recursos a través de los intermediarios financieros (bancos, cooperativas e intermediarios microfinancieras) para que estos a su vez asignen créditos a los empresarios del campo en apoyo al desarrollo de proyectos productivos. Pero surge la pregunta, ¿qué tanto de estos recursos públicos otorgados por el gobierno por medio de FINAGRO cumplen el ciclo completo?, entendiendo al ciclo como el proceso que contempla las etapas de estudio, asignación, desembolso y retorno (pago de cuotas); con lo cual se asegurar que la inversión tenga un retorno positivo para las entidades y por ende para el gobierno. Para lograr mitigar el riesgo de generar créditos que de alguna forma u otra no retornan la inversión y permitan aumentar el recurso disponible, las entidades financieras han implementado modelos clasificatorios predictivos que ayuden en este objetivo. Tomando los datos publicados por FINAGRO en el año 2021 y con la realización de una fase inicial de exploración, se encuentra un dataset con buena calidad de información para trabajar. Ya en una fase de ejecución de los modelos de clasificación, se buscaron las métricas necesarias y suficientes para corroborar cuál de los modelos seleccionados para el estudio, lograba cumplir con el comportamiento esperado. Dichas métricas cambiaron durante las diferentes interacciones, dado que era necesario que se pudieran aplicar de una forma equitativa para los modelos que se encontraban en comparación. Finalmente dados los resultados obtenidos por medio de las métricas de accuracy, balanced accuracy y matriz de confusión, se toman los modelos de DecisionTreeClassifier y KNeighborsClassifier, como los de mejor desempeño para el estudio académico que se efectuó.

• Autores: Rojas Gomez, Jorge Eliecer
• Tipo de recurso: Tesis
• Fecha de publicación: 2022
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/28609
• Acceso en línea: http://hdl.handle.net/10495/28609
• Palabra clave: Machine learning; Aprendizaje automático (inteligencia artificial); Análisis de regresión logística; Logistic regression analysis; Clasificación; Classification; Técnicas de predicción; Forecasting; Instituciones financieras; Financial institutions; Crédito; Credit; Crédito agrícola; Agricultural credit; Análisis de datos; Data analysis; http://aims.fao.org/aos/agrovoc/c_1653; http://aims.fao.org/aos/agrovoc/c_3041; http://aims.fao.org/aos/agrovoc/c_2902; http://aims.fao.org/aos/agrovoc/c_1954; http://aims.fao.org/aos/agrovoc/c_8670; http://aims.fao.org/aos/agrovoc/c_15962
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/2.5/co/