Predicción del riesgo crediticio en productos de factoring financiero utilizando modelos de aprendizaje automático

Abstract

La asignación eficiente de recursos financieros es un desafío global que impacta significativamente en todas las empresas. La incapacidad de las entidades crediticias para segmentar adecuadamente a sus clientes puede resultar en consecuencias adversas, como ofrecer condiciones de crédito menos favorables a los buenos pagadores. Este fenómeno se manifiesta en tasas de interés más altas o límites de crédito más bajos, con el objetivo de maximizar la rentabilidad de determinados segmentos de clientes. En este contexto, los datos relacionados con la facturación y las cobranzas de las empresas están emergiendo como recursos valiosos, cada vez más accesibles y aplicables para los proveedores financieros. La presente tesis se propone poner a prueba la hipótesis de que estos datos pueden emplearse eficazmente para mejorar la segmentación de clientes por parte de las instituciones financieras. Para alcanzar este objetivo, se emplean técnicas estadísticas avanzadas y de aprendizaje automático, incluyendo la ingeniería de atributos y análisis descriptivos univariados y multivariados. El problema de predicción se enmarca dentro de la naturaleza de la clasificación, con el objetivo de desarrollar un modelo predictivo robusto.