Ítem
Acceso Abierto
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera
Título de la revista
Autores
Gamba Sotelo, Ana Solanyi
Archivos
Fecha
2024-10-23
Directores
Molina Muñoz, Jesús Enrique
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
El riesgo de crédito se entiende como la posibilidad de que una entidad financiera incurra en pérdidas y disminuya el valor de sus activos como consecuencia de que un deudor o contraparte incumpla sus obligaciones. (Superintendencia de Industria y Comercio, 2023), Poder acercarse o poder predecir esta probabilidad puede llegar a ser un factor distintivo en una etapa del ciclo del crédito como: la gestión de recuperación de cartera. Por lo anterior este proyecto empresarial tiene como objetivo principal determinar la viabilidad de implementar herramientas de BA para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera de exempleados en la EFoe, a través de diferentes herramientas de BA como son, inteligencia de negocios, visualización de datos, gestión ágil de proyectos, ética y seguridad de datos, modelos estadísticos para la toma de decisiones, modelos de scoring, analytics life cycle management, gobernanza de sistemas de información y análisis de riesgos. A su vez este proyecto de BA implica etapas fundamentales como el entendimiento del negocio, entendimiento y preparación de los datos, modelado, evaluación y despliegue. Se realizará un modelo de scoring para recuperación de créditos a partir de la metodología logit, regresión logística y otros de machine learning, para determinar qué tan viable resulta para la organización, impulsando la eficiencia operativa y obteniendo una ventaja competitiva en un entorno empresarial en constante evolución, a su vez busca obtener información precisa sobre las posibilidades de incumplimiento y tomar decisiones asertivas alineadas con la estrategia empresarial, esto con el fin de conducir a la EFoe a mantener un indicador de calidad de cartera alineado al sector, para evitar o reducir el incumplimiento en el pago de los créditos aprobados y plantear estrategias para gestionar de manera diferencial a los deudores, fundamentadas en la recopilación, procesamiento y análisis de datos.
Abstract
Credit risk is understood as the possibility that a financial entity may incur losses and decrease the value of its assets as a result of a debtor or counterparty failing to fulfill their obligations (Superintendencia de Industria y Comercio, 2023). Being able to approach or predict this probability can become a distinctive factor in a stage of the credit cycle such as portfolio recovery management. Therefore, this business project aims primarily to determine the feasibility of implementing BA tools to reduce the delinquency rate in the management and recovery process of former employees portfolios at EFoe, through various BA tools such as business intelligence, data visualization, agile project management, ethics and data security, statistical models for decision-making, scoring models, analytics life cycle management, information systems governance, and risk analysis. Moreover, this BA project involves key stages such as understanding the business, data understanding and preparation, modeling, evaluation, and deployment. A scoring model will be developed for credit recovery using methodologies like logit, logistic regression, and other machine learning techniques, to assess the organization's viability, enhance operational efficiency, and gain a competitive advantage in a continually evolving business environment. It also aims to obtain precise information on default probabilities and make assertive decisions aligned with the business strategy, with the goal of guiding EFoe to maintain a portfolio quality indicator aligned with the sector, to prevent or reduce default on approved credits and propose differential strategies for managing debtors, based on data collection, processing, and analysis.
Palabras clave
Análisis de negocios , Modelos estadísticos para la toma de decisiones , Modelos de scoring , Gestión de riesgo de crédito
Keywords
Business analysis , Statistical models for decision-making , Scoring models , Credit risk management
