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

Mostrar el registro sencillo de la publicación
dc.contributor.advisorMolina Muñoz, Jesús Enrique
dc.creatorGamba Sotelo, Ana Solanyi
dc.creator.degreeMagíster en Business Analytics
dc.creator.degreetypePart time
dc.date.accessioned2024-10-31T15:25:07Z
dc.date.available2024-10-31T15:25:07Z
dc.date.created2024-10-23
dc.descriptionEl 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.
dc.description.abstractCredit 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.
dc.format.extent89 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_44052
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/44052
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Administración
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnología
dc.publisher.programMaestría en Business Analytics
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationAltamar Perez, N. (16 de agosto de 2023). La cartera vencida en créditos de consumo subió 56,17% y llegó hasta $15,7 billones. La República. https://www.larepublica.co/finanzas/la-cartera-vencida-en-creditos-de-consumo-aumento-56-17-y-llego-a-15-7-billones-3681424
dc.source.bibliographicCitationBishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
dc.source.bibliographicCitationBreiman, L. (2001). Random Forests. Machine Learning, 45, 5-32 https://doi.org/10.1023/A:1010933404324.
dc.source.bibliographicCitationChandra, B., Gupta, M. y Gupta, M.P (2007). Robust Approach for Estimating Probabilities in Naive-Bayes Classifier. In International Conference on Pattern Recognition and Machine Intelligence (pp. 11-16).
dc.source.bibliographicCitationChiu, D. (2015). Machine Learning with R cookbook. Publishing ltda, Congreso de la República de Colombia. (10 de julio 2023). Ley 2300: por la cual se establecen medidas que protejan el derecho a la intimidad de los consumidores. Diario Oficial No. 52452.
dc.source.bibliographicCitationCramer, J. (2010). Logit Models from Economics and other Fields. Cambridge University Press. https://doi.org/10.1017/CBO9780511615412.
dc.source.bibliographicCitationDaza Sandoval, L.C. (2015). Estrategias basadas en el modelo de análisis predictivo árbol de decisión para la mejora del proceso de recaudo de cartera de la línea vehículo particular del banco Davivienda S.A. [Pontificia Universidad Javeriana]. https://repository.javeriana.edu.co/bitstream/handle/10554/16448/DazaSandovalLauraCarolina2015.pdf?sequence=3
dc.source.bibliographicCitationGhatak, A. (2017). Machine Learning with R. Springer Nature. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=213990.
dc.source.bibliographicCitationIBM. (17 de agosto del 2021). Guía de CRISP-DM de IBM SPSS Modeler. https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview
dc.source.bibliographicCitationIBM. (17 de agosto del 2021). Máquina de vectores de soporte de Oracle. https://www.ibm.com/docs/es/spss-modeler/saas?topic=mining-oracle-support-vector-machine-svm
dc.source.bibliographicCitationIBM. (22 de noviembre de 2021). SPSS Modeler Subscription. 74 https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-clustering-models
dc.source.bibliographicCitationLizares, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico. [Universidad Nacional Mayor de San Marcos]. https://unmsm.ent.sirsi.net/client/es_ES/all_libs/search/results?qu=Lizares&te=
dc.source.bibliographicCitationMartinez Zapata, D. (2016). Desarrollo y Validación de Modelo de Scoring de Admisión para Tarjetas de Crédito con metodología de Inferencia de Denegados [ Universidad Carlos III de Madrid]. https://documentacion.fundacionmapfre.org/documentacion/publico/pt/bib/158007.do
dc.source.bibliographicCitationMendez Anaya, W.A & Galvis Jurado, M.A. (2019). Modelo de cálculo de la Probabilidad de Recuperación de la Cartera Castigada en la Agencia de Financiera Comultrasan en San Gil [Universidad Autónoma de Bucaramanga]. https://repository.unab.edu.co/bitstream/handle/20.500.12749/14690/2019_Tesis_Galvis_Jurado_Mario_Alexander.pdf?sequence=1
dc.source.bibliographicCitationNieto, S. (2010). Crédito al consume: La estadística aplicada a un problema de riesgo crediticio. [Universidad Autónoma Metropolitana]. http://www.academia.edu/8454174/Proyecto_de_Tesis_Cr%C3%A9dito_al_Consumo _La_Estad%C3%ADstica_aplicada_a_un_problema_de_Riesgo_Crediticio
dc.source.bibliographicCitationMurphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press. Superintendencia Financiera de Colombia. (2021). Circular Externa 018 de 2021, Capítulo XXXI Sistema Integral de Administración de Riesgos SIAR. Parte I Generalidades. https://www.superfinanciera.gov.co/loader.php?lServicio=Tools2&lTipo=descargas&lFuncion=descargar&idFile=1055798
dc.source.bibliographicCitationSuperintendencia Financiera de Colombia. (2024). Sobre la protección de datos personales. https://www.sic.gov.co/content/sobre-la-protecci%C3%B3n-de-datos-personales#:~:text=Dato%20Privado%3A,indebido%20puede%20generar%20su%20discriminaci%C3%B3n.
dc.source.bibliographicCitationSuperintendencia Financiera de Colombia. (2023). Buscador de terminos. https://www.superfinanciera.gov.co/glosario/buscar/www.superfinanciera.gov.co?q=cartera
dc.source.bibliographicCitationTabladillo, M. (27 de febrero de 2024). The team data science process lifecycle. Learn Microsoft. https://learn.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle
dc.source.bibliographicCitationThe Circus (13 de marzo de 2023). Riesgo de crédito: qué son y cuales hay. The Circus. https://www.santanderconsumer.es/blog/post/riesgo-de-credito-o-crediticio-que-son-y-cuales-hay#:~:text=El%20riesgo%20de%20cr%C3%A9dito%20o,no%20recupere%20el%20dinero%20prestado.
dc.source.bibliographicCitationVillamil Bahamon, R. (2013). Modelo predictivo neuronal para la evaluación del riesgo de crédito. [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/bitstream/handle/unal/52246/08901050.2013.pdf?sequence=1&isAllowed=y
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectAnálisis de negocios
dc.subjectModelos estadísticos para la toma de decisiones
dc.subjectModelos de scoring
dc.subjectGestión de riesgo de crédito
dc.subject.keywordBusiness analysis
dc.subject.keywordStatistical models for decision-making
dc.subject.keywordScoring models
dc.subject.keywordCredit risk management
dc.titleDeterminar 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
dc.title.TranslatedTitleDetermine the feasibility of implementing a predictive model for credit recovery to reduce the overdue loan ratio in the management and recovery process of a financial institution
dc.typebachelorThesis
dc.type.documentTrabajo de grado
dc.type.spaTrabajo de grado
local.department.reportEscuela de Administración
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Determinar_la_viabilidad_de_implementar_un_modelo_predictivo_de_recuperacion_de_creditos_GambaSotelo-AnaSolanyi-2024.pdf
Tamaño:
1.66 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Business Analytics