| dc.description.abstract | Una tendencia a nivel mundial en el sector financiero y que también se está dando en Chile, es la utilización de diversas técnicas que permiten sacar provecho al creciente volumen de información que día a día están acumulando las empresas.
En este paper, buscamos aplicar específicamente, técnicas de machine learning para desarrollar un modelo que permita predecir si un cliente tomará o no un crédito de consumo durante los próximos tres meses. La base de clientes trabajada fue un desarrollo conjunto con una cooperativa de ahorro y crédito del sector financiero, con presencia a nivel nacional, con quienes se construyó un dataset
de 265.332 clientes de un periodo de 20 meses, donde identificamos diferentes variables y evaluamos cómo estas inciden en el comportamiento crediticio de cada persona. Entre las variables de mayor importancia aparecen el nivel de ingresos de cada cliente y sus niveles de endeudamiento. El segmento de mayores ingresos duplica su nivel de endeudamiento promedio por cliente con respecto al segundo segmento de mayor ingreso. Otra variable de importancia es la que permite discriminar entre empresas del sector público y del sector privado, donde detectamos diferencias al momento en que un cliente toma un crédito.
Con la aplicación del algoritmo de clasificación seleccionado, pudimos discriminar con una probabilidad de hasta un 90% entre clientes que toman y no toman un crédito de consumo. Los resultados que obtuvimos se explican principalmente por las diferentes aperturas hechas al modelo, junto con los ajustes de hiperparámetros aplicados, lo cual nos permitió escalar la precisión en cada una de las iteraciones del modelo desarrollado. | |
