article
Diseño de un modelo de aprobación de crédito para reducir el nivel de riesgo crediticio en la línea de consumo de entidades financieras
Design of a credit approval model to reduce the level of credit risk in the consumer credit line of financial institutions
Autor
Arias Almanza, Jesús Andrés
Barrero Hernández, Daniel Eduardo
Molinares Benavides, María Alejandra
Institución
Resumen
La industria bancaria es un sector clave en la economía, que proporciona servicios financieros esenciales a individuos y empresas. Uno de los desafíos más significativos que enfrentan las entidades bancarias, es el manejo del riesgo crediticio, que hace referencia a la posibilidad de que los prestatarios incumplan con sus obligaciones de pago y que, potencialmente, impacta de manera sustancial la rentabilidad y estabilidad de las instituciones financieras. Además, la metodología actual carece de balance entre satisfacción del cliente y tiempo de respuesta, dando como resultado un proceso ineficiente. Este proyecto busca aprovechar las ventajas del Machine Learning al analizar datos históricos, como historial crediticio y comportamiento financiero del cliente, a fin de diseñar un modelo de aprobación de préstamos que facilite a las entidades tomar decisiones de otorgamiento de créditos. Esto permitirá una clasificación más precisa y eficiente de los clientes, mejorando la calidad de la cartera y optimizando la asignación de recursos financieros. Después de probar con datos de testeo, el modelo logró reducir el porcentaje de clientes que aprobaba erróneamente, por consiguiente, reduce el riesgo crediticio y le garantiza a la entidad bancaria una reducción de sus pérdidas y pot tanto, una mejora en su ventaja competitiva. The banking industry is a key sector in the economy, providing essential financial services to individuals and businesses. One of the most significant challenges facing banking institutions is the management of credit risk, which refers to the possibility of borrowers defaulting on their payment obligations and potentially substantially impacts the profitability and stability of financial institutions. In addition, the current methodology lacks a balance between customer satisfaction and response time, resulting in an inefficient process. This project seeks to take advantage of Machine Learning by analyzing historical data, such as credit history and customer financial behavior, in order to design a loan approval model that facilitates institutions to make credit granting decisions. This will allow a more accurate and efficient classification of customers, improving portfolio quality and optimizing the allocation of financial resources. After testing with test data, the model was able to reduce the percentage of clients that were approved erroneously, thus reducing credit risk and guaranteeing the bank a reduction in its losses and, therefore, an improvement in its competitive advantage.