Desarrollo de modelo analítico para anticipar el no pago de clientes con crédito de vehículo particular

Abstract

La gestión de cobranza se enfoca en los problemas de grupos de clientes que tienen en común algunas situaciones, pero después de la pandemia que comenzó en el año 2019 y los problemas económicos mundiales, se han generado nuevos escenarios que encendieron las alarmas de las entidades financieras. La entidad financiera en estudio se especializa en 3 productos que son Libranza Oficial, Educativo y Vehículos, aunque ofrecen otras líneas de crédito, son reconocidos en el mercado por su gran acogida con dichos productos, el que más genera preocupación es el de vehículos, ya que por su alta representación en saldo dispara los indicadores de cartera vencida. El objetivo de este estudio es desarrollar un modelo analítico que permita generar alertas de clientes que presentarán rodamiento en la cartera, especialmente a tramos mayores a 30 días o incluso 90, ya que esto genera un mayor aprovisionamiento por el riesgo de escalar a estado castigo. Actualmente la entidad financiera no cuenta con modelos de machine learning como apoyo para su gestión, así que inicialmente se desarrolló una solución al producto de vehículos particulares a través de la ejecución de 4 modelos de clasificación (XGBoost, Random Forest, KNN (Vecinos más cercanos) y Arboles de decisión) donde después de realizarse el respectivo estudio y validaciones se evidenció una mayor efectividad en el modelo XGBoost. Después de analizar todos los modelos aplicados, se pudo identificar que los clientes con menor probabilidad de pago son aquellos que tienen un alto valor de pago mínimo, con la variable "pago_mínimo" como uno de los factores más importantes. Esto se debe principalmente a las reestructuraciones o modificaciones en las condiciones del crédito y a la participación en el PAD (Programa de acompañamiento a deudores), que permite acceder a hasta cuatro meses al beneficio y aumenta las cuotas futuras.

The collection management focuses on the problems of groups of customers who have in common some situations, but after the pandemic that began in 2019 and the global economic problems, new scenarios have been generated that set off the alarms of financial institutions. The financial entity under study specializes in 3 products which are Libranza Oficial, Educational and Vehicles, although they offer other lines of credit, they are recognized in the market for their great reception with such products, the one that generates more concern is the vehicle one, since due to its high representation in balance it triggers the overdue portfolio indicators. The objective of this study is to develop an analytical model that allows to generate alerts of clients that will present portfolio bearing, especially in periods longer than 30 days or even 90 days, since this generates a higher provisioning due to the risk of escalating to write-off status. Currently the financial institution does not have machine learning models to support its management, so initially a solution was developed for the product of private vehicles through the execution of 4 classification models (XGBoost, Random Forest, KNN (Nearest Neighbors) and Decision Trees) where after the respective study and validations were carried out, a greater effectiveness was evidenced in the XGBoost model. After analyzing all the models applied, it was possible to identify that the customers with the lowest payment probability are those with a high minimum payment value, with the variable "minimum_payment" as one of the most important factors. This is mainly due to restructurings or modifications in the credit conditions and participation in the PAD (Programa de acompañamiento a deudores), which allows access to up to four months of the benefit and increases future installments.