Trabajo de grado - Maestría
Modelo predictivo de la probabilidad de aumento de los días de mora para usuarios de tarjeta de crédito
Fecha
2022-12-02Registro en:
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
Autor
Cifuentes Baquero, Natalia
Gutiérrez Murcia, Laura
Institución
Resumen
El propósito de este documento es presentar la implementación de modelos de Machine Learning, que permite al área de cobranzas de una empresa multilatina, generar una estrategia para mejorar los indicadores de cartera y la disminución de los montos de mora. La gestión de cobranzas es uno de los principales retos de las entidades que otorgan crédito, pues de esto depende mantener el costo de riesgo de crédito de acuerdo con la aversión al riesgo. Con el fin de maximizar la recuperación de la cartera y optimizar el uso de los recursos de cobranza las compañías usan modelos de predicción del deterioro de la mora de los consumidores, a lo largo de este trabajo se plantean 3 modelos de clasificación, para obtener la probabilidad que un usuario en mora incremente el tramo de mora actual al siguiente tramo, y con dicha propensión realizar una ponderación, considerando el monto de deuda que tiene cada uno de los clientes analizados. Los modelos Random Forest, XGBoost y Redes Neuronales son entrenados con la información resultante de la aplicación de tres métodos de selección de variables, con el fin de establecer cuáles de estas variables son más significativas en la clasificación de un cliente en mora. El modelo seleccionado para definir la estrategia de cobranza es aquel que presenta el mejor desempeño, de acuerdo con la capacidad predictiva y la sensibilidad para identificar correctamente los clientes que deterioran su estado de morosidad, en los meses evaluados. This document presents the development of a classification model that will allow the collection department of a multilatina company to create a strategy to improve debt scores and decrease overdue debt amounts. Collection management is one of the main challenges of credit entities, since maintaining the cost of credit risk in accordance with risk aversion depends on it. To maximize the recovery of overdue debt and optimize collection resources, companies use prediction models to identify the increase of customer overdue debt. This work proposes three classification models to determine the probability of non-payment of a customer in default in the next period. The resulting score is subsequently used to perform a further weighting that considers the amount of debt of each of the clients analyzed. The calibrated models in this paper are: Random Forest, XGBoost and Neural Networks. These models are provided with the data coming from three feature selection techniques to identify the more substantial features for the classification of a client in overdue debt. The model selected to define the collection strategy will be the one with the best performance, according to the accuracy and recall to correctly identify clients that increase the overdue debt status in the months assessed.