Sistema de modelos para la predicción de pago de cuotas anticipadas a préstamos / modelos de “mejor próxima oferta” en productos bancarios

Abstract

RESUMEN PRÁCTICA PROFESIONAL I

Uno de los problemas que afrontan las entidades financieras al otorgar créditos es el de la posibilidad de que el cliente cancele anticipadamente el préstamo que se le haya concedido, o que realice pagos anticipados. Por ello, como una forma de prevenir dicho problema, en este estudio se proponen diversos métodos que permiten ajustar modelos matemáticos útiles para estimar el riesgo de que se presenten esos casos. Además, se identifican aquellas variables que captan los sistemas de información de las entidades financieras y que se relacionan con los clientes a quienes se les señale esa práctica. Entre los modelos ajustados se tienen los modelos de supervivencia, para el caso de los clientes que efectúan la cancelación anticipada de sus préstamos, y los modelos de regresión logística para los que hacen pagos anticipados. Para estos últimos se obtuvieron tasas de clasificación correcta de hasta 89,4%. A la vez se identificaron grupos con un riesgo de cancelación y de pago anticipado altos, lo cual le permite a la entidad financiera saber cómo minimizar la cantidad de pagos o de cancelaciones anticipadas de las operaciones comerciales; o, en algunos escenarios, buscar cómo colocar el dinero en otras operaciones para de esta forma obtener un mejor rendimiento.

RESUMEN PRÁCTICA PROFESIONAL II

Las entidades bancarias, como cualquier negocio en la actualidad, tienen la necesidad de rentabilizar a sus clientes y una forma de lograrlo es mediante la venta cruzada de productos, la cual se puede optimizar a partir de modelos de recomendación, permitiendo a cada cliente priorizar el producto a recomendar, basado en la probabilidad de su aceptación. Este método puede aprovechar los momentos de contacto con clientes, para realizar una venta cruzada de los mismos. El estudio realizado busca establecer un sistema de recomendación de productos a clientes bancarios que permitan desarrollar un proceso de ventas eficiente en futuras implementaciones, con las que se busque mejorar la práctica de ventas cruzada en la entidad financiera que lo requiera. Para lograr esto se analizan diferentes aproximaciones, entre las que se considera una adaptación del modelo XGBoost y filtrados colaborativos basados en contenido e ítems mediante un caso de estudio en el ambiente bancario, tomando datos disponibles en línea de la página de Kaggle Inc (2021). Este caso considera productos pasivos, activos y otros servicios financieros que tradicionalmente se ofrecen en las entidades bancarias, además de una gamma de características del cliente bancario que se aprovechan para determinar similitudes entre ellos, lo que aporta a la recomendación. Se identifican tres métodos que pueden ser utilizados como sistema de recomendación, de los cuales el algoritmo propuesto en esta investigación, “Próxima mejor oferta” y “recommenderlab” de Hahsler (2021) ofrecen una solución atractiva para el caso específico de estudio.