Mostrar el registro sencillo del ítem
Modelo predictivo para detectar el incumplimiento de los pagos de una franquicia de tarjetas de crédito
dc.contributor.advisor | Díaz Benito, César Orlando | |
dc.contributor.author | Zárate Forero, Diana Patricia | |
dc.contributor.author | Bejarano Rojas, Heymar Andrés | |
dc.date.accessioned | 2023-04-11T14:00:12Z | |
dc.date.available | 2023-04-11T14:00:12Z | |
dc.date.issued | 2023 | |
dc.identifier.uri | https://repositorio.ecci.edu.co/handle/001/3394 | |
dc.description.abstract | Uno de los riesgos que frecuentemente tienen los bancos es el incumplimiento de los pagos de los productos financieros, especialmente, el pago de la tarjeta de crédito. Muchos de los bancos usan estrategias comerciales para concientizar a los clientes al buen uso de la tarjeta de crédito, pero muchos clientes por mal uso en las finanzas se atrasan en los pagos generando incumplimiento afectando la vida crediticia. En consecuencia, los bancos han adquirido nuevas tecnologías para predecir el incumplimiento de pagos y reducir el riesgo de recuperación de la inversión. En este artículo, se va a tomar un conjunto de datos de American Express para realizar una analítica descriptiva y analítica predictiva con mínimo 6 modelos de predicción e identificar cuál es el adecuado o recomendado para usar y predecir el tiempo de incumplimiento de un cliente según la estructura de los datos. | spa |
dc.description.abstract | One of the frequent risks that banks face is the non-payment of financial products, especially credit card payments. Most banks use commercial strategies to make customers aware of the proper use of credit cards, but many customers, due to financial misuse, fall behind in their payments and enter default, affecting their credit life. Consequently, banks have acquired new technologies to predict payment defaults and reduce the risk of investment recovery. In this article, we are going to take a dataset from American Express to perform descriptive analytics and predictive analytics with at least 6 predictive models and identify which one is suitable or recommended to use to predict the default time of a customer according to the structure of the data. | eng |
dc.description.tableofcontents | Introducción 8 1. Problema de investigación 13 1.1. Descripción del problema 13 1.2. Formulación del problema 13 2. Objetivos 13 2.1. Objetivo general 13 2.2. Objetivos específicos 14 3. Justificación y delimitación 14 3.1. Justificación 14 3.2. Delimitación 15 3.3. Limitaciones 15 4. Marcos de referencia 16 4.1. Estado del arte 16 4.2. Marco teórico 20 4.3. Marco legal 27 5. Marco metodológico de la investigación 28 6. Desarrollo 29 6.1. Entendimiento de los datos 30 6.2.1. Conjunto de datos 32 6.2.2. Diccionario de datos 37 6.2. Analítica descriptiva 38 6.3. Analítica predictiva 65 7. Resultados 73 8. Conclusiones 74 9. Recomendaciones 75 Bibliografía 76 Anexo 1 78 | spa |
dc.format.extent | 91 p. | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Universidad ECCI | spa |
dc.rights | Derechos Reservados - Universidad ECCI, 2023 | spa |
dc.title | Modelo predictivo para detectar el incumplimiento de los pagos de una franquicia de tarjetas de crédito | spa |
dc.type | Trabajo de grado - Maestría | spa |
dc.publisher.place | Colombia | spa |
dc.relation.references | Angarita, J., & Marín, R. (2019). Modelo de predicción de incumplimiento de pago en sector de microfinanzas. Universidad de los Andes. | spa |
dc.relation.references | Camargo, A., John, G., Hernández Páez, A., Felipe González Cantor, W., Correa Bahsen, A., Sánchez, S. J., & Bogotá, O. (2020). Sistema de detección de fraude en la operación de Rappi basado en grafos y algoritmos de machine learning [Universidad de Los Andes]. https://repositorio.uniandes.edu.co/handle/1992/51030 | spa |
dc.relation.references | Campos Cortesía, Z. C. (2020). Pronóstico del cumplimiento de pago de los clientes usando aprendizaje automático. Universidad Nacional de Colombia. | spa |
dc.relation.references | Castro, D. A. (2021). Así se aplica el ‘machine learning’ para estimar el riesgo de incumplimiento en el sector bancario. Universidad Autónoma de Occidente. https://www.uao.edu.co/ciencias-basicas-y-ambientales/asi-se-aplica-el-machine-learning-para-estimar-el-riesgo-de-incumplimiento-en-el-sector-bancario/ | spa |
dc.relation.references | Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 13-17-August-2016, 785–794. https://doi.org/10.1145/2939672.2939785 | spa |
dc.relation.references | Chuqui, P., & Cecilia, M. (2019). Comparativa de técnicas Machine Learning sobre comportamiento de pago de clientes con cuentas por cobrar. 91. https://reunir.unir.net/handle/123456789/9734 | spa |
dc.relation.references | Frutos Serrano, S. (2022). Comparación entre XGBoost y Regresión Lineal Múltiple para la predicción de la evolución del precio de las acciones. | spa |
dc.relation.references | Giraldo Ossa, W., & Jaramillo Marín, V. (2021). Machine Learning para la estimación del riesgo de crédito en una cartera de consumo. https://repository.eafit.edu.co/handle/10784/29589 | spa |
dc.relation.references | IBM. (2022, September 13). Regresión Logística - Documentación de IBM. https://www.ibm.com/docs/es/spss-statistics/saas?topic=regression-logistic | spa |
dc.relation.references | Khoirunissa, H. A., Rizky Widyaningrum, A., Priliya, A., & Maharani, A. (2021). Comparison of Random Forest, Logistic Regression, and Multilayer Perceptron Methods on Classification of Bank Customer Account Closure. Indonesian Journal of Applied Statistics. | spa |
dc.relation.references | Malins, A. (2022, January 25). Machine Learning And Artificial Intelligence: Implementation In Practice. https://www.forbes.com/sites/forbestechcouncil/2022/01/25/machine-learning-and-artificial-intelligence-implementation-in-practice/?sh=44b924c15c89 | spa |
dc.relation.references | Martín Mayorga, R. A., & Piñeros Sánchez, L. F. (2019). Propuesta de un Modelo con Redes Neuronales y Metodología Box & Jenkins para el Pronóstico del Precio de Bolsa de la Energía en Colombia. | spa |
dc.relation.references | McKinsey Analytics. (2021). The State of AI in 2021. McKinsey Digital, December, 1–14. https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/global-survey-the-state-of-ai-in-2021 | spa |
dc.relation.references | Peredo, J. S. (2022). La reinvención financiera en la era digital. https://www.uclm.es/-/media/Files/C01-Centros/cief/pdfs-publicaciones/07-Derecho-financiero.ashx | spa |
dc.relation.references | Pérez-Pareja, F. J., García-Pazo, P., Jiménez, R., Escalas, T., Gervilla, E., Pérez-Pareja, F. J., García-Pazo, P., Jiménez, R., Escalas, T., & Gervilla, E. (2020). Dejar de fumar, terapia cognitivo-conductual y perfiles diferenciales con árboles de decisión. Clínica y Salud, 31(3), 137–145. https://doi.org/10.5093/CLYSA2020A12 | spa |
dc.relation.references | Republica, B. de La. (2021). Reporte de Sistemas de Pago Electrónico 2021. | spa |
dc.relation.references | Republica, B. de La. (2022). Reporte de la infraestructura financiera 2022. | spa |
dc.relation.references | Urrego, M. (2021). Transformación Digital de la Banca: Modelo basado en Machine Learning para la clasificación de transacciones bancarias realizadas a través de PSE. https://dspace.tdea.edu.co/handle/tdea/1953 | spa |
dc.relation.references | Visbal Cadavid, D., Mendoza Mendoza, A., & Orjuela Pedraza, S. J. (2016). Predicción de la eficiencia de las instituciones de educación superior colombianas con análisis envolvente de datos y minería de datos. In Revista científica Pensamiento y Gestión: Vol. NA (Issue 41). https://doi.org/10.14482/pege.41.9704 | spa |
dc.relation.references | Wagner, W. P. (2017). Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies. Expert Systems with Applications, 76, 85–96. https://doi.org/10.1016/J.ESWA.2017.01.028 | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.proposal | Machine learning | spa |
dc.subject.proposal | Predicción de pagos | spa |
dc.subject.proposal | Incumplimiento de pagos | spa |
dc.subject.proposal | Tarjetas de crédito | spa |
dc.subject.proposal | Bancos | spa |
dc.subject.proposal | Machine learning | eng |
dc.subject.proposal | Payment prediction | eng |
dc.subject.proposal | Payment default | eng |
dc.subject.proposal | Credit cards | eng |
dc.subject.proposal | Banks | eng |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/masterThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TM | spa |
dc.type.version | info:eu-repo/semantics/updatedVersion | spa |
dc.description.degreelevel | Maestría | spa |
dc.description.degreename | Magíster en Gerencia de Tecnólogos de la Información y Comunicación TIC | spa |
dc.description.program | Maestría en Gerencia de Tecnologías de la Información y Comunicación TIC | spa |
dc.publisher.faculty | Posgrados | spa |
dc.type.coarversion | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
EAA. Tesis [9]