Implementación de un modelo de riesgo de crédito para el otorgamiento y la renovación ágil de microcréditos para mipymes aplicando técnicas de machine learning
Loading...
Date
2023
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
El riesgo de crédito para las micro, pequeñas y medianas empresas (MiPymes) en Colombia representa un desafío significativo para las entidades financieras y las propias empresas, ya que un mal manejo de la concesión de créditos puede generar incumplimientos y pérdidas económicas considerables. En su mayoría, las instituciones financiadoras recurren a modelos de evaluación de riesgo basados en métodos tradicionales basados en la consulta en centrales de riesgo, en donde en gran proporción las MiPymes pueden no estar registradas o peor aún, estar mal calificadas por incumplimientos pasados o falta de historial crediticio, generándose así una autoexclusión de las MiPymes en el sistema financiero. La Fundación Santo Domingo (FSD) y su Dirección de Financiamiento y Desarrollo Empresarial, ofrecen servicios financieros y no financieros para apoyar el desarrollo empresarial y la creación de empleo en Colombia. Su objetivo principal es fomentar la inclusión financiera y el acceso al crédito para MiPymes en el país. Como alternativa a los modelos tradicionales de valoración del riesgo de crédito hoy en día son cada vez más utilizados aquellos que incorporan el procesamiento de los datos con técnicas de Machine Learning (ML), bajo este contexto, en el presente proyecto se presenta la implementación de un modelo de riesgo de crédito basado en técnicas de ML para la FSD, que le permita la concesión y renovación de microcréditos a MiPymes del departamento de Atlántico y Bolivar. Para lograr este objetivo, el proyecto incorpora la revisión del estado del arte relacionado con el problema, la caracterización y análisis de los datos históricos de préstamos, la limpieza y preparación de los datos, la selección de características relevantes, la reducción de la dimensionalidad y la implementación del algoritmo de ML para crear el modelo predictivo. Se espera que la implementación de este modelo permita a la FDS tomar decisiones de préstamo más precisas y efectivas, lo que a su vez puede aumentar la tasa de aprobación de préstamos y reducirá la tasa de incumplimiento de pagos.
Description
item.page.descriptioneng
The credit risk for micro, small, and medium-sized enterprises (MSMEs) in Colombia represents a significant challenge for financial institutions and the businesses themselves, as poor management of credit concessions can lead to defaults and substantial economic losses. Most funding institutions rely on risk assessment models based on traditional methods involving consultations with credit bureaus, where MSMEs are often either unregistered or, even worse, poorly rated due to past defaults or lack of credit history, resulting in self-exclusion of MSMEs from the financial system. The Santo Domingo Foundation (FSD) and its Financing and Business Development Directorate offer financial and non-financial services to support business development and job creation in Colombia. Their main objective is to promote financial inclusion and access to credit for MSMEs in the country. As an alternative to traditional credit risk assessment models, those incorporating data processing through Machine Learning (ML) techniques are increasingly being used. In this context, this project presents the implementation of a credit risk model based on ML techniques for FSD, aimed at granting and renewing microloans to MSMEs in the departments of Atlántico and Bolivar. To achieve this objective, the project includes a review of the state of the art related to the problem, the characterization and analysis of historical loan data, data cleaning and preparation, selection of relevant features, dimensionality reduction, and ML algorithm implementation to create the predictive model. It is expected that the implementation of this model will enable FSD to make more accurate and effective lending decisions, which in turn can increase loan approval rates and reduce payment default rates.
Keywords
Scoring de crédito, Microcrédito, Modelo de riesgo, Riesgo de crédito, Machine Learning