dc.contributor.advisor	Santana Contreras, Juan Camilo
dc.contributor.author	Rodriguez Avellaneda, Angelica Lucia
dc.creator.email	alrodrigueza01@libertadores.edu.co	spa
dc.date.accessioned	2019-09-17T22:37:19Z
dc.date.available	2019-09-17T22:37:19Z
dc.date.created	2018
dc.description	En el presente trabajo se expone la construcción de un modelo Scoring para determinar la probabilidad de pago del cliente cuando se encuentra en mora, enfocado al sector micro crediticio, buscando una herramienta con la cual se pueda gestionar la cartera de una manera eficiente, reduciendo los costos e incrementando el nivel de recuperación. A fin de cumplir este objetivo se cuenta con una base de 6 meses (abril- septiembre del 2018), con la cual se generan 4 modelos diferentes, los cuales son: regresión logística, regresión probit, árboles de decisión y redes neuronales. Se compara el porcentaje de error en cada uno de ellos, dando como resultado que el porcentaje menor el generado por medio de árboles de decisión con un 11.3 %, dicho modelo refleja un ajuste adecuado, mostrando un nivel de predictibilidad acertado. En cuanto a los modelos restantes ninguno cuenta con un porcentaje mayor al 12.5 %. Por lo cual por medio de la regresión logística se determina que la garantía, el género y la mora al momento de evaluación son las variables con mayor incidencia en el no pago de los clientes.	spa
dc.description.abstract	In the present work the construction of a Scoring model is exposed to determine the probability of payment of the client when it is in default, focused on the sector micro credit, looking for a tool with which the portfolio of in an efficient way, reducing costs and increasing the level of recovery. Finally If this objective is met, there is a 6-month base (April-September 2018), with which 4 different models are generated, which are: logistic regression, regression probit, decision trees and neural networks. The percentage of error in each one of them, resulting in the lower percentage generated by decision trees with 11.3%, said model reflects an adequate adjustment, showing a Successful predictability level. As for the remaining models, none have a percentage greater than 12.5%. Therefore, through logistic regression, it is determined that the guarantee, gender and default at the time of evaluation are the variables with the highest impact on non-payment of customers.	spa
dc.format	PDF	spa
dc.identifier.uri	http://hdl.handle.net/11371/2082
dc.language.iso	spa	spa
dc.publisher	Fundación Universitaria Los Libertadores. Sede Bogotá.	spa
dc.rights.acceso	Abierto (Texto Completo)	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.subject.lemb	Análisis de regresión	spa
dc.subject.lemb	Estadística matemática	spa
dc.subject.lemb	Sistemas de crédito - Procesamiento de datos	spa
dc.subject.lemb	Probabilidades	spa
dc.subject.lemb	Prestamos bancarios - Procesamiento de datos - Colombia - Siglo XXI	spa
dc.subject.lemb	Econometría	spa
dc.subject.proposal	Probabilidad de pago	spa
dc.subject.proposal	Arboles de decisión	spa
dc.subject.proposal	Microcrédito	spa
dc.subject.proposal	Estadística aplicada	spa
dc.subject.proposal	Modelo scoring	spa
dc.title	Modelo scoring para recuperar cartera de microcrédito	spa
dc.type	info:eu-repo/semantics/bachelorThesis	spa

Modelo scoring para recuperar cartera de microcrédito

Archivos

Bloque original

Bloque de licencias

Colecciones