Segmentación del Apetito de Riesgo en la Colocación de Créditos de Vivienda a través de Aprendizaje no supervisado (Clustering)

Abstract

El crédito hipotecario en Colombia es un instrumento esencial para la adquisición de vivienda, ofrecido en modalidades como préstamos en pesos, indexados a la UVR y esquemas de leasing habitacional, según el tipo de inmueble y las condiciones de financiación. Ante la desaceleración del sector de la construcción y la transformación del sistema financiero, las entidades han implementado estrategias innovadoras para conservar competitividad y ampliar su participación en el mercado. Propósito. El estudio analiza el apetito de riesgo de las entidades financieras colombianas en créditos hipotecarios mediante técnicas de machine learning no supervisado, que permiten identificar patrones de comportamiento más allá de la estadística tradicional . Metodología. El análisis se realizó con la metodología CRISPDM, implementada en Python mediante Jupyter Notebook, aplicando técnicas de machine learning no supervisado especialmente clustering sobre 266.375 registros de créditos hipotecarios con variables clave como monto, tasa de interés, plazo y tipo de entidad. Resultados. La aplicación de Mean Shift identificó seis clústeres en créditos de vivienda, evidenciando la relación entre montos, plazos y tasas de interés en el apetito de riesgo de las entidades financieras. Estos hallazgos muestran una marcada concentración de operaciones en los bancos y destacan el valor del clustering como herramienta para segmentar el mercado y orientar decisiones estratégicas en la oferta de productos financieros Conclusiones.El estudio confirmó la utilidad del machine learning no supervisado para identificar patrones en créditos hipotecarios, destacando la concentración bancaria y el valor del clustering para diseñar estrategias competitivas.