Aplicación de técnicas de Machine Learning para predecir el número de ventas de créditos en el sector bancario

Aug 5, 2026

Subir por Finn

El trabajo propone un modelo predictivo para el área de telemarketing de un banco con técnicas de machine learning, orientado a estimar el número de ventas de créditos. El objetivo es agilizar la toma de decisiones sobre estrategias de venta y mejorar la planificación de recursos, reduciendo el costo de comercialización. Se emplean aprendizaje supervisado con k-NN y SVM, evaluando precisión antes y después de normalización. La mejor predicción corresponde a SVM tras la normalización.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas89

Tiempo de lectura2 h 17 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Capítulo I: Planteamiento del problema

Descripción de la Realidad Problemática

Justificación de la Investigación

Delimitación de la investigación

Capítulo II: Marco teórico

Antecedentes de la Investigación

Bases Teóricas

Método k-NN

Support vector machine (SVM)

UNIVERSIDAD ESAN FACULTAD DE INGENIERÍA INGENIERÍA INDUSTRIAL Y COMERCIAL Aplicación de técnicas de Machine Learning para predecir el número de ventas de créditos en el sector bancario Trabajo de Suficiencia Profesional presentado en satisfacción parcial de los requerimientos para obtener el título profesional de Ingeniero Industrial y Comercial AUTORES Rodriguez Villanueva Alvaro André Sánchez Adauto Egor Leonardo Valverde Rojo Lisset Milena ASESOR Fabian Arteaga, Junior John ORCID Nº 0000-0001-9804-7795 Marzo, 2023 RESULTADOS DEL INFORME DE SIMILITUD RESUMEN Una de las principales fuentes de ingreso del sector bancario es el otorgamiento decréditos. La captación de clientes frente a este producto depende de montos y tasas de interés atractivas. Uno de los canales de venta de los créditos es el telemarketing el cual proactivamente ofrece préstamos. El presente trabajo propone al área de telemarketing de un banco la elaboración de un modelo predictivo con técnicas de machine learning que permita conocer el número de ventas de crédito que se realizarán con el fin de agilizar la toma de decisiones frente a estrategias de venta y mejorar la planificación de recursos para optimizar el costo de venta. Para la construcción del modelo se utilizaron técnicas de aprendizaje supervisado de clasificación k-NN y SVM. En la primera simulación setuvo niveles de precisión de 61.68% y 68.41% respectivamente. Dada la dispersión de los datos se realizó la normalización la cual arrojó niveles de precisión de 91.12% para k-NNy 93.85% para SVM siendo este último la mejor técnica de predicción. Como futuros pasos se propone la utilización de otras técnicas de machine learning que permitan una comparación de resultados de predicción con los modelos elaborados en este trabajo. PALABRA CLAVE: Machine learning, Aprendizaje supervisado, Telemarketing, Créditos y Leads. ABSTRACT One of the main sources of income for the banking sector is the granting of loans. The attraction of customers to this product depends on attractive amounts and interest rates. One of the credit sales channels is telemarketing, which proactively offers loans. This paper proposes to the telemarketing area of a bank the development of a predictive model with machine learning techniques that allows to know the number of credit sales to be made in order to streamline decision making about sales strategies and improve resource planning to optimize the cost of sale. Supervised learning techniques of k-NN and SVM classification were used to build the model. The first simulation had accuracy levels of 61.68% and 68.41% respectively. Given the dispersion of the data, normalization was performed which yielded accuracy levels of 91.12% for k-NN and 93.85% for SVM, the latter being the best prediction technique. As future steps we propose the use of other machine learning techniques that allow a comparison of prediction results with the models developed in this work. KEYWORDS: Machine learning, Supervised learning, Telemarketing, Credits and Leads. ÍNDICE DE CONTENIDO INTRODUCCIÓN ............................................................................................................. 1 CAPÍTULO I: PLANTEAMIENTO DEL PROBLEMA..................................................3 1.1 Descripción de la Realidad Problemática .......................................................... 3 1.2 Justificación de la Investigación ............................................................................. 6 1.2.1. Justificación Teórica ....................................................................................... 6 1.2.2. Justificación Práctica ....................................................................................... 6 1.2.3. Justificación Metodológica ............................................................................. 7 1.3 Delimitación de la investigación........................................................

Preguntas frecuentes

Cuál es el propósito del modelo predictivo en el trabajo?

Permite conocer el número de ventas de créditos que se realizarán mediante técnicas de machine learning, para mejorar decisiones y planificación del área de telemarketing.

Qué técnicas de machine learning se utilizan para construir el modelo?

Se usan técnicas de aprendizaje supervisado de clasificación con k-NN y SVM.

Cómo influyó la normalización en el rendimiento del modelo?

Tras la normalización se elevaron los niveles de precisión, alcanzando 91.12% para k-NN y 93.85% para SVM, siendo SVM la mejor técnica de predicción.

Aug 5, 2026

Subir por Finn