[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122417-es":3,"doc-seo-122417-110":31,"detail-sidebar-cat-0-es-110":93},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122417,2336475104957,"Seraphina","https://ap-avatar.wpscdn.com/avatar/22000c4c6bd8a5076e1?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786593998035447633",41,"Investigación e Informes","Optimización del Riesgo Crediticio - Predicción de Morosidad a través de Machine Learning","Proyecto de investigación enfocado en construir modelos para predecir clientes morosos mediante técnicas de aprendizaje automático, con el fin de que las entidades financieras reduzcan el riesgo de impago. La mora genera pérdidas relevantes y en el caso de estudio la recaudación mensual estimada cae de 8.000 a 5.000 millones COP. Se emplean datos históricos financieros y personales para identificar variables asociadas al incumplimiento. Se evaluarán modelos como árboles de decisión y redes neuronales con métricas de precisión y sensibilidad, entre otras.","Optimización del Riesgo Crediticio: Predicción de Morosidad a través de Machine  \nLearning  \nLuis Carlos Guerrero Bernal1  \nJosé John Fredy González Veloza1  \n1Fundación Universitaria Los Libertadores  \nResumen  \nEl objetivo de este proyecto de investigación es crear modelos de predicción de clientes morosos utilizando técnicas de aprendizaje automático para que las entidades financieras tengan la capacidad de reducir el riesgo de morosidad. Los préstamos morosos planteanun grave problema para el sector financiero , ya que pueden provocar pérdidas considerables. En el caso de la empresa de estudio , se observa que solo se está recaudando aproximadamente el 62% del total esperado de las cuotas mensuales. De los 8.000 millones de pesos COP que se proyecta recaudar cada mes, únicamente se estánrecibiendo 5.000 millones de pesos COP. Se recopilarán y procesarán datos históricos delos clientes, tanto financieros como personales, con el fin de conocer los factores másimportantes con respecto al incumplimiento. Existen varias técnicas de aprendizajeautomático, como árboles de decisión y redes neuronales, se realizarán y se evaluará sueficacia en función de medidas de precisión y sensibilidad, entre otras medidas.  \n1. Introducción  \nEl incumplimiento de pagos representa un desafío crítico para las entidades financieras, ya que puede generarpérdidas significativas y amenazar tanto laestabilidad económica como la rentabilidadde las organizaciones. Un ejemplo claro de esta problemática fue la crisis financiera de 2008, donde la mora en los créditoshipotecarios desempeñó un papel central en el colapso de numerosas instituciones financieras. El incremento masivo de  \nimpagos en ese periodo desató una cadena de quiebras y desestabilizó los mercados globales, resaltando la importancia de gestionar adecuadamenteel riesgo crediticio para evitar consecuencias desastrosas. (Flujos de capital, la crisis financiera internacional y los desbalances macroeconómicos.  \n[https://www.banrep.gov.co/es/node/27989](https://www.banrep.gov.co/es/node/27989))  \nEn el contexto económico actual, marcado por la volatilidad en los mercados financieros y los efectos de las crisis recientes como la pandemia de COVID-19 y la inflación global, la capacidad de anticipar el incumplimiento de pagos se ha  \nvuelto esencial para la sostenibilidad delas instituciones financieras. Los eventos recientes han demostrado que prever y mitigar estos riesgos no solo protege larentabilidad de las entidades, sino que también contribuye a la estabilidadeconómica en general.  \nActualmente, en la empresa de estudio nose implementa ningún modelo depredicción para identificar clientes morosos. El proceso se limita a la consulta en centrales de riesgos crediticios y a lavalidación de ingresos y egresos mensuales del cliente para evaluar su solvencia. Sin embargo, estas medidas preventivas resultan insuficientes para predecir de manera efectiva si un cliente incurrirá en morosidad, ya que no permitenanticipar comportamientos futuros ni  \nconsiderar factores más complejos que puedan influir en el riesgo de impago.  \nEl propósito de este proyecto es predecir el incumplimiento de clientes en los productos financieros ofrecidos. Esto permitirá a las instituciones financieras anticipar y reducir el riesgo asociado con la falta de pago, logrando anticiparse aincurrir perdidas para la compañía a corto mediano y largo plazo. Se utilizarán datos históricos de clientes los cuales son procesados y analizados a lo largo de lametodología descrita en detalle másadelante. Estos datos abarcan informaciónfinanciera, comportamental y demográfica para identificar las variables mássignificativas que explican elincumplimiento.  \n2. Metodología  \nEn este capítulo se presentará un análisis detallado de los resultadosobtenidos a partir del modelo de machine learning seleccionado, complementado con un análisis descriptivo de los datos. El enfoque principal será la clasificación de los clientes, con el fin de eval","cbCaijnvwQUuoJuZ","https://ap.wps.com/l/cbCaijnvwQUuoJuZ","pdf",779243,5,1,8,"Spanish","es",110,"# Resumen\n# Introducción\n# Metodología\n## Datos - descripción y tratamiento de los datos","[{\"question\":\"Cuál es el objetivo del proyecto de investigación?\",\"answer\":\"Crear modelos de predicción de clientes morosos usando aprendizaje automático para que las entidades financieras reduzcan el riesgo de morosidad.\"},{\"question\":\"Qué datos se recopilan para entrenar y analizar los modelos?\",\"answer\":\"Datos históricos de los clientes, tanto financieros como personales, para identificar factores relevantes del incumplimiento.\"},{\"question\":\"Qué técnicas de machine learning se consideran y cómo se evaluarán?\",\"answer\":\"Se consideran árboles de decisión y redes neuronales, evaluando su eficacia con métricas como precisión y sensibilidad, entre otras.\"}]","Optimización del Riesgo Crediticio - Predicción de Morosidad a través de Machine Learning | PDF",1785810521,12,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":88,"head_meta":90,"extra_data":92,"updated_unix":29},"credit-risk-optimization-delinquency-prediction-through-machine-learning","",{"@graph":37,"@context":87},[38,55,70],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":53,"name":13,"@type":44,"position":54},"https://docshare.wps.com/es/document/credit-risk-optimization-delinquency-prediction-through-machine-learning/122417/",4,{"url":53,"name":13,"@type":56,"author":57,"headline":13,"publisher":59,"fileFormat":62,"inLanguage":24,"description":14,"dateModified":63,"datePublished":64,"encodingFormat":62,"isAccessibleForFree":65,"interactionStatistic":66},"DigitalDocument",{"name":9,"@type":58},"Person",{"url":42,"name":60,"@type":61},"DocShare","Organization","application/pdf","2026-08-17","2026-08-04",true,{"@type":67,"interactionType":68,"userInteractionCount":20},"InteractionCounter",{"@type":69},"ViewAction",{"@type":71,"mainEntity":72},"FAQPage",[73,79,83],{"name":74,"@type":75,"acceptedAnswer":76},"Cuál es el objetivo del proyecto de investigación?","Question",{"text":77,"@type":78},"Crear modelos de predicción de clientes morosos usando aprendizaje automático para que las entidades financieras reduzcan el riesgo de morosidad.","Answer",{"name":80,"@type":75,"acceptedAnswer":81},"Qué datos se recopilan para entrenar y analizar los modelos?",{"text":82,"@type":78},"Datos históricos de los clientes, tanto financieros como personales, para identificar factores relevantes del incumplimiento.",{"name":84,"@type":75,"acceptedAnswer":85},"Qué técnicas de machine learning se consideran y cómo se evaluarán?",{"text":86,"@type":78},"Se consideran árboles de decisión y redes neuronales, evaluando su eficacia con métricas como precisión y sensibilidad, entre otras.","https://schema.org",{"og:url":53,"og:type":89,"og:title":13,"og:site_name":60,"og:description":14},"article",{"robots":91,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":94},[95,100,104,108,112,114,118,122,126,130],{"id":96,"doc_module":4,"doc_module_name":47,"category_name":97,"show_sort_weight":98,"slug":99},39,"Cómic",60,"comic",{"id":101,"doc_module":4,"doc_module_name":47,"category_name":102,"show_sort_weight":98,"slug":103},43,"Estilo de Vida","lifestyle",{"id":105,"doc_module":4,"doc_module_name":47,"category_name":106,"show_sort_weight":98,"slug":107},38,"Examen","exam",{"id":109,"doc_module":4,"doc_module_name":47,"category_name":110,"show_sort_weight":98,"slug":111},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":98,"slug":113},"research-report",{"id":115,"doc_module":4,"doc_module_name":47,"category_name":116,"show_sort_weight":98,"slug":117},37,"Literatura","literature",{"id":119,"doc_module":4,"doc_module_name":47,"category_name":120,"show_sort_weight":98,"slug":121},22,"Relatos y Novelas","story-novel",{"id":123,"doc_module":4,"doc_module_name":47,"category_name":124,"show_sort_weight":98,"slug":125},42,"Religión y Espiritualidad","religion-spirituality",{"id":127,"doc_module":4,"doc_module_name":47,"category_name":128,"show_sort_weight":98,"slug":129},40,"Salud y Atención Médica","healthcare",{"id":131,"doc_module":4,"doc_module_name":47,"category_name":132,"show_sort_weight":98,"slug":133},24,"Tecnología","technology"]