[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-124276-es":3,"doc-seo-124276-110":31,"detail-sidebar-cat-0-es-110":92},{"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},124276,2336475104042,"Skyler","https://ap-avatar.wpscdn.com/avatar/22000c4c32af1715be0?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786537525561427321",41,"Investigación e Informes","Predicción de niveles de morosidad de cartera para una empresa del sector de transacciones financieras y no financieras usando modelos de machine learning","La investigación desarrolla y evalúa modelos de clasificación multiclase para predecir niveles de morosidad e incumplimiento de pago en clientes de una empresa del sector de transacciones financieras y no financieras. El enfoque busca optimizar la gestión de cobro de cartera al identificar con alta probabilidad a clientes de impago y activar acciones preventivas. Se emplean técnicas de machine learning supervisado (Random Forest, XGBoost, LightGBM, LSTM y redes neuronales), con procesamiento de datos como Label Encoding, One-Hot Encoding, z-score y SMOTE. La base analizada comprende 1.685.889 registros en 13 meses y se comparan métricas como MCC, F1, Recall, AUC, Accuracy, Precisión y Kappa.","Predicción de niveles de morosidad de cartera para una empresa del sector de transacciones financieras y no financieras usando modelos de machine learning  \nAutores:  \nJulio Cesar Ramírez Jiménez,  \n([jcramirezj@unbosque.edu.co](jcramirezj@unbosque.edu.co))  \nEnzo Fabian Marines Lamprea,  \n([emarines@unbosque.edu.co](emarines@unbosque.edu.co))  \nDirector:  \nAlfonso Cubillos,  \n([acubillosde@gmail.com](acubillosde@gmail.com))  \nMaestría en Estadística Aplicada y Ciencia de Datos Departamento de Matemáticas y Estadística  \nFacultad de Ciencias  \nUniversidad El Bosque  \nNoviembre 23, de 2024  \nContenido  \nResumen ...........................................................................................................................1  \nAbstract ............................................................................................................................2  \n1. Introducción.................................................................................................................3  \n2. Marco teórico ...............................................................................................................4  \n3. Pregunta de investigación ...........................................................................................6  \n4.1 Objetivo general.....................................................................................................7  \n4.2 Objetivos específicos..............................................................................................7  \n5. Alcance..........................................................................................................................8  \n6. Metodología..................................................................................................................9  \n6.1 Descripción de los datos ......................................................................................10  \n6.1.1 Variables........................................................................................................10  \n6.1.2 Análisis descriptivo.......................................................................................13  \n6.1.3 Distribución de Franja de Mora por Importe ...........................................14  \n6.1.4 Importes asociados a las franjas de mora por mes....................................14  \n6.1.5 Importe por franja de mora y UEN............................................................15  \n6.1.6 Importes por franja de mora y UEN mes a mes ........................................16  \n6.1.7 Selección de variables predictoras ..............................................................16  \n6.1.8 Tratamiento de variables .............................................................................17  \n6.2 Segmentación temporal.......................................................................................17  \n7. Modelos entrenados...................................................................................................19  \n7.1 Modelos basados en árboles de decisión............................................................19  \n7.2 Modelos basados en redes neuronales ...............................................................20  \n7.3 Métricas de evaluación de los modelos ..............................................................22  \n8. Resultados de los modelos predictivos.....................................................................23  \n8.1 Aplicación del Modelo XGBoost ........................................................................25  \n9. Conclusiones...............................................................................................................27  \n11. Anexos.......................................................................................................................29  \n12. Referencias bibliográficas.......................................................................................56  \nResumen  \nLa presente investigación tiene como objetivo desarro","cbCaigfoMiHvH6jJ","https://ap.wps.com/l/cbCaigfoMiHvH6jJ","pdf",7769616,2,1,60,"Spanish","es",110,"# Resumen\n# Abstract\n# Introducción\n# Marco teórico\n# Pregunta de investigación\n## Objetivo general\n## Objetivos específicos\n# Alcance\n# Metodología\n## Descripción de los datos\n### Variables\n### Análisis descriptivo\n### Distribución de Franja de Mora por Importe\n### Importes asociados a las franjas de mora por mes\n### Importe por franja de mora y UEN\n### Importes por franja de mora y UEN mes a mes\n### Selección de variables predictoras\n### Tratamiento de variables\n## Segmentación temporal\n# Modelos entrenados\n## Modelos basados en árboles de decisión\n## Modelos basados en redes neuronales\n## Métricas de evaluación de los modelos\n# Resultados de los modelos predictivos\n## Aplicación del Modelo XGBoost\n# Conclusiones\n# Anexos\n# Referencias bibliográficas","[{\"question\":\"Cuál es el objetivo principal de la investigación sobre morosidad?\",\"answer\":\"Desarrollar y evaluar modelos multiclase para predecir niveles de morosidad e incumplimiento de pago, permitiendo mejorar la gestión preventiva de la cartera.\"},{\"question\":\"Qué tipos de modelos de machine learning se emplean para la predicción?\",\"answer\":\"Se usan modelos supervisados como Random Forest, XGBoost, LightGBM, LSTM y redes neuronales, combinados con técnicas de procesamiento y balanceo de clases.\"},{\"question\":\"Cómo se evalúan y comparan los modelos predictivos?\",\"answer\":\"La evaluación incluye métricas como MCC, F1 Score, Recall, AUC, Accuracy, Precisión y Kappa, usando particiones de entrenamiento, validación y prueba para asegurar una comparación robusta.\"}]","Predicción de niveles de morosidad de cartera para una empresa del sector de transacciones financieras y no financieras usando modelos de machine learning | PDF",1785821332,92,{"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":87,"head_meta":89,"extra_data":91,"updated_unix":29},"prediction-of-delinquency-levels-in-loan-portfolios-for-a-company-in-financial-and-non-financial-transactions-using-machine-learning-models","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/es/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/prediction-of-delinquency-levels-in-loan-portfolios-for-a-company-in-financial-and-non-financial-transactions-using-machine-learning-models/124276/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-14","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo principal de la investigación sobre morosidad?","Question",{"text":76,"@type":77},"Desarrollar y evaluar modelos multiclase para predecir niveles de morosidad e incumplimiento de pago, permitiendo mejorar la gestión preventiva de la cartera.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué tipos de modelos de machine learning se emplean para la predicción?",{"text":81,"@type":77},"Se usan modelos supervisados como Random Forest, XGBoost, LightGBM, LSTM y redes neuronales, combinados con técnicas de procesamiento y balanceo de clases.",{"name":83,"@type":74,"acceptedAnswer":84},"Cómo se evalúan y comparan los modelos predictivos?",{"text":85,"@type":77},"La evaluación incluye métricas como MCC, F1 Score, Recall, AUC, Accuracy, Precisión y Kappa, usando particiones de entrenamiento, validación y prueba para asegurar una comparación robusta.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,98,102,106,110,112,116,120,124,128],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":22,"slug":97},39,"Cómic","comic",{"id":99,"doc_module":4,"doc_module_name":47,"category_name":100,"show_sort_weight":22,"slug":101},43,"Estilo de Vida","lifestyle",{"id":103,"doc_module":4,"doc_module_name":47,"category_name":104,"show_sort_weight":22,"slug":105},38,"Examen","exam",{"id":107,"doc_module":4,"doc_module_name":47,"category_name":108,"show_sort_weight":22,"slug":109},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":22,"slug":111},"research-report",{"id":113,"doc_module":4,"doc_module_name":47,"category_name":114,"show_sort_weight":22,"slug":115},37,"Literatura","literature",{"id":117,"doc_module":4,"doc_module_name":47,"category_name":118,"show_sort_weight":22,"slug":119},22,"Relatos y Novelas","story-novel",{"id":121,"doc_module":4,"doc_module_name":47,"category_name":122,"show_sort_weight":22,"slug":123},42,"Religión y Espiritualidad","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":47,"category_name":126,"show_sort_weight":22,"slug":127},40,"Salud y Atención Médica","healthcare",{"id":129,"doc_module":4,"doc_module_name":47,"category_name":130,"show_sort_weight":22,"slug":131},24,"Tecnología","technology"]