Desarrollo de un modelo predictivo para la detrminación del comportamiento de pago de los clientes de un banco ecuatoriano.

García Guevara, Pablo Sebastián

Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/23014

Título:	Desarrollo de un modelo predictivo para la detrminación del comportamiento de pago de los clientes de un banco ecuatoriano.
Autor:	García Guevara, Pablo Sebastián
Palabras clave:	DATOS SISTEMAS DE INFORMACIÓN POBLACIÓN BANCO
Fecha de publicación:	sep-2022
Editorial:	Quito : EPN, 2022.
Citación:	García Guevara, P.S.(2022). Desarrollo de un modelo predictivo para la detrminación del comportamiento de pago de los clientes de un banco ecuatoriano. 1386 páginas. Quito : EPN.
Resumen:	This Master's thesis aims to develop a predictive model with the use of machine learning to determine the payment behavior of customers with data from an Ecuadorian bank. This predictive model can help the Bank to anticipate the behavior of clients who may be in default or stop paying a loan, so that appropriate measures can be taken such as selling the portfolio or pressuring collections. The analysis of the customer's payment behavior was carried out using time series and 4 machine learning models Recurrent Neural Networks, Temporal Convolutional Networks, TRANSFORMER and NBEATS were used through the use of the DARTS library of PYTHON. These models were compared with the classic Markov chain model and 3 metrics were used to compare them i) The error, ii) F-Score, iii) Confusion Matrix, its behavior was analyzed by increasing the number of predictions that were made. In the last part, the reasons for the models not being robust are analyzed and how machine learning models could be applied in for this type of predictions is proposed.
Descripción:	Esta tesis de Maestría Tiene como objetivo desarrollar un modelo predictivo con el uso de aprendizaje de máquina para la determinación del comportamiento de pago de los clientes con los datos de un Banco Ecuatoriano. Este modelo predictivo puede ayudar al Banco a anticipar el comportamiento de clientes que posiblemente entraran en mora o dejaran de pagar un préstamo, de manera que se puedan tomar medidas adecuadas como vender cartera o presionar en la cobranza. El análisis del comportamiento de pago del cliente se lo realizo utilizando series de tiempo y se utilizaron 4 modelos de aprendizaje de máquina Modelo de Redes Neuronales Recurrentes, Modelo Redes Temporales Convolucionales, Modelo TRANSFORMER y Modelo N BEATS mediante el uso de la librería DARTS de PYTHON. Estos modelos se los comparo con el modelo clásico de cadenas de Markov y se utilizaron 3 métricas para compararlos i) El error, ii) F-Score, iv) Matriz de Confusión, y se analizó su comportamiento aumentando el número de predicciones que se realiza. En la parte final se analiza las razones para que los modelos no sean tan robustos y se propone como se podrían aplicar de mejor manera los modelos de aprendizaje de máquina para este tipo de predicciones. Esta tesis de Maestría Tiene como objetivo desarrollar un modelo predictivo con el uso de aprendizaje de máquina para la determinación del comportamiento de pago de los clientes con los datos de un Banco Ecuatoriano. Este modelo predictivo puede ayudar al Banco a anticipar el comportamiento de clientes que posiblemente entraran en mora o dejaran de pagar un préstamo, de manera que se puedan tomar medidas adecuadas como vender cartera o presionar en la cobranza. El análisis del comportamiento de pago del cliente se lo realizo utilizando series de tiempo y se utilizaron 4 modelos de aprendizaje de máquina Modelo de Redes Neuronales Recurrentes, Modelo Redes Temporales Convolucionales, Modelo TRANSFORMER y Modelo N BEATS mediante el uso de la librería DARTS de PYTHON. Estos modelos se los comparo con el modelo clásico de cadenas de Markov y se utilizaron 3 métricas para compararlos i) El error, ii) F-Score, iv) Matriz de Confusión, y se analizó su comportamiento aumentando el número de predicciones que se realiza. En la parte final se analiza las razones para que los modelos no sean tan robustos y se propone como se podrían aplicar de mejor manera los modelos de aprendizaje de máquina para este tipo de predicciones.
URI:	http://bibdigital.epn.edu.ec/handle/15000/23014
Tipo:	bachelorThesis
Aparece en las colecciones:	Tesis MAESTRÍA EN SISTEMAS DE INFORMACIÓN MENCIÓN INTELIGENCIA DE NEGOCIOS Y ANALÍTICA DE DATOS MASIVOS (FIS)

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
CD 12427.pdf		78,74 MB	Adobe PDF	Visualizar/Abrir

Muestra el registro Dublin Core completo del ítem

BIBDIGITAL