Redes neuronales para predicción de pago de deudas de clientes de una empresa de retail financiero

Abstract

Este trabajo se centra en una Fintech enfocada en brindar soluciones de cobranza digital, la cual utiliza diversas aristas de la inteligencia artificial, tanto para poder realizar gestiones a deudores sin la intervención humana como para optimizar las gestiones más tradicionales. Debido a la pandemia ocurrida en el año de este trabajo, la empresa se vio enfrentada a dos principales problemas: La abrupta llegada de un gran número de clientes debido a la necesidad de abaratar costos utilizando la cobranza digital y la necesidad de reducir los costos internos debido a problemas en el flujo de caja por la recesión que afecto a los clientes de la compañía a causa de la pandemia mencionada. Gracias a esto, se propone optimizar el uso de los recursos de gestión de deudores ya existentes en la empresa mediante la utilización de una predicción de la probabilidad de pago de deuda de los clientes, tanto para poder manejar los nuevos clientes como para reducir costos operativos. Más específicamente, el objetivo de este trabajo es "Diseñar, realizar y proponer aplicaciones de un modelo predictivo de pago para los deudores con mora menor a 30 días y con vencimiento en la primera quincena del mes de una empresa de retail financiero mediante algoritmos de clasificación utilizando redes neuronales . Esto con el fin de lograr un modelamiento que pueda generalizarse para otras empresas clientes. Para realizar esto, se utilizó como metodología CRISP-DM, la cual se basa en un proceso iterativo y centrado en el negocio para el modelamiento de algoritmos de aprendizaje de máquinas, con 6 pasos que van desde el entendimiento del negocio hasta el planteamiento de posibles aplicaciones del modelo. Los resultados del modelo base realizado con LIGHTGBM muestran un valor F1 de un 60,82 % en el set de testeo general y un 68,84 % en el top 10 % deudores con mayor monto facturado del set de testeo, mientras que la red neuronal presenta un F1 de 64,2 % y de 71,18 % para cada set, respectivamente. Los resultados si bien positivos tienen un gran espacio de mejora. Debido al rendimiento similar de ambos modelos, se propone trabajar en un futuro con el preprocesamiento de los datos o con la base como tal. A pesar de esto, tanto a nivel de métricas de rendimiento como en el análisis monetario que será presentado más adelante, se ve que la red neuronal presenta marginalmente mejores resultados, lo cual se beneficia con la posibilidad de generalizar la red para tanto más clientes de la empresa.