Show simple item record

Professor Advisordc.contributor.advisorPuente Chandía, Alejandra
Authordc.contributor.authorIlabaca Meza, Eduardo Ignacio
Associate professordc.contributor.otherSegovia Riquelme, Carolina
Associate professordc.contributor.otherVildoso Castillo, Felipe
Admission datedc.date.accessioned2023-12-21T13:19:37Z
Available datedc.date.available2023-12-21T13:19:37Z
Publication datedc.date.issued2023
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/196811
Abstractdc.description.abstractEl trabajo se realiza en una empresa de crédito automotriz, la cual ofrece productos de financiación de automotores tanto a personas naturales como a concesionarios. Uno de sus productos, consiste en un contrato de financiamiento en cuotas para adquirir un vehículo, dentro de este contrato, existe la posibilidad de que las entidades subscriptas presenten atrasos o cesen el pago de estas cuotas pactadas, de ser este el caso, es posible aplicar 2 métodos distintos para realizar la cobranza de estas cuotas, la asignación sobre que método se aplicara a cada caso depende de parámetros definidos. El objetivo del trabajo de memoria consiste en mejorar la asignación de los métodos de cobranza, mediante el uso de modelos predictivos para determinar la mejor estrategia para cada cliente, con el fin de mejorar el uso de recursos y las probabilidades de recuperación de deuda. Para llevar a cabo el trabajo se utiliza la metodología CRISP-DM, en la cual se prueban distintos modelos de machine learning para cumplir el objetivo propuesto. Se realizan un total de 6 modelos, se consideran variables tanto de origen del contrato como variables de comportamiento de los usuarios. Se selecciona el modelo que presenta la mejor capacidad predictiva, correspondiente a un modelo de regresión lineal (GLM). Los resultados de este modelo presentan un 64% de precisión en los resultados sobre predecir si un cliente presentara pagos o no a los 3 meses en la etapa de cobranza. El AUC del modelo es de un 65%, lo cual es superior a un modelo de asignación aleatorio, pero presenta oportunidades de mejora a la hora de generar una predicción más robusta. Las variables relevantes muestran características del cliente hacia el término del contrato, siendo en particular muy importantes aquellas que capturan el comportamiento del cliente los últimos 3 meses antes de ser castigado. En conclusión, el modelo presenta mejoras frente a la situación actual, ya que posee mayor capacidad de predicción. Como trabajo futuro se propone capturar y generar más variables anteriores a la fecha de castigo, en particular sobre los últimos 3 meses y agregar variables externas relacionadas a deudas o variables macroeconómicas con el fin de aumentar el desempeño general del modelo y, finalmente, realizar un seguimiento a los recuperos monetarios de los grupos asignados en base al modelo predictivo.es_ES
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
Títulodc.titleDesarrollo de un modelo predictivo de asignación de cobranza judicial aplicado a una empresa de crédito automotrizes_ES
Document typedc.typeTesises_ES
dc.description.versiondc.description.versionVersión original del autores_ES
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorgmmes_ES
Departmentuchile.departamentoDepartamento de Ingeniería Industriales_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES
uchile.carrerauchile.carreraIngeniería Civil Industriales_ES
uchile.gradoacademicouchile.gradoacademicoLicenciadoes_ES
uchile.notadetesisuchile.notadetesisMemoria para optar al título de Ingeniero Civil Industriales_ES


Files in this item

Icon
Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States