Desarrollo de un modelo de machine learning de estimación de ingresos para el otorgamiento de crédito en instituciones financieras

Abstract

La industria del retail financiero ha experimentado un crecimiento notable en Chile durante las últimas dos décadas, consolidándose como un actor clave en la emisión de tarjetas de crédito y la oferta de servicios financieros. Este crecimiento ha venido acompañado de desafíos significativos, especialmente en la gestión del riesgo crediticio, exacerbados por el aumento de la morosidad en un contexto económico desafiante post-pandemia. En respuesta a estos desafíos, este proyecto se centró en el desarrollo de un modelo de Machine Learning para la estimación de ingresos, dirigido al negocio financiero de una de las principales cadenas farmacéuticas del país. El propósito del proyecto fue mejorar la precisión y confiabilidad de las estimaciones de ingresos de los clientes y potenciales clientes, buscando optimizar la asignación de cupos para tarjetas de crédito y, así, disminuir el riesgo de default y las tasas de morosidad. Como parte del proyecto, el rol del memorista incluyó la recopilación y preprocesamiento de datos, el desarrollo y validación del modelo, y la comparación de su rendimiento con las estimaciones externas. La metodología empleada abarcó técnicas avanzadas de análisis de datos y modelado predictivo, utilizando un enfoque de aprendizaje automático para mejorar la precisión de las predicciones. Los resultados obtenidos fueron significativos: el modelo desarrollado redujo en más de un 25% el Error Absoluto Medio (MAE) en comparación con las estimaciones proporcionadas por el proveedor externo. Esta mejora no solo optimiza la precisión de las decisiones crediticias, sino que tam-bién establece una base sólida para el desarrollo de futuras herramientas de gestión de riesgos inter-nas dentro de la institución.