Predicción de riesgo de mora en créditos usando machine learning un enfoque basado en segmentación y modelos predictivos

Abstract

Ante el creciente aumento de la cartera vencida en una entidad financiera de crédito, este proyecto propone un enfoque analítico y predictivo para fortalecer la gestión del riesgo crediticio. Mediante el uso de técnicas de análisis exploratorio de datos (EDA), visualización interactiva en Power BI y modelos avanzados de Machine Learning como XGBoost y redes neuronales LSTM, se busca anticipar el comportamiento de pago de los clientes y clasificar su estado crediticio futuro. Esta solución permite segmentar la cartera, priorizar acciones de cobranza y diseñar estrategias preventivas más eficaces, contribuyendo a decisiones más informadas y oportunas dentro de la organización.

In response to the increasing growth of overdue loans in a financial credit institution, this project presents an analytical and predictive approach to strengthen credit risk management. By combining exploratory data analysis (EDA), interactive visualizations in Power BI, and advanced Machine Learning models such as XGBoost and LSTM neural networks, the aim is to anticipate customer payment behavior and classify their future credit status. This solution enables portfolio segmentation, prioritization of collection actions, and the design of more effective preventive strategies, supporting more informed and timely decision-making within the organization.