Predicción garantías a siniestrar

Abstract

RESUMEN : FGA Fondo de Garantías es una sociedad de economía mixta, que actúa como fiador institucional para respaldar la financiación de servicios, créditos de consumo, educativos, créditos digitales, entre otros; a través de garantías de consumo. Las garantías son la figura financiera que respalda el cumplimiento de los créditos que dan entidades como bancos, cooperativas, cajas de compensación, empresas del sector retail, entre otros, y que permite procesos más ágiles y confiables tanto para las personas que los solicitan, en adelante deudores, como para la entidad que los otorga, en adelante intermediario financiero, facilitando de este modo el acceso al crédito. En este proyecto final, con base en su información demográfica y de comportamiento de cartera de los deudores, se buscó obtener modelos predictivos que permitan prever si una garantía se va a siniestrar. La metodología empleada inicio con la limpieza y normalización de los datos, seguidamente, el análisis exploratorio de los datos, continuo con la ingeniera de variables, y finalmente, el proceso iterativo de entrenamiento y evaluación de los modelos. Se concluyó que el modelo que mejor desempeño obtiene con los datos generados es un GradientBoostingClassifier implementado mediante la librería Sklearn, que emplea todas las variables categóricas de las cuales se dispone.

ABSTRACT : FGA Fondo de Garantías is a mixed economy company, which acts as an institutional guarantor to support the financing of services, consumer loans, educational loans, digital loans, among others; through consumer guarantees. Guarantees are the financial figure that supports the fulfillment of the credits given by entities such as banks, cooperatives, compensation funds, companies in the retail sector, among others, and that allows more agile and reliable processes both for the people who request them, as well as for the entity that grants them, thus facilitating access to credit. In this final project, based on its demographic information and the payments behavior of the debtors, it was sought to obtain predictive models that allow predicting whether a guarantee is going to be sinister. The methodology used began with the cleaning and normalization of the data, followed by the exploratory data analysis, continued with the feature engineering, and finally, the iterative process of training and evaluation of the models. It was concluded that the model with the best performance obtained with the data generated is a GradientBoostingClassifier implemented through the Sklearn library, which uses all the categorical variables that are available.