Modelo de machine learning para predecir la carga financiera de clientes en Nequi. Semestre de industria

Abstract

RESUMEN : El otorgamiento de créditos es un pilar fundamental en la rentabilidad de las entidades financieras. La lectura acertada de la realidad de los clientes es un factor clave en la aprobación de créditos, razón por la cual, en el presente proyecto se propone un modelo de machine learning para la estimación de la carga financiera máxima otorgada a un cliente en la compañía Nequi. La variable de respuesta definida refleja directamente la cuota máxima estimada para cada cliente, lo que permite establecer límites claros dentro de los cuales un cliente podría comprometerse financieramente sin incurrir en un riesgo significativo Este modelo se desarrolla a través de la metodología CRISP – DM (Cross-Industry Standard Process for Data Mining), una forma de trabajo estándar en el ámbito de la tecnología para ciencia de datos, la cual va desde el conocimiento del negocio, etapa que se enfoca en comprender las necesidades específicas de la compañía que requiere la implementación del modelo predictivo, hasta el paso a producción de los modelos. La metodología CRISP – DM facilita la planificación y ejecución de las tareas requeridas para desarrollar un modelo analítico teniendo en cuenta que los proyectos de ciencia de datos son susceptibles a modificaciones a medida que se realizan iteraciones en los diferentes modelos. El alcance del proyecto se limita a llegar hasta la evaluación de la precisión del modelo mas no incluye implementación. El resultado esperado es un modelo que permita maximizar la aprobación de créditos a clientes dentro del apetito de riesgo crediticio establecido por el área de riesgos de Nequi.

ABSTRACT : The granting of credit is a fundamental pillar of profitability for financial institutions. Accurately assessing clients' financial realities is a key factor in credit approval. In this context, the present project proposes a machine learning model to estimate the maximum financial burden that can be allocated to a client at Nequi. The defined response variable directly reflects the maximum estimated installment for each client, allowing the establishment of clear limits within which a client could commit financially without incurring significant risk. This model was developed following the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology, a standard framework in data science technology. This process spans from business understanding—focused on comprehending the specific needs of the company requiring the predictive model—to deploying the model in production. The CRISP-DM methodology facilitates the planning and execution of the tasks required to develop an analytical model, considering that data science projects are often subject to modifications as iterations are made on different models. The scope of the project is limited to evaluating the accuracy of the model and does not include implementation. The expected outcome is a model that maximizes credit approvals for clients within the credit risk appetite defined by Nequi's risk management department.