Pronóstico del cumplimiento de pago de los clientes usando aprendizaje automático

Abstract

The collection score is presented as a support for the work carried out by the collection area of Créditos Orbe company. The collection score seeks to direct collection resources and strategies to groups of clients determined by their probability of payment, which positively impacts the effectiveness of collection and the efficiency of the process. The literature review shows that only 1.5% of the score models in the last 10 years are focused on collection; These models are generally used for credit placement. In this work, a collection score model is carried out, which is trained based on the historical information of the payment behavior of clients with active credits in the company. The company currently has a logistic regression model, which they use to direct collection strategies. Alternative models are proposed that can improve the precision of the current model, in light of the findings of the literature review. Finally, after training K-nearest neighbor models, logistic regression; and assembly models such as random forests, majority vote, adaboost and bagged with decision trees; the prototype based on random forests performs best, exceeding the metrics of the current model. The prototype is delivered to the company for weekly use, as well as the necessary tools to monitor it and generate performance alerts

El score de cartera se presenta como un apoyo para la labor realizada por el área de cartera de la empresa Créditos Orbe. Con el score de cartera, se busca dirigir los recursos y las estrategias de cobro a grupos de clientes determinados por su probabilidad de pago, lo cual impacta positivamente en la eficacia del recaudo y la eficiencia del proceso. La revisión de literatura expone que solo el 1,5% de los modelos de score en los últimos 10 años están enfocados en la cobranza; estos modelos son usados generalmente para la colocación del crédito. En este trabajo se realiza un modelo para score de cartera el cual es entrenado a partir de la información histórica de comportamiento de pago de los clientes con créditos activos en la empresa. La empresa actualmente cuenta con un modelo de regresión logística, el cual usan para dirigir estrategias de cobranza. Se plantean modelos alternativos que pueden mejorar la precisión del modelo actual, a la luz de los hallazgos de la revisión de literatura. Finalmente, después de entrenar modelos de vecino más cercano, regresión logística; y modelos de ensamble como bosques aleatorios, voto mayoritario, adaboost y bagged con árboles de decisión; el prototipo basado en bosques aleatorios es el que mejor se desempeña, superando las métricas del modelo actual. Se le hace entrega a la empresa del prototipo para su uso semanal, así como también, de las herramientas necesarias para monitorearlo y generar alertas de rendimiento