Analítica de datos en la gestión de recuperación de la cartera financiera

Vista sencilla de ítem
dc.contributor.advisorBranch Bedoya, John Wilianspa
dc.contributor.authorHerrera Román, Jonathan Stevenspa
dc.contributor.corporatenameUniversidad Nacional de Colombia - Sede Medellínspa
dc.contributor.researchgroupGIDIA: Grupo de Investigación y Desarrollo en Inteligencia Artificialspa
dc.date.accessioned2020-08-28T21:42:57Zspa
dc.date.available2020-08-28T21:42:57Zspa
dc.date.issued2020-07-01spa
dc.description.abstractLa inclusión financiera es una necesidad social que toma cada vez más fuerza en países en desarrollo. Los microcréditos son una efectiva forma de permitir la inclusión financiera, pero representan un reto en la gestión de cartera. Este trabajo aplica técnicas de analítica de datos y aprendizaje de máquina para predecir el comportamiento de la cartera en una entidad no financiera. Luego de ejecutar varios modelos predictivos, los árboles de decisión han mostrado el mejor desempeño para predecir si un crédito será pagado o se convertirá en cartera irrecuperable.spa
dc.description.abstractFinancial inclusion is a social need that is gaining more and more strength in developing countries. Microcredit or social lending is an effective way to enable financial inclusion, but it represents a challenge in loan default management. This work applies data analytics and machine learning techniques to predict the behavior of the loan default in a non-financial entity. After running various predictive models, decision trees have shown the best performance in predicting whether a loan will be paid or will become irrecoverable.spa
dc.description.degreelevelMaestríaspa
dc.format.extent58spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.citationHerrera, Jonathan (2020). Analítica de datos en la gestión de recuperación de la cartera financiera. Universidad Nacional de Colombia, Sede Medellín.spa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/78323
dc.language.isospaspa
dc.publisher.branchUniversidad Nacional de Colombia - Sede Medellínspa
dc.publisher.programMedellín - Minas - Maestría en Ingeniería - Ingeniería de Sistemasspa
dc.relation.referencesArroyave, J., Herrera, J., & Vásquez, E. (2008). Sistema inteligente para detección de intrusos en redes informáticas SIDIRI.spa
dc.relation.referencesBanca de las Oportunidades. (2019). Banca de las Oportunidades. http://bancadelasoportunidades.gov.co/index.php/esspa
dc.relation.referencesBanca de las Oportunidades, & Superintendencia Financiera de Colombia. (2017). Reporte de Inclusión Financiera 2017. https://bancadelasoportunidades.gov.co/sites/default/files/2018-07/RIF 2017 LIBRO FINAL_WEB 02_1.pdfspa
dc.relation.referencesBanca de las Oportunidades, & Superintendencia Financiera de Colombia. (2018). Reporte de Inclusión Financiera 2018. http://bancadelasoportunidades.gov.co/sites/default/files/2019-06/RIF FINAL.pdfspa
dc.relation.referencesBitvai, Z., & Cohn, T. (2015). Predicting peer-to-peer loan rates using Bayesian non-linear regression. Proceedings of the National Conference on Artificial Intelligence, 3, 2203–2209.spa
dc.relation.referencesByanjankar, A. (2018). Predicting credit risk in Peer-to-Peer lending with survival analysis. 2017 IEEE Symposium Series on Computational Intelligence, SSCI 2017 - Proceedings, 2018-Janua, 1–8. https://doi.org/10.1109/SSCI.2017.8280927spa
dc.relation.referencesByanjankar, A., Heikkila, M., & Mezei, J. (2015). Predicting credit risk in peer-to-peer lending: A neural network approach. Proceedings - 2015 IEEE Symposium Series on Computational Intelligence, SSCI 2015, 719–725. https://doi.org/10.1109/SSCI.2015.109spa
dc.relation.referencesCastaño, L., & Ayala, C. (2016). Diagnóstico de la Gestión de Cartera en una Empresa Proveedora del Sector Salud en Colombia. https://repository.eafit.edu.co/handle/10784/11500spa
dc.relation.referencesCNN Periodismo Digital. (2016). Ricard Bonastre: Cómo Generar más ingresos por campaña con algoritmos predictivos. http://www.callcenternews.com.ar/entrevistas/320-cgmispa
dc.relation.referencesColombia Fintech. (2019). Asociación Colombiana de Empresas de Tecnología e Innovación Financiera. https://www.colombiafintech.co/spa
dc.relation.referencesDaza Sandoval, L. C. (2015). Estrategias basadas en el modelo de análisis predictivo árbol de decisión para la mejora del proceso de recaudo de cartera de la línea de vehículo particular del banco Davivienda S.A. Pontificia Universidad Javeriana.spa
dc.relation.referencesDeloitte. (2012). Tendencias de cobranza y recuperación de cartera en el sector financiero a partir de la crisis. https://www2.deloitte.com/content/dam/Deloitte/pa/Documents/financial-services/2015-01-Pa-FinancialServices-CobranzaCartera.pdfspa
dc.relation.referencesDo, H. X., Rösch, D., & Scheule, H. (2018). Predicting loss severities for residential mortgage loans: A three-step selection approach. European Journal of Operational Research, 270(1), 246–259. https://doi.org/10.1016/j.ejor.2018.02.057spa
dc.relation.referencesExperian. (2017). Move debt collection practices into the digital age eResolve. https://www.experian.com/consumer-information/virtual-debt-resolution-negotiation-eResolve.htmlspa
dc.relation.referencesGahlaut, A., Tushar, & Singh, P. K. (2017). Prediction analysis of risky credit using Data mining classification models. 8th International Conference on Computing, Communications and Networking Technologies, ICCCNT 2017. https://doi.org/10.1109/ICCCNT.2017.8203982spa
dc.relation.referencesGe, R., Feng, J., Gu, B., & Zhang, P. (2017). Predicting and Deterring Default with Social Media Information in Peer-to-Peer Lending. Journal of Management Information Systems, 34(2), 401–424. https://doi.org/10.1080/07421222.2017.1334472spa
dc.relation.referencesInfórmese. (2018). Gestión Analítica de Crédito y Cobranza. https://www.informese.co/gestion-analitica-credito-cobranza/spa
dc.relation.referencesJiang, C., Wang, Z., Wang, R., & Ding, Y. (2018). Loan default prediction by combining soft information extracted from descriptive text in online peer-to-peer lending. Annals of Operations Research, 266(1–2), 511–529. https://doi.org/10.1007/s10479-017-2668-zspa
dc.relation.referencesKim, A., & Cho, S. B. (2019). An ensemble semi-supervised learning method for predicting defaults in social lending. Engineering Applications of Artificial Intelligence, 81(December 2017), 193–199. https://doi.org/10.1016/j.engappai.2019.02.014spa
dc.relation.referencesLeón Sánchez, D. P. (2015). Modelo predictivo para riesgo de liquidez de una entidad fiduciaria usando minería de datos [Universidad Nacional de Colombia]. http://www.bdigital.unal.edu.co/51173/spa
dc.relation.referencesMartín del Brio, B., & Sanz Molina, A. (2005). Redes neuronales y sistemas difusos (Alfaomega (ed.); 2nd ed.).spa
dc.relation.referencesMorgan, J., & Morgan Grenfell, D. (1997). Introduction to CreditMetrics. http://www.jpmorgan.comspa
dc.relation.referencesRusell, S., & Norvig, P. (2004). Inteligencia Artificial, un enfoque moderno (Pearson Education (ed.); 2nd ed.).spa
dc.relation.referencesSkiena, S. S. (2017). The data science design manual. In Springer. https://doi.org/10.1007/978-3-319-55444-0spa
dc.relation.referencesSuperintendencia Financiera de Colombia. (2001). Superintendencia Financiera de Colombia - Cartera de Crédito. https://www.superfinanciera.gov.co/publicacion/18575spa
dc.relation.referencesSuperintendencia Financiera de Colombia. (2013). Superintendencia Financiera de Colombia - Conceptos. https://www.superfinanciera.gov.co/jsp/loader.jsf?lServicio=Publicaciones&lTipo=publicaciones&lFuncion=loadContenidoPublicacion&id=60956&reAncha=1spa
dc.relation.referencesSuperintendencia Financiera de Colombia. (2019). Evolución cartera de créditos. https://www.superfinanciera.gov.co/inicio/evolucion-cartera-de-creditos-60950spa
dc.relation.referencesVelásquez, A. B. (2013). Diseño de un modelo predictivo de seguimiento de riesgo de crédito para la cartera comercial, para una entidad financiera del Valle de Aburrá.spa
dc.relation.referencesZapata, A. (2003). Modelando el riesgo de crédito en colombia: matrices de transición para la cartera comercial. Apuntes de Banca y Finanzas, 6.spa
dc.relation.referencesZhou, J., Li, W., Wang, J., Ding, S., & Xia, C. (2019). Default prediction in P2P lending from high-dimensional data based on machine learning. Physica A: Statistical Mechanics and Its Applications, 534, 122370. https://doi.org/10.1016/j.physa.2019.122370spa
dc.relation.referencesZhu, L., Qiu, D., Ergu, D., Ying, C., & Liu, K. (2019). A study on predicting loan default based on the random forest algorithm. Procedia Computer Science, 162(Itqm 2019), 503–513. https://doi.org/10.1016/j.procs.2019.12.017spa
dc.rightsDerechos reservados - Universidad Nacional de Colombiaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.licenseAtribución-NoComercial 4.0 Internacionalspa
dc.rights.spaAcceso abiertospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/spa
dc.subject.ddc000 - Ciencias de la computación, información y obras generales::003 - Sistemasspa
dc.subject.proposalEntidades no financierasspa
dc.subject.proposalDefault scoringeng
dc.subject.proposalP2P lendingeng
dc.subject.proposalmicrocréditosspa
dc.subject.proposalsocial lendingeng
dc.subject.proposalcartera de créditospa
dc.subject.proposalanalítica de datosspa
dc.subject.proposaldata analyticseng
dc.titleAnalítica de datos en la gestión de recuperación de la cartera financieraspa
dc.title.alternativeData analytics in financial portfolio recovery managementspa
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
98774133.2020.pdf
Tamaño:
1.01 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis de Maestría en Ingeniería - Ingeniería de Sistemas
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
3.8 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ingeniería - Ingeniería de Sistemas