La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning

La evolución de las tecnologías y la era del Big Data han revolucionado la forma en que las organizaciones operan, especialmente en el ámbito bancario. La disponibilidad sin precedentes de volúmenes masivos de datos ha presentado tanto desafíos como oportunidades para las instituciones financieras,...

Descripción completa

Detalles Bibliográficos
Autor principal: Esmail, Mariano Nahuel
Otros Autores: Salaberry, Natalia
Formato: Tesis de maestría publishedVersion
Lenguaje:Español
Publicado: 2023
Acceso en línea:http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2722_EsmailM
https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=tpos&d=1502-2722_EsmailM_oai
Aporte de:
Repositorio Digital de la Universidad de Buenos Aires (UBA) de Universidad de Buenos Aires
id I28-R145-1502-2722_EsmailM_oai
record_format dspace
spelling I28-R145-1502-2722_EsmailM_oai2024-12-06 Salaberry, Natalia Esmail, Mariano Nahuel 2023 La evolución de las tecnologías y la era del Big Data han revolucionado la forma en que las organizaciones operan, especialmente en el ámbito bancario. La disponibilidad sin precedentes de volúmenes masivos de datos ha presentado tanto desafíos como oportunidades para las instituciones financieras, que buscan mejorar la toma de decisiones informadas y maximizar su eficiencia operativa. En la actualidad, las instituciones bancarias enfrentan el desafío de gestionar la morosidad de manera efectiva, buscando recuperar deudas impagas de manera eficiente y minimizando costos.\nTradicionalmente, la segmentación de la cartera morosa se ha basado en criterios como ingresos, riesgo crediticio y variables demográficas. Sin embargo, la creciente digitalización ha proporcionado una nueva dimensión de información valiosa: el nivel de interacción de los clientes con los canales digitales del banco, como la aplicación móvil, OnlineBanking, Mails y cajeros automáticos. Esta información puede ser crucial para comprender los patrones de comportamiento de los clientes morosos y personalizar estrategias de recuperación.\nEn este contexto dinámico, el presente trabajo tiene como objetivo principal optimizar la gestión de la morosidad en una entidad bancaria local1 mediante la incorporación de una dimensión clave: el nivel de digitalización de los clientes. Para alcanzar a este objetivo, se proponen tres objetivos interconectados. En primer lugar, se busca identificar patrones en el nivel de digitalización de los clientes y su relación con el comportamiento de morosidad. A partir de analizar datos de la organización bajo análisis se determinará cómo las interacciones digitales pueden indicar tendencias de pago y generar patrones de comportamiento en la cartera de clientes morosos.\nEn segundo lugar, se propone aplicar técnicas de Clustering para segmentar a los clientes morosos en grupos más específicos, considerando tanto las variables tradicionales, así como el nivel de digitalización. Con ello se podrá crear grupos homogéneos y personalizados para una gestión más efectiva. Por último, se implementará un modelo de aprendizaje automático para predecir el comportamiento de los nuevos segmentos de clientes y anticipar tasas de recupero. Fil: Esmail, Mariano Nahuel. Universidad de Buenos Aires. Facultad de Ciencias Económicas. Buenos Aires, Argentina. application/pdf 1502-2722_EsmailM http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2722_EsmailM spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/2.5/ar/ La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/publishedVersion https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=tpos&d=1502-2722_EsmailM_oai
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-145
collection Repositorio Digital de la Universidad de Buenos Aires (UBA)
language Español
orig_language_str_mv spa
description La evolución de las tecnologías y la era del Big Data han revolucionado la forma en que las organizaciones operan, especialmente en el ámbito bancario. La disponibilidad sin precedentes de volúmenes masivos de datos ha presentado tanto desafíos como oportunidades para las instituciones financieras, que buscan mejorar la toma de decisiones informadas y maximizar su eficiencia operativa. En la actualidad, las instituciones bancarias enfrentan el desafío de gestionar la morosidad de manera efectiva, buscando recuperar deudas impagas de manera eficiente y minimizando costos.\nTradicionalmente, la segmentación de la cartera morosa se ha basado en criterios como ingresos, riesgo crediticio y variables demográficas. Sin embargo, la creciente digitalización ha proporcionado una nueva dimensión de información valiosa: el nivel de interacción de los clientes con los canales digitales del banco, como la aplicación móvil, OnlineBanking, Mails y cajeros automáticos. Esta información puede ser crucial para comprender los patrones de comportamiento de los clientes morosos y personalizar estrategias de recuperación.\nEn este contexto dinámico, el presente trabajo tiene como objetivo principal optimizar la gestión de la morosidad en una entidad bancaria local1 mediante la incorporación de una dimensión clave: el nivel de digitalización de los clientes. Para alcanzar a este objetivo, se proponen tres objetivos interconectados. En primer lugar, se busca identificar patrones en el nivel de digitalización de los clientes y su relación con el comportamiento de morosidad. A partir de analizar datos de la organización bajo análisis se determinará cómo las interacciones digitales pueden indicar tendencias de pago y generar patrones de comportamiento en la cartera de clientes morosos.\nEn segundo lugar, se propone aplicar técnicas de Clustering para segmentar a los clientes morosos en grupos más específicos, considerando tanto las variables tradicionales, así como el nivel de digitalización. Con ello se podrá crear grupos homogéneos y personalizados para una gestión más efectiva. Por último, se implementará un modelo de aprendizaje automático para predecir el comportamiento de los nuevos segmentos de clientes y anticipar tasas de recupero.
author2 Salaberry, Natalia
author_facet Salaberry, Natalia
Esmail, Mariano Nahuel
format Tesis de maestría
Tesis de maestría
publishedVersion
author Esmail, Mariano Nahuel
spellingShingle Esmail, Mariano Nahuel
La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning
author_sort Esmail, Mariano Nahuel
title La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning
title_short La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning
title_full La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning
title_fullStr La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning
title_full_unstemmed La digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de Machine Learning
title_sort la digitalización bancaria como variable relevante para la gestión de deuda y segmentación de clientes morosos: implementación de modelos de machine learning
publishDate 2023
url http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2722_EsmailM
https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=tpos&d=1502-2722_EsmailM_oai
work_keys_str_mv AT esmailmarianonahuel ladigitalizacionbancariacomovariablerelevanteparalagestiondedeudaysegmentaciondeclientesmorososimplementaciondemodelosdemachinelearning
_version_ 1824354361999884288

Ejemplares similares