Universidad Nacional Mayor de San Marcos
Universidad del Perú. Decana de América
Facultad de Ciencias Matemáticas Escuela Profesional de Estadística
Modelos de machine learning para identificar factores asociados a la adquisición de un crédito efectivo en una
entidad financiera
Trabajo de Suficiencia Profesional
Para optar el Título Profesional de Licenciado en Estadística
AUTOR
André Omar CHÁVEZ PANDURO
ASESOR
Dra. Ofelia ROQUE PAREDES
Lima, Perú
2021
Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales https://creativecommons.org/licenses/by-nc-sa/4.0/
Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia.
Referencia bibliográfica
Chávez, A. (2021). Modelos de machine learning para identificar factores asociados a la adquisición de un crédito efectivo en una entidad financiera. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Estadística]. Repositorio institucional Cybertesis UNMSM.
Metadatos complementarios
Datos de autor
Nombres y apellidos André Omar Chávez Panduro Tipo de documento de identidad DNI
Número de documento de identidad 47251638
URL de ORCID No aplica
Datos de asesor
Nombres y apellidos Ofelia Roque Paredes Tipo de documento de identidad DNI
Número de documento de identidad 06243124
URL de ORCID https://orcid.org/0000-0001-8280-021X Datos del jurado
Presidente del jurado
Nombres y apellidos Oscar Antonio Robles Villanueva
Tipo de documento DNI
Número de documento de identidad 32762171 Miembro del jurado 1
Nombres y apellidos Helfer Joel Molina Quiñones
Tipo de documento DNI
Número de documento de identidad 40014631 Datos de investigación
Línea de investigación
A.3.1.2. Análisis de Datos y Modelamiento de Problemas de la Sociedad (Empresa, Instituciones, Población locales, regionales y nacionales)
Grupo de investigación No aplica
Agencia de financiamiento No aplica
Ubicación geográfica de la investigación
Edificio: Carlos Villarán 197, Lince 15034 País: Perú
Departamento: Lima Provincia: Lima Distrito: La Victoria
Urbanización: Santa Catalina Calle: (según corresponda) Latitud: -12.08908
Longitud: -77.02256 Año o rango de años en que se
realizó la investigación Agosto 2021- diciembre 2021
URL de disciplinas OCDE
Estadísticas, Probabilidad
https://purl.org/pe-repo/ocde/ford#1.01.03 Ciencias de la computación
https://purl.org/pe-repo/ocde/ford#1.02.01
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
Universidad del Perú.Decana de América FACULTAD DE CIENCIAS MATEMÁTICAS
ESCUELA PROFESIONAL DE ESTADÍSTICA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Calle Germán Amezaga N° 375 - Lima, Perú/ Central:(511) 6197000
www.unmsm.edu.pe
ACTA DE SUSTENTACIÓN DE TRABAJO DE SUFICIENCIA PROFESIONAL EN LA MODALIDAD VIRTUAL PARA OBTENCIÓN DEL TÍTULO PROFESIONAL
DE LICENCIADO EN ESTADÍSTICA
En Lima, siendo las 17:00 horas del domingo 03 de octubre del 2021, se reunieron los docentes designados como Miembros del Jurado del Trabajo de Suficiencia Profesional: Dr. Oscar Antonio Robles Villanueva (PRESIDENTE), Dr. Helfer Joel Molina Quiñones (MIEMBRO) y la Dra. Ofelia Roque Paredes (MIEMBRO ASESOR), para la sustentación del Trabajo de Suficiencia Profesional titulado: “MODELOS DE MACHINE LEARNING PARA IDENTIFICAR FACTORES ASOCIADOS A LA ADQUISICIÓN DE UN CRÉDITO EFECTIVO EN UNA ENTIDAD FINANCIERA”, presentado por el señor Bachiller André Omar Chávez Panduro, para optar el Título Profesional de Licenciado en Estadística.
Luego de la exposición del trabajo de suficiencia, el Presidente invitó al expositor a dar respuesta a las preguntas formuladas.
Realizada la evaluación correspondiente por los miembros del Jurado Evaluador, el expositor mereció la aprobación SOBRESALIENTE CON MENCIÓN, con un calificativo promedio de DIECINUEVE (19).
A continuación, los miembros del Jurado dan manifiesto que el participante Bachiller André Omar Chávez Panduro en vista de haber aprobado la sustentación del Trabajo de Suficiencia Profesional, será propuesto para que se le otorgue el Título Profesional de Licenciado en Estadística.
Siendo las 17:30 horas se levantó la sesión firmando para constancia la presente Acta.
Dr. Oscar Antonio Robles Villanueva Dr. Helfer Joel Molina Quiñones PRESIDENTE MIEMBRO
Dra. Ofelia Roque Paredes
MIEMBRO ASESOR
La Vicedecana de la Facultad de Ciencias Matemáticas, Mg. Zoraida Judith Huamán Gutiérrez, certifica virtualmente la participación del Jurado Evaluador, el titulando, el acto de instalación y el inicio, desarrollo y término del acto académico de sustentación, dejando constancia en el acta respectiva.
RESUMEN
Interbank (Banco Internacional del Perú, S.A., es una de las principales instituciones financieras del Perú, compañía del Grupo Intercorp, conglomerado de empresas multinacionales de origen peruano que abarca sectores como banca, seguros, retail y demás, distinguida por tener como principales pilares el uso de la analítica avanzada de datos, con lo cual intenta llegar a sus clientes de manera más contextual y asertiva; la digitalización que en el actual contexto facilita y permite que las personas puedan hacer cualquier tipo de transacción de manera no presencial y con la misma seguridad de siempre y por último la visión central en el cliente, con lo cual buscamos que éste sea el centro de todas nuestras acciones ofreciéndole los mejores productos y ofertas cuando lo requiere y con lo antes mencionado acompañarlo a cumplir sus metas y sueños.
La sociedad actual vive en contextos volátiles, inciertos, complejos y ambiguos, por éste motivo del lado de los clientes cada vez solicitan productos más personalizados, en el momento oportuno y de la manera más accesible, asu vez del lado de la institución financiera tiene de ofrecer el producto idóneo, entendiendo la necesidad del cliente asegurando la relación a largo plazo de ambas partes. En éste contexto se pone énfasis en el producto crédito efectivo, el cual consiste en darle un préstamo monetario a los clientes con la particularidad de que éste crédito es parte de su línea de tarjeta de crédito consiguiendo buenos niveles de rentabilidad.
Por ende el objetivo del siguiente trabajo es identificar los principales factores que determinan o motivan la aceptación de un crédito efectivo, para así considerarlos en la identificación de los clientes con mayor necesidad del producto e incluirlo en las campañas comerciales para su correcta gestión. Se aplicaron los modelos de machine learning, de aprendizaje supervisado para clasificación, xgboost y lightgbm para la identificación de los factores que determinan la aceptación del producto financiero obteniendo como resultados: el total de campañas o iteracciones con el cliente, el monto asignado para disposición de efectivo, la puntuación de riesgo de crédito del cliente además de variables sociodemográficas como edad del cliente, región de residencia y el género de la persona.
Palabras claves: Machine learning, xgboost, lightgbm, aprendizaje supervisado.
Interbank (Banco Internacional del Perú, SA, is one of the main financial institutions in Peru, a company of the Intercorp Group, a conglomerate of multinational companies of Peruvian origin that covers sectors such as banking, insurance, retail and others, distinguished by having as its main pillars the use of advanced data analytics, with which it tries to reach its customers in a more contextual and assertive way; the digitization that in the current context facilitates and allows people to make any type of transaction in a non-face-to-face way and with the same always security and finally the central vision in the client, with which we seek that this is the center of all our actions by offering the best products and offers when required and with the aforementioned accompanying them to fulfill their goals and dreams.
Today's society lives in volatile, uncertain, complex and ambiguous contexts, for this reason the clients increasingly request more personalized products, at the right time and in the most accessible
way, as well as the financial institution's side. offer the ideal product, understanding the customer's need, ensuring the long-term relationship of both parties. In this context, emphasis is placed on the effective credit product, which consists of giving a monetary loan to clients with the particularity that this credit is part of their credit card line, achieving good levels of profitability.
Therefore, the objective of the following work is to identify the main factors that determine or motivate the acceptance of an effective credit, in order to consider them in the identification of the clients with the greatest need for the product and include it in the commercial campaigns for its correct management. Machine learning, supervised learning for classification, xgboost and lightgbm models were applied to identify the factors that determine the acceptance of the financial product, obtaining as results: the total number of campaigns or iterations with the client, the amount assigned for disposition of cash, the client's credit risk score as well as sociodemographic variables such as the client's age, region of residence and the person's gender.
Keywords: Machine learning, xgboost, lightgbm, supervised learning.
Índice
2.1. Datos de la empresa o institución ... ¡Error! Marcador no definido.
2.1.1. Visión ... ¡Error! Marcador no definido.
2.1.2. Valores ... ¡Error! Marcador no definido.
2.1.3. Razón Social ... ¡Error! Marcador no definido.
2.1.4. Dirección ... ¡Error! Marcador no definido.
2.1.5. Correo electrónico del personal encargado del área ... ¡Error! Marcador no definido.
2.1.6. Organigrama de la empresa: ... ¡Error! Marcador no definido.
2.2. Descripción de la actividad... ¡Error! Marcador no definido.
2.2.1. Organigrama del área de Data & Innovation ... ¡Error! Marcador no definido.
2.2.2. Finalidad del Presente TSP ... ¡Error! Marcador no definido.
2.2.3. Objetivos del TSP ... ¡Error! Marcador no definido.
2.2.4. Problemática ... ¡Error! Marcador no definido.
2.3. Metodología ... ¡Error! Marcador no definido.
2.3.1. Métodos ... ¡Error! Marcador no definido.
2.3.2. Herramientas ... ¡Error! Marcador no definido.
2.3.3. Procedimientos ... ¡Error! Marcador no definido.
2.3.4. Instrumentos ... ¡Error! Marcador no definido.
3.1. Definiciones ... ¡Error! Marcador no definido.
3.1.1. Minería de datos ... ¡Error! Marcador no definido.
3.1.2. CRISP – DM ... ¡Error! Marcador no definido.
3.1.3. Procesos Estocásticos ... ¡Error! Marcador no definido.
3.1.4. Función de Autocovarianza ... ¡Error! Marcador no definido.
3.1.5. Función de Autocorrelación ... ¡Error! Marcador no definido.
3.1.6. Función de autocorrelación parcial ... ¡Error! Marcador no definido.
3.1.7. Serie de Tiempo ... ¡Error! Marcador no definido.
3.1.11. Procesos Autorregresivos AR(p) ... ¡Error! Marcador no definido.
3.1.15. Indicadores de Error ... ¡Error! Marcador no definido.
3.2. Definición de variables... ¡Error! Marcador no definido.
3.3. Antecedentes de Investigación ... ¡Error! Marcador no definido.
3.3.1. Antecedentes Nacionales ... ¡Error! Marcador no definido.
3.3.2. Antecedentes Internacionales ... ¡Error! Marcador no definido.
IV. METODOLOGÍA ... ¡Error! Marcador no definido.
Bibliografía ... ¡Error! Marcador no definido.
I. INTRODUCCIÓN
El actual contexto mundial en el que nos encontramos a causa de la pandemia generada por el COVID – 19, todos los países buscan la reactivación en múltiples sectores, tales como: social, económico, salud y demás, en éste contexto el Perú se encuentra en un termómetro de reactivación nacional medio, es decir algunos de los sectores han iniciado su proceso de recuperación y en otros lamentablemente todavía no se han podido cumplir con los requerimientos mínimos para poder operar (Ministerio de Economía, Fomento y Turismo, 2021), situación apremiante y que preocupa pues esto incide en el índice del pobreza del país, temas de salubridad y acceso a la educación y muchos otros factores que miden el nivel de desarrollo de las naciones. La empresa en la cual laboro y sobre la cual tendremos impacto con la aplicación del presente trabajo es una entidad financiera que se encuentra dentro de los cuatro bancos más grandes del país y que tiene múltiples áreas de trabajo, una de las cuáles es el área de “Business Analytics” la cuál concentra distintas jefaturas dedicadas al procesamiento de datos hasta convertirlos en información para tomar deci- siones con impacto en los negocios. Actualmente estoy liderando el equipo de “Data Science Co- mercial” y tenemos como principales objetivos, el desarrollo y el productivo de soluciones analí- ticas, puesta en piloto y monetización de los principales productos analíticos, segmentaciones o perfilamiento de los clientes y demás. Debido al contexto actual descrito y los KPI’s o indicadores claves del equipo a quien represento, el presente trabajo tiene como principal objetivo identificar los factores que determinan o están asociados a la adquisición de un crédito efectivo a través de modelos de machine learning, y con esto poder identificar a los potenciales clientes y ofrecerles de manera proactiva el producto crédito efectivo, contribuyendo así con la reactivación económica y desarrollo del país.
El presente trabajo se encuentra dentro de la línea de investigación del análisis de datos y mode- lamiento de problemas de la sociedad ya que utilizaremos la información histórica de la gestión del producto crédito efectivo de manera mensual desde Mar-2018 hasta Feb-2019, sobre la cual se tratará de estimar o ajustar modelos de machine learning para la identificación de los factores que determinan o están asociados a la adquisición de un crédito efectivo que se compararán con las distintas métricas de validación de modelos de clasificación, eligiendo el que mejor se ajuste a los datos. Para el desarrollo del trabajo se siguió la metodología adaptada de TDSP que está basada en un proceso concatenado y sistemático de pasos con el objetivo del descubrimiento de
información en los datos, primero explorando, tratando y agregando valor a los datos. Luego se ajustaron modelos de machine learning de la familia de boosting, concluyendo que el modelo xgboost se ajusta mejor a los datos para la identificación de un crédito efectivo por parte de los clientes, obteniendo resultados en validación de 69.5% de precisión global, 69.9% de sensibilidad, y un índice de gini que denota la discriminancia de las clases de la variable objetivo por parte del modelo de 59.3%.
El principal objetivo del presente trabajo es identificar a los clientes más propensos a la adquisición de un crédito efectivo a través de modelos u algoritmos de machine learning, específicamente técnicas de boosting: xgboost y lightgbm las cuáles están consideradas como las técnicas o mode- los de machine learning más precisas, rápidaz y eficientes en uso de recursos informáticos, además del descubrimiento de los factores más importantes asociados a esta identificación.
II. DESCRIPCIÓN DE LA ACTIVIDAD
2.1 Institución donde desarrollo la actividad
• Interbank (Banco Internacional del Perú, S.A.) 2.2 Periodo de duración de la actividad
• 3 de abril del 2017 hasta la actualidad.
2.3 Finalidad y Objetivos de la empresa 2.3.1 Finalidad
• El banco tiene la finalidad de transformar la banca en el Perú y estar en todas las transac- ciones financieras de las personas sin que estas lo noten, con esta finalidad ha tratado de convertir cada agencia en una auténtica tienda financiera en la que, con solo ingresar, el cliente sintiera que accedía a un banco diferente, confiable y sólido. Un lugar donde podía encontrar productos y servicios financieros brindados con la asesoría necesaria y una aten- ción especial, ágil, conveniente, cercana e innovadora; y todas estas características las ha tratado de transmitir a todos sus canales es decir en todas las interacciones con el usuario.
2.3.2 Objetivos de la empresa 2.3.2.1 Objetivo
• Acompañar a los peruanos a cumplir sus sueños hoy, ofreciéndoles asesoría y productos financieros asertivos y contextuales diseñados para hacerles la vida más sencilla.
2.3.2.2 Misión
• Acompañar a los peruanos a lograr sus sueños hoy.
2.3.2.3 Visión
• Ser el mejor banco a partir de las mejores personas.
2.4 Datos de la empresa 2.4.1 Razón Social
• RUC 20100053455 2.4.2 Dirección
• Av. Carlos Villarán 140, La Victoria
2.4.3 Correo Institucional [email protected] .
2.4.4 Área
• Data Science
2.4.5 Organigrama de la empresa
2.5 Descripción de la actividad 2.5.1 Descripción de la actividad
• Dirigir el desarrollo, despliegue y monitoreo de todas las soluciones analíticas que el área provee a todos los usuarios de la compañía de manera oportuna.
• Dirigir la revisión del stock de las soluciones analíticas implementadas, en conjunto con las áreas usuarias.
• Proponer la mejora o reingeniería de procesos con el uso de base de datos analíticas, para mejorar la toma de decisiones basada en datos.
• Impulsar el uso de data y analítica avanzada en todo el banco, para crear una cultura de toma de decisiones con argumento en datos.
• Estar a la vanguardia buscando las nuevas tendencias de datos, tecnología, etc.
• Generar estructuras analíticas reusables, modela y comprende fenómenos complejos y pro- pone nuevos algoritmos o maneras de abordaje de problemas.
2.5.2 Organigrama del área
2.5.3 Finalidad del presente TSP
La finalidad del presente trabajo es identificar los factores que influyen en la adquisición de un crédito efectivo del lado del cliente, para así poder determinar cuáles de ellos tienen mayor posi- bilidad de aceptar el producto y gestionarlos de manera asertiva y contextual.
2.5.4 Objetivos del TSP 2.5.4.1 Objetivos
• Identificar los factores que influyen en la adquisición de un crédito efectivo del lado del cliente, para así poder determinar cuáles de ellos tienen mayor posibilidad de aceptar el producto y gestionarlos de manera asertiva y contextual.
2.5.4.2 Objetivos Específicos
• Analizar la sensibilidad en la identificación de los clientes con mayor posibilidad de acep- tar el crédito efectivo por los modelos de machine learning de xgboost y lightgbm.
• Describir los factores que influyen en la adquisición de un crédito efectivo del lado del cliente, para así poder determinar cuáles de ellos tienen mayor posibilidad de aceptar el producto.
• Analizar la especificidad en la identificación de los clientes con mayor posibilidad de acep- tar el crédito efectivo por los modelos de machine learning de xgboost y lightgbm.
2.5.5 Descripción documentada y sustentada de la problemática organizacional 2.5.5.1 Problemática
En la actualidad se genera aproximadamente una cantidad de información que supera los diez exa- bytes, el CEO de google en agosto del 2011, Eric Schmit afirmó: “Había 5 Exabytes de informa- ción creados entre el amanecer de la civilización hasta el 2003, pero ésta cantidad de información se crea ahora cada dos días y el ritmo está incrementándose”; sin embargo tal cantidad de infor- mación no necesariamente han acortado las brechas entre las necesidades de nuestros clientes y la personalización, es decir darle el producto o servicio idóneo en el momento correcto por el canal adecuado sigue siendo una de las tareas más complicada de la gestión de los clientes hoy en día.
Ya en 1995, Shapiro y Sviokla afirmaban que la adquisición de un nuevo cliente nos cuesta 5 veces más que retenerlo, por ende, para las empresas es crucial captar al cliente y que ésta relación sea al mayor plazo con la máxima fidelidad posible. De ésta manera la elección apropiada del mejor
cliente o prospecto a gestionar cobra gran relevancia pues estaríamos decrementando los costos de adquisición y maximizando la venta.
De acuerdo a lo antes mencionado y al contexto que nos toca vivir a causa del COVID-19, la identificación de los factores que inciden en la aceptación de un crédito efectivo toma mayor rele- vancia debido a que nos llevaría al nivel de personalización que buscamos, traeríamos una ventaja competitiva sobre otros agentes del sistema y sería parte de la reactivación de la economía del país.
2.5.5.1.1 Problema General
¿Qué diferencias existen entre los algoritmos de Extreme Gradient Boosting y Light Gradient Boosting Machine en la identificación de los factores asociadas a la aceptación de un crédito efec- tivo en una entidad financiera?
2.5.5.1.2 Problema Específicos
¿Qué diferencias existen entre los algoritmos de Extreme Gradient Boosting y Light Gradient Boosting Machine respecto a la precisión global de ambos en la identificación de los clientes más propensos a la aceptación de un crédito efectivo?
¿Qué diferencias existen entre los algoritmos de Extreme Gradient Boosting y Light Gradient Boosting Machine respecto a la sensibilidad de ambos en la identificación de los clientes más propensos a la aceptación de un crédito efectivo?
¿Qué diferencias existen entre los algoritmos de Extreme Gradient Boosting y Light Gradient Boosting Machine respecto a la importancia de los factores considerados en la identificación de los clientes más propensos a la aceptación de un crédito efectivo?
2.6 Breve descripción de la metodología
2.6.1. Instrumentos
La información a considerar la cual será analizada se encuentra en el repositorio de información (DataHub) el cual es custodio la institución financiera en la cual trabajo, en dónde podemos en- contrar información de ventas, campañas, canales, sistema financiero o RCC, información de clientes e información sociodemográfica.
2.6.2. Herramientas
Para el siguiente trabajo de investigación se han hecho uso de los siguientes recursos:
▪ Teradata Studio, donde se aloja el repositorio unificado de la institución financiera.
▪ Athena BBDD para la lectura y escritura de la base de datos.
▪ Lenguaje de programación Python para el análisis de datos.
▪ Lenguaje de programación Python para la implementación de los mo- delos predictivos.
▪ Tableau para la construcción del reporte.
▪ AWS SageMaker para el despliegue y ciclo de vida del modelo.
▪ BitBucket para el versionamiento y repositorio del código.
2.6.2 Procedimiento
1) Comprensión del negocio
1.1) Validación de la situación
1.2) Objetivos del negocio del proyecto y alineación con los principales stakeholders.
1.3) Realizar el plan del proyecto y presentación de la propuesta de solución ana- lítica.
2) Comprensión y entendimiento de los datos 2.1) Esquema de BD
2.2) Metaanálisis de la BD
2.3) Análisis exploratorio de datos
3) Preparación, procesamiento, limpieza y tratamiento de los datos 3.1) Selección de datos
3.2) Limpieza de datos 3.3) Estructurar los datos 3.4) Integración de los datos 3.5) Formateo de los datos 4) Modelado de los datos
4.1) Crear variables relevantes y posibles candidatas para el desarrollo del caso de uso.
4.2) Elección de las variables más importantes en la resolución del caso de uso.
4.3) Construir el modelo (configuración de parámetros, estabilizar la precisión y variabilidad, descripción del modelo)
4.4) Evaluación del modelo (revisión de las métricas más relevantes y análisis de sensibilidad entre precisión y variabilidad)
5) Evaluación
5.1) Evaluar los resultados (comparación de KPIs de pronóstico, aprobación de modelos)
5.2) Revisión del proceso
6) Implementación
6.1) Plan de implementación
6.2) Plan de monitoreo y mantención 6.3) Informe final
6.4) Revisión del proyecto
2.6.3 Instrumentos
La fuente de datos del presente trabajo de investigación corresponde a las fuentes de información del modelo de industria o repositorio de datos de la institución financiera. La población con la que se trabajó la investigación son los clientes de la institución financiera con los que pudimos tener algún contacto efectivo o conversación con el titular en el periodo de Mar-2018 hasta Feb-2019.
La unidad de análisis es cada cliente con el que pudimos hacer un contacto efectivo o conversación con él, en el periodo de Mar-2018 hasta Feb-2019.
Se trabajó con una muestra de 400,088 clientes de la institución financiera con los que pudimos tener algún contacto efectivo o conversación con el titular en el periodo de Mar-2018 hasta Feb- 2019, la muestra fue probabilística, estratificada implícitamente por tipo o situación de aprobación del cliente, a un nivel de confianza del 95%.
III. MARCO TEÓRICO
3.1 Machine Learning
“El Machine Learning es un método de análisis de datos que automatiza la construcción de solu- ciones o modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que los sistemas pueden aprender de datos, identificar patrones y tomar decisiones con la mínima inter- vención humana” (SAS, 2021).
Los modelos de Machine Learning utilizan ciertas metodologías del aprendizaje estadístico y al- goritmos de ciencias de la computación para su aplicación, cabe mencionar las grandes diferencias entre éstas dos metodologías, puesto que en el aprendizaje estadístico previamente a la aplicación de cualquier técnica validamos ciertos supuestos que deben cumplir los datos, a diferencia del aprendizaje de máquina o machine learnig donde son los propios datos y su análisis los que nos otorgan los patrones o supuestos comprobados.
Esto último, además de la conectividad de dispositivos, la personalización, las necesidades cada vez más sofisticadas de clientes o usuarios y la explosión de grandes volúmenes de datos hacen que los modelos o algoritmos de machine learning puedan analizar estos datos, con tiempos y rendimientos óptimos en la resolución de distintos problemas de la naturaleza y negocios. El pro- ceso de uso de algoritmos de machine learning en la resolución de problemas sigue el diagrama adjunto a continuación el cual describiremos de manera suscinta.
Figura N° 3.1 Proceso de aplicación de técnicas de machine learning en la industria
Nota: Elaboración propia, adaptado de la figura de The Team Data Science Process (TDSP), Microsoft (2020)
En la Figura N° 3.1 se muestra el proceso de aplicación de técnicas de machine learning en la industria el cual utilizaremos para la aplicación del siguiente trabajo y a continuación describire- mos las partes del proceso; Entendimiento del negocio, fase inicial donde entendemos el problema al que deseamos darle solución y planteamos los objetivos del proyecto; Entendimiento del dato, donde mapeamos el origen o fuente de la información además de la periodicidad de actualización y los responsables de esta; Modelamiento, la cual es la fase más importante del proceso, empe- zando por realizar la ingeniería de variables en donde construimos y le damos valor agregado al conjunto de datos para después pasar a la selección de las características mas importantes de las antes construidas, después de las partes del proceso mencionadas ya deberíamos tener las variables candidatas al modelamiento por nuestro algoritmo de aprendizaje de máquina y pasamos a la etapa de ajuste o entrenamiento del modelo que va de la mano con encontrar los mejores parámetros para el mejor ajuste con los datos que le hemos proporcionado.
La etapa final del modelamiento es la validación de los resultados del algoritmo entrenado, para lo cual debemos validarlo a nivel técnico con métricas tales como: precisión, exactitud, índice de
gini y demás y a nivel de negocio con curvas de efectividad y ganancias, estadístico de kolmogo- rov-smirnov y demás. Por último, si las partes del proceso antes descritas son ejecutadas con éxito pasamos a poder en producción o despliegue la solución analítica con machine learning y así ce- rrando satisfactoriamente el ciclo.
Dentro de las aplicaciones más relevantes se encuentran investigaciones y estudios en muchos campos, tales como: salud, economía, finanzas, marketing, agronomía, manufactura y demás.
Los modelos de machine learning se clasifican en tres grandes categorías: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. Las técnicas del aprendizaje supervisado tienen la particularidad del estudio de casos donde se tiene una variable dependiente o de estudio que justamente es la que supervisa o guía el aprendizaje del algoritmo la cual buscamos predecir, pronosticar o estudiar con un conjunto de variables llamadas independientes o explicativas, cabe comentar que se entiende que existe una relación funcional entre la variable de estudio y las demás variables. De otro lado, en las técnicas no supervisadas no encontramos esta variable respuesta u objetivo antes mencionada, por ende, el objetivo principal es encontrar las asociaciones, relaciones o correspondencias entre todas las variables disponibles y de ser posible encontrar patrones, grupos o alguna estructura interna para relacionar las variables.
Finalmente nos encontramos con el aprendizaje por refuerzo el cuál es parecido al aprendizaje supervisado, pero tiene la particularidad de dotar o asignar cierta valoración a el algoritmo de machine learnig por la elección o decisión que éste pueda estar sugiriendo o tomando.
Figura N° 3.2 Tipos de métodos de Machine Learning y principales aplicaciones.
Nota: Elaboración propia.
En la Figura N° 3.2 se muestra un panorama general de las técnicas de machine learning con sus principales aplicaciones dentro de la industria además de las metodologías más comunes usadas en la validación de éstas. Dentro de las técnicas de aprendizaje supervisado encontramos la clasi- ficación y la predicción que se diferencian principalmente por el objetivo que tienen o la variable de estudio que trabajan, para este trabajo de investigación nosotros por la naturaleza de la variable objetivo nos encontramos en clasificación y estudiaremos las principales metodologías de
“boosting” o potenciación de árboles llamadas Xgboost y Lightgbm.
3.1.1 Aprendizaje Supervisado
Dentro del Machine Learning, Aprendizaje Automático o Aprendizaje de Máquina existe una rama o tipología de algoritmos llamados de aprendizaje supervisado los cuáles intentan solucionar prin- cipalmente dos tipos de problemas, los de predicción o pronóstico y los de clasificación. Los
algoritmos pertenecientes al aprendizaje supervisado intentan explicar o descifrar la relación fun- cional que existe entre las variables independientes o covariables (conocido como variables de entrada al algoritmo) y una variable de salida o dependiente (variable objetivo o target). Esta rela- ción funcional que se pretende encontrar será representada en una estructura matemática y se le denominará modelo o solución analítica. Por lo general, los modelos describen y explican fenó- menos de la naturaleza y de los negocios que pudieran estar ocultos en los datos. Justamente ad- quieren el nombre de métodos supervisados pues la variable objetivo o target al conocerse es la que supervisa el aprendizaje del algoritmo y trata de que puede aprender cada vez más al propor- cionarle más y más ejemplos. Los métodos supervisados se pueden desarrollar y las podemos im- plementar en diversas múltiples áreas de distintas empresas, tales como ventas, marketing, riesgos, distribución, entre otras (Rokach & Maimon, 2014).
3.1.2 Árboles de clasificación
Los árboles de clasificación son algoritmos predictivos formados por reglas, en algunos casos bi- narias y en otros multi-vía con las que se consigue repartir las observaciones en función de sus características y predecir así el valor de la variable objetivo o respuesta.
Existen algoritmos predictivos que generan modelos o representaciones paramétricas, en los que una única ecuación se aplica a toda la información disponible. En muchos problemas de los nego- cios y la naturaleza en dónde la variable objetivo es explicada con un gran número de predictores, que interaccionan entre ellos de forma compleja y no lineal, es difícil encontrar una representación paramétrica que sea capaz de reflejar la relación entre las variables independientes o predictoras.
Los algoritmos de machine learning basados en árboles engloban a un conjunto de técnicas super- visadas no paramétricas que consiguen segmentar o disgregar el espacio de las variables indepen- dientes o características en regiones simples, dentro de las cuales es más sencillo manejar las in- teracciones. Es esta característica principal la que les proporciona gran parte de su potencial y empleabilidad. A continuación, mencionaremos lo que consideramos ciertas ventajas y desventajas de éstos.
Ventajas:
✓ Los árboles son fáciles de interpretar, aun cuando las relaciones entre las variables independien- tes son complejas, debido a su estructura jerárquica y representación visual.
✓ Los árboles son versátiles al tipo de dato que intentemos analizar, es decir sea una variable nu- mérica o categórica.
✓ Al tratarse de algoritmos de machine learning no paramétricos, no es necesario que se cumpla ningún tipo de supuesto o distribución de los datos específica.
✓ En muchas situaciones, no requieren mucho trabajo en limpieza y preprocesamiento de los datos en comparación con otras metodologías, por ejemplo, algunos métodos estadísticos.
✓ Son muy útiles en el análisis exploratorio de datos, debido a que permiten identificar de forma rápida y eficiente las variables independientes (predictores) más relevantes para la explicación del target.
✓ Pueden aplicarse a problemas de regresión y clasificación.
Desventajas:
✓ La precisión de los algoritmos basados en un único árbol es por lo general inferior a la conseguida con otros modelos. Esto es debido a su tendencia al sobreajuste por su tema de volatilidad en la predicción en otras poblaciones de datos.
✓ Son sensibles a poblaciones en donde la variable objetivo o respuesta sea desbalanceada (Una de las clases es predominante sobre las demás).
✓ Cuando tratan con predictores continuos, pierden parte de su información al categorizarlos en el momento de la división de los nodos.
✓ Tienen severos problemas al tratar de generalizar fuera del rango de las variables independientes observadas en los datos de entrenamiento.
Terminología empleada en el uso de algoritmos de árboles de decisión:
Es de vital importancia el conocimiento de la terminología usada en el uso de los algoritmos basa- dos en árboles de decisión:
1. Nodo raíz: Representa la población total o la muestra para el desarrollo del modelo predictivo y además se divide en 2 o más conjuntos homogéneos representados por las clases de la variable objetivo.
2. Splitting (división): Es el proceso de dividir un nodo en 2 o más sub-nodos, dependiendo de algún criterio de información.
3. Nodo decisor: Cuando un sub-nodo se divide en más sub-nodos, luego esto es llamado nodo decisor.
4. Hoja o nodo terminal: Es un nodo terminal, es decir ya no se pueden hacer más divisiones a partir de él.
5. Poda: Cuando retiramos sub-nodos de un nodo decisor, generalmente el uso es para controlar el sobre ajuste.
6. Rama o sub-árbol: Una sección o parte de un árbol completo.
7. Nodo padre y nodo hijo: Un nodo que es dividido en otros nodos es llamado nodo padre y los nodos resultantes de la división vendrían a ser los nodos hijos.
Figura N° 3.3 Elementos de un algoritmo de árbol de clasificación.
Nota: Analytics Vidhya,2016.
3.1.3 Ensamble de modelos
La idea del aprendizaje en conjunto o por mayoría (ensamble) es construir un modelo de predicción final o resultante mediante la combinación de modelos unitarios mediante alguna metodología de decisión. El aprendizaje en conjunto se puede dividir en dos tareas: desarrollar una población de estudiantes base a partir de 22 los datos de capacitación y luego combinarlos para formar el pre- dictor compuesto (Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome; 2009).
Figura N° 3.4 Esquema de una metodología de ensamble de modelos.
Nota: Analytics Vidhya,2021.
En la Figura 3.4, tenemos modelos individuales de M1 a Mn que están dando predicciones de Pred1 a Predn respectivamente, la idea ahora es combinarlas para tener un resultado único. Es importante decidir, ¿cómo hacemos esta combinación? Hay varias técnicas para hacer esto, y aquí es donde el arte de ensamblar entra en escena. Así que comencemos por comprender algunas de estas técnicas básicas.
En resumen, los métodos de ensamble de modelos envuelven un grupo de modelos predictivos que buscan conseguir equilibrar la precisión y estabilidad de los clasificadores unitarios en un modelo final. Algunos de los métodos de ensamble más usados son Bagging, Boosting y Stacking.
3.1.4 Boosting
Los algoritmos de “boosting” o potenciación son una familia de algoritmos que tienen como obje- tivo principal convertir clasificadores débiles en clasificadores fuertes. Dentro del Machine Lear- ning se han convertido en los más utilizados debido a que pueden ser empleados tanto para pro- blemas de clasificación y de regresión.
El objetivo principal fue el desarrollo de un mecanismo o meta-clasificador que combine los re- sultados de muchos clasificadores "débiles" para producir uno “poderoso” (Hastie, Trevor; Tibshi- rani, Robert; Friedman, Jerome; 2009).
Los métodos de boosting o potenciación son procesos secuenciales, en el que cada modelo poste- rior intenta corregir los errores del modelo anterior. Los modelos siguientes tienen una dependen- cia del modelo anterior.
Trataremos de ejemplificar el mecanismo de aprendizaje en los algoritmos de boosting (Analytics Vidhya, 2018):
1. Se crea un subconjunto de datos a partir del conjunto de datos original.
2. En un primer momento, todos los puntos de datos reciben el mismo peso o ponderación.
3. Se crea un modelo base o clasificador débil (weak learner) en este subconjunto de datos.
4. Este modelo o clasificador inicial se utiliza para hacer predicciones en todo el conjunto de datos.
5. Los errores de predicción se calculan utilizando los valores reales y los valores predichos.
6. Las observaciones que se predicen incorrectamente reciben un mayor peso. (Aquí, los tres puntos azules más clasificados erróneamente recibirán un mayor peso)
7. Se crea otro modelo y se hacen predicciones sobre el conjunto de datos. (Este modelo intenta corregir los errores del modelo anterior)
8. Repitiendo los pasos anteriores, se crean múltiples modelos, cada uno corrigiendo los erro- res del modelo anterior y con la consideración que no sean clasificadores tan complejos.
9. El modelo final (aprendiz fuerte o clasificador fuerte o strong learner) es la media ponde- rada de todos los modelos (aprendices débiles o clasificadores débiles o weak learners).
Por ende, el algoritmo de boosting combina una cantidad de clasificadores débiles para formar un clasificador fuerte. Los clasificadores individuales no funcionarían bien en todo el espectro de datos, pero funcionan bien para alguna parte del conjunto de datos. Por lo tanto, cada modelo mejora realmente el rendimiento del conjunto.
3.1.5 Xgboost
(Chen, Tianqi; Guestrin, Carlos, 2016) desarrollaron un algoritmo de árboles, mediante el proceso de boosting llamado xgboost, el cual es ampliamente utilizado por muchos apasionados de la ana- lítica avanzada y la ciencia de datos para lograr resultados descollantes en muchos desafíos de aprendizaje automático como por ejemplo los que se desarrollan en Kaggle, Analytics Vidhya y demás. En dicho estudio proponen una nueva estructura de modelo el cuál trabaja muy bien con datos sparse (presentan muchos 0) y pesos ponderados que revisamos en la anterior sección para el aprendizaje aproximados de los árboles. Además, se han incluido mejoras en los procesos de acceso a la memoria cache, la compresión de información y la fragmentación de datos. Todo esto en busca de construir un sistema escalable de árboles. Por lo antes expuesto, xgboost escala muy bien en comparación a otros algoritmos basados en árboles o en emsamble de éstos, debido al uso eficiente de recursos, además de apoyarse en la computación paralela en ciertas partes del meca- nismo de boosting.
Xgboost (“Gradiente de refuerzo regularizado) es una implementación avanzada del algoritmo de aumento de gradiente. Además, tiene un alto poder predictivo y es casi 10 veces más rápido que las otras técnicas de aumento de gradiente. También incluye una variedad de regularización que reduce el sobreajuste y mejora el rendimiento general. Por lo tanto, también se la conoce como técnica de ' refuerzo regularizado '.
3.1.6 Lightgbm
Lightgbm es un algoritmo de boosting o potenciación rápido, distribuido y de alto rendimiento basado en ensambles de árboles de decisión, que se utiliza para la clasificación, regresión y muchas otras tareas de aprendizaje automático.
Debido que se basa en algoritmos de árboles de decisión, divide las hojas del árbol con el mejor ajuste, mientras que otros algoritmos de boosting, como por ejemplo el xgboost, dividen la pro- fundidad del árbol o el nivel en lugar de la hoja. Por ende, cuando se crece en la misma hoja en Lightgbm, el algoritmo de hoja puede reducir más pérdidas que el algoritmo de nivel y, por lo tanto, tenemos como resultado una precisión mucho mejor que rara vez se puede lograr con cual- quiera de los algoritmos de boosting. Debido a que la búsqueda es por hojas y ya no por nivel es que es mucho más rápido que cualquier otro algoritmo de boosting, de ahí la palabra “Light” que significa luz dando a resaltar la rapidez de éste.
Antes hay una representación esquemática de los creadores del Light GBM para explicar la dife- rencia claramente. (Analytics Vidhya, 2018):
Figura N° 3.5 Esquema de búsqueda de patrones por hojas.
Nota: Analytics Vidhya,2017.
3.1.7 Evaluación de los modelos
3.1.7.1. Matriz de confusión: Una matriz de confusión es una representación matricial de los resultados de las clases predichas por un algoritmo de clasificación respecto a las clases verdaderas de la variable objetivo o target que se realizan en cualquier prueba, ya sea binaria o multiclase. Es muy usada para validar y entender el rendimiento del modelo de clasificación (o "clasificador") sobre un conjunto de datos de prueba cuyos valores reales ya son conocidos.
Figura N° 3.6 Representación de una matriz de confusión binaria.
Nota: Datasource.ia,2020.
Donde:
✓ Verdadero Positivo (TP): Predicho Verdadero y Verdadero en realidad.
✓ Verdadero Negativo (TN): Predicho Falso y Falso en realidad.
✓ Falso Positivo (FP): Predicción de verdadero y falso en la realidad.
✓
Falso Negativo (FN): Predicción de falso y verdadero en la realidad3.1.7.2. Exactitud o precisión global del modelo: Lo que queremos responder es ¿En general, con qué frecuencia acierta nuestro modelo? La fórmula es la siguiente:
𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 = (𝑇𝑃 + 𝑇𝑁)/(𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁)
3.1.7.3. Sensibilidad: Lo que queremos responder es ¿Cuándo en la realidad la variable objetivo toma la clase principal o valor positivo, con qué frecuencia el modelo predice la clase principal o un sí? La fórmula es la siguiente:
𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = (𝑇𝑃)/(𝑇𝑃 + 𝐹𝑁)
3.1.7.4. Curva ROC -AUC: El área bajo la curva ROC es un método muy útil para evaluar un modelo o clasificador. Al trazar la tasa positiva verdadera (sensibilidad) frente a la tasa de falsos positivos (1 - especificidad), obtenemos la curva de Característica Operativa del Receptor (ROC).
Esta curva nos permite visualizar el equilibrio entre la tasa de verdaderos positivos y la tasa falsos positivos, como se representa a continuación:
(Myazina, 2017) Muestra intervalos de AUC que se asocian a la calidad del modelo desarrollado y para comparar dos o más modelos entre sí, compara el área bajo las curvas de la siguiente manera:
Tabla N° 3.1 Poder predictivo de acuerdo al indicador AUC.
Nota: Elaboración propia.
3.1.7.5. Índice de Gini:
El coeficiente o índice de Gini es una métrica popular para los valores de clase desequilibrados.
El coeficiente oscila entre 0 y 1, donde 0 representa la igualdad perfecta y 1 la desigualdad perfecta.
Aquí, si el valor de un índice es mayor, entonces los datos estarán más dispersos.El coeficiente de Gini puede calcularse a partir del área bajo la curva ROC usando la siguiente fórmula:
Í𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑔𝑖𝑛𝑖 = 2 ∗ (Á𝑟𝑒𝑎 𝑏𝑎𝑗𝑜 𝑙𝑎 𝑐𝑢𝑟𝑣𝑎 𝑅𝑂𝐶 − 𝐴𝑈𝐶) − 1
3.2. Antecedentes de la Investigación 3.2.1. Antecedentes Nacionales
Alarcón (2017) en “Modelos de Minería de Datos: Random forest y Adaboost, para identificar los factores asociados al uso de las TIC(internet, telefonía fija y televisión de paga) de los hogares en Perú, 2014.”, utilizó dos modelos de machine learning para la identificación los factores más rele- vantes del uso de las TIC, encontrando que éstos son: la lengua materna de las personas, el nivel de estudio del jefe de hogar y el área sociodemográfica donde se encuentra el jefe de hogar. Ade- más se realizó un perfilamiento o se trató de encontrar los perfiles más interesantes haciendo in- teractuar éstas 3 variables con el objetivo de predecir el uso de las TIC, encontrando por ejemplo que en hogares donde el jefe de familia tiene como lengua madre el castellano, su nivel de instruc- ción es técnica o universitaria además de vivir en zonas urbanas el uso o interacción con las TIC es más frecuente que en otros perfiles, poniendo a denotar que de cierta manera la georreferencia- ción, el nivel de inversión del estado y la urbanización son barreras que el estado debe ir homolo- gando para el bienestar de más peruanos.
Rivera (2020) en “Determinación de la aceptación de un producto financiero basado en la gestión de llamadas a clientes potenciales en una campaña vigente usando algoritmos de aprendizaje au- tomático.”, nos muestra el uso de tres modelos de aprendizaje automático, específicamente ha- blando de Gradient Boosting Machine(GBM), Extreme Gradient Boosting (Xgboost) los cuales pertenecen a la familia de ensamble de modelos y una red neuronal para determinar la aceptación de un producto financiero en las bases de datos de un call center de una institución financiera, haciendo la comparación entre éstos con el indicador AUC (Área debajo de la curva ROC), una métrica de comparación de modelos de clasificación. En los resultados expuestos se puede obser- var que el modelo Extreme Gradient Boosting (Xgboost) fue el que obtuvo los mejores resultados alcanzando un AUC de 74.26% que denota el poder predictivo del clasificador, además de alcanzar una sensibilidad del 82.89% lo cual muestra un alto poder predictivo sobre la clase de interés y esto se vió reflejado en los indicadores claves de negocio como la efectividad de la campaña, la
aceptación del producto y el contacto efectivo que se obtuvo en los meses de comprobación de mayo y junio del 2018.
3.2.1. Antecedentes Internacionales
Chamorro (2020) en “Malware Detection with Machine Learning” utiliza en una primera etapa dos algoritmos de machine learning para la identificación de malware y poder hacer frente a los continuos ataques de los delincuentes virtuales que en ésta época de digitalización y transforma- ción cada vez son más numerosos. Como resaltamos usa en un primer momento una red neuronal (DNN) y un boosting de árboles (Lightgbm) encontrando que éste último es superior en clasifica- ción global y en sensibilidad de la identificación de éste tipo de ataque cibernético. En una segunda etapa el autor plantea la idea de stacking de modelos, una manera alternativa de ensamble de éstos, donde utiliza lo mejor de las redes neuronales y de las técnicas de bagging de árboles a las cuáles pertenece el modelo de random forest, encontrando con ésta última metodología, un GAP de +50%
sobre la DNN y un +15% sobre el algoritmo de Lightgbm.
Martins (2021) en “Desarrollo de Modelo de Customer Lifetime Value (CLTV) para industria bancaria con técnicas de Machine Learning” tiene como objetivo principal el cálculo del valor futuro de los clientes(CLV) para de ésta manera poder fidelizar y rentabilizar a los clientes más valiosos y optimizar las decisiones de gestión entre los menos valiosos. Para esto hace un repaso por las diferentes técnicas estadísticas y econométricas resaltando las características más impor- tantes de cada una de éstas y proponiendo una nueva metodología, hacerlo con los algoritmos de Machine Learning más utilizados, para esto en una primera etapa forma grupos o segmentos para cada variable independiente, tratando de encontrar grupos de clientes más y menos valiosos me- diante algoritmos de segmentación, específicamente un “k-means”, realizando múltiples iteraccio- nes con validación en indicadores estadísticos y también observando distribuciones a nivel de ne- gocio. Una vez obtenido los grupos para las variables predictoras o explicativas, se generó un score o puntuación a nivel del cliente, haciendo una suma de los grupos a los que pertenecen cada indi- viduo y al final agrupando ésta valoración a nivel cliente en 4 puntuaciones finales o clases las
cuáles en la segunda etapa queremos predecir a través de los algoritmos xgboost y lightgbm para una predicción multiclase obteniendo 82% y 83% de precisión global respectivamente.
IV. METODOLOGÍA
4.1 Tipo y diseño de investigación
El diseño de la investigación o trabajo de aplicación presentado es de tipo aplicado, puesto que el objetivo principal es dar solución a problemas o situaciones concretas e identificables (Bunge, 1971); cuantitativa ya que los resultados obtenidos parten del uso de herramientas estadísticas e informáticas; y descriptiva pues a partir del presente trabajo de aplicación intentaremos explicar las características o factores principales que motivan a los clientes a la adquisición de un crédito efectivo. El diseño de la investigación es no experimental, debido a que no se realizaron manipu- laciones de variables, sino que se trabajó a partir de características ya existentes , de corte trans- versal porque los datos pertenecen a un periodo único y fijo en el tiempo.
4.2 Variables
Se utilizaron en total 89 variables, 88 independientes asociadas a características sociodemográficas del cliente, situación de endeudamiento en el sistema financiero, condición de la oferta de riesgos e iteraciones por nuestros canales a través de las ofertas comerciales enviadas y 1 variable depen- diente que es la situación de aprobación del crédito efectivo.
Para el análisis, se evaluará las siguientes variables de estudio:
Tabla N° 4.2 Listado de variable usadas en la construcción de la solución analítica.
Variable Descripción
cant_apr Situación de aprobación del crédito efectivo del cliente.
monto Monto ofertado como extracash para el cliente.
ctd_prod_rccsf_m01 Cantidad de productos activos distintos hace un mes prom_salvig_entprinc_pp_rccsf_03
m Promedio del saldo vigente de préstamos personales en la entidad principal de los últimos tres meses
max_usotcrrstsf06m
Máximo porcentaje de uso de tarjetas de crédito fuera de Interbank en los úl- timos seis meses
max_usotcrrstsf03m Máximo porcentaje de uso de tarjetas de crédito fuera de Interbank en los úl- timos tres meses
prm_lintcribksf06m Promedio de las líneas de tarjetas de crédito en Interbank en los últimos seis meses
lin_tcribksf03m Línea total de la tarjeta de crédito en Interbank de los últimos tres meses lin_tcribksf06m Línea total de la tarjeta de crédito en Interbank de los últimos seis meses cre_salvig_pp_rccsf_m02
Crecimiento del saldo vigente de los préstamos personales en el Sistema Fi- nanciero en el último mes
prm_usotcrrstsf06m Promedio del uso de tarjeta de crédito fuera de Interbank en los últimos seis meses
prm_lintcribksf03m Promedio de las líneas de tarjetas de crédito en Interbank en los últimos tres meses
prm_usotcrrstsf03m Promedio del uso de tarjeta de crédito fuera de Interbank en los últimos tres meses
ratuso_tcrrstsf_m13
Ratio de uso de tarjeta de crédito fuera de Interbank, comparando el mes ac- tual respecto a 3 meses.
promctdprodrccsf3m Promedio de la cantidad de productos en el sistema financiero en los últimos 3 meses.
ratpct_saldopprcc_m13 Ratio del Procentaje de Saldo Vigente de Prestamo Personal respecto al Saldo Vigente Total segun RCC del Mes 1 respecto al Mes 3
promctdprodrccsf6m Promedio de cantidad de productos segun RCC en los ultimos 6 meses
flg_svltcrsrcf
Indicador si tiene saldo vigente y línea total mayor a cero de tarjeta de cré- dito de Retail (Unión Falabella, Financiera CMR, Ripley, Cencosud, Finan- ciera Uno).
max_camptottlv06m Máxima cantidad de campañas en todos los productos en el canal televentas en los últimos seis meses.
min_camptottlv06m Mínima cantidad de campañas en todos los productos en el canal televentas en los últimos seis meses.
frc_camptottlv06m
Frecuencia de la cantidad de campañas en todos los productos en el canal te- leventas en los últimos seis meses.
max_camptot06m Máxima cantidad de campañas en todos los productos en todos los canales en los últimos seis meses.
min_camptot06m Mínima cantidad de campañas en todos los productos en todos los canales en los últimos seis meses.
frc_camptot06m Frecuencia de la cantidad de campañas en todos los productos en todos los canales en los últimos seis meses.
grp_campecs06m
Grupo de frescura de las campañas en el producto extracash en el canal tele- ventas en los últimos seis meses.
ctd_campecs06m Cantidad de campañas en el producto extracash en el canal televentas en los últimos seis meses.
prm_campecs06m Promedio de la cantidad de campañas en el producto extracash en el canal televentas en los últimos seis meses.
ing_brt Ingreso bruto de residencia de la persona.
sexo Género de residencia de la persona.
region Región de residencia de la persona.
flg_notdeseaecs01m Indicador si la persona ha rechazado en el último mes una campaña de EC.
flg_notdeseaecs02m Indicador si la persona ha rechazado en los últimos 2 meses una campaña de EC.
flg_notdeseaecs03m
Indicador si la persona ha rechazado en los últimos 3 meses una campaña de EC.
sgt_cem Segmento CEM.
ctd_proac Cantidad de campañas proactivas en las que ha estado la persona.
ctd_cttefeproac Cantidad de campañas proactivas en las que ha estado la persona.
ctd_cttefetot Cantidad de campañas proactivas en las que ha estado la persona.
rng_pst Rango pst.
ubigeo_buro Ubigeo buró.
edad Se calcula en base a la fecha de Nacimiento de la persona. La fórmula es:
[Hoy] - [Fecha de Nacimiento de la persona]
prm_diasatrrd03m Promedio de días de atraso con riesgo directo en los últimos 3 meses prm_saltotrdpj03m Promedio de saldo de persona jurídica en los últimos 3 meses prm_saltotrdpj12m Promedio de saldo de persona jurídica en el último año
dsv_diasatrrdpj12m Desviación de días de atraso con riesgo directo persona jurídica en el último año
max_pctsalimpago12m Máximo porcentaje de saldo impago en el último año
prm_diasatrrdpj03m Promedio de días de atraso con riesgo directo de persona jurídica en los últi- mos 3 meses
prm_diasatrrdpj03m Promedio de días de atraso con riesgo directo de persona jurídica en los últi- mos 3 meses
Nota: Elaboración propia.
Para mostrar los resultados del presente trabajo, tendremos en consideración el proceso de aplica- ción de técnicas de machine learning en la industria que mostramos en la Figura 3.1, donde el entendimiento del negocio ya está implícito en la propuesta de los objetivos planteados. Ahora abordaremos las siguientes etapas.
4.3 Adquisición y entendimiento de los datos:
4.3.1. Análisis Univariado
En relación a la variable objetivo estudiada en el presente trabajo, es decir la aceptación del crédito efectivo por cada cliente se puede observar en la figura 5.1 que, del total de clientes contactados, es decir que tenemos la oportunidad de hacerles la oferta comercial, sólo el 6% de éstos nos aceptan el producto en mención, lo que nos pone en frente de una situación conocida en los problemas de clasificación como desbalance de clases.
Figura N° 4.1 Distribución de clientes por estado de aprobación mensual.
Fuente: Elaboración propia.
En relación a la contactabilidad de la persona, observamos que del total de clientes que pertenecen al periodo de observación el 88% de éstas tiene un perfil recomendado, lo que nos indica que tenemos muy buena posibilidad de contactarlos vía llamada telefónica y es de vital importancia pues la gestión de estos clientes se hace por el canal proactivo que manejamos.
Figura N° 4.2 Distribución de clientes según el nivel de contactabilidad.
Fuente: Elaboración propia.
Respecto a la interacción que ha tenido el cliente con nosotros, o las veces que lo hemos intentado gestionar por nuestros canales, observamos que del total de clientes que son parte de nuestro estu- dio el 93% de éstos en promedio ha estado en los últimos 6 meses en campañas, es decir la recu- rrencia con la que gestionamos es bastante alta lo que en algunos casos podría ocasionar cierta falta de aceptación o asertividad ante las ofertas comerciales por el continuo intento de venta
Figura N° 4.3 Distribución de clientes según la frecuencia en las campañas.
Fuente: Elaboración propia.
Con referencia al nivel de clientes nuevos o no recurrentes en las últimas seis campañas comercia- les, podemos observar que el 25% de éstos acumulan los perfiles G1 y G2 los cuales de acuerdo a comportamientos históricos son donde podemos encontrar las mejores efectividades en campañas.
Figura N° 4.4 Distribución de clientes según recurrencia del cliente en campañas.
Fuente: Elaboración propia.
Respecto a variables sociodemográficas, podemos observar que el 56% son del género masculino, con un nivel sociodemográfico por lo general no conocido, el cual ha sido etiquetado por otros en los datos para su correcto procesamiento.
Figura N° 4.5 Distribución de clientes de acuerdo al género.
Fuente: Elaboración propia.
Adicional, observamos que el 32.1% del total de clientes analizados son casados y solteros respec- tivamente, dejando un 35.9% para clientes que no tenemos sus datos de estado civil; así también observamos que el 52% son independientes, los cuales son un perfil interesante para la adquisición del producto crédito efectivo pues son clientes a los cuáles les conviene tener dinero en efectivo y poder moverlo de manera dinámica y con un buen retorno de la inversión.
Figura N° 4.6 Distribución de clientes según situación laboral.
Fuente: Elaboración propia.
4.3.2. Análisis Bivariado
Realizando el análisis de los principales factores que podrían influir en la adquisición del producto crédito efectivo, podemos observar que del total de clientes con situación laboral independientes el 6.6% de éstos adquiere el producto, mientras que, del total de clientes con situación laboral dependiente, sólo el 4.3% de éstos adquieren el producto, lo que nos sugiere que la situación labo- ral podría ser un factor que determine o influya en la aceptación de un crédito efectivo.
Figura N° 4.7 Distribución de clientes según situación laboral de acuerdo a la aceptación del pro- ducto crédito efectivo.
Nota: Elaboración propia.
Respecto al nivel de contactabilidad, podemos observar que los clientes SSC, sin score de contacto son los que mayor aceptación tienen por el producto, respecto a las demás categorías no se observa ningún comportamiento significativo.
Figura N° 4.8 Distribución de clientes según nivel de contactabilidad de acuerdo a la aceptación del producto crédito efectivo.
Fuente: Elaboración propia.
En referencia al nivel de recurrencia del cliente, se percibe claramente que a menor gestión o in- teracción con éste en las campañas comerciales mayor es el porcentaje de aceptación del producto
crédito efectivo, lo que nos marca una tendencia clara en la asertividad de la oferta desde un 13.8%
en el G1 (Menos gestión comercial) hasta un 1.5% en el G5 (Mayor gestión comercial).
Figura N° 4.9 Distribución de clientes según recurrencia del cliente en campañas de acuerdo a la aceptación del producto crédito efectivo.
Fuente: Elaboración propia.
Adicional, con referencia al nivel socioeconómico (Medida total económica y sociológica que combina la preparación laboral de una persona, de la posición económica y social individual o familiar en relación a otras personas, basada en sus ingresos, educación y empleo) es clara la ten- dencia que mientras menor es el nivel socioeconómico mayor es posibilidad o chance del cliente a la aceptación del producto y viceversa.
Figura N° 4.10 Distribución de clientes según el nivel socioeconómico de acuerdo a la acepta- ción del producto crédito efectivo.
Fuente: Elaboración propia.
4.3.3. Tratamiento y limpieza de los datos
Para el punto en mención se realizaron los siguientes procesos, teniendo en cuenta el tipo de va- riable con la que estábamos trabajando y su impacto en las distintas pruebas en busca de la solución en mención.
Tabla N° 4.3 Técnicas de tratamiento de datos usadas por tipo de problema.
Fuente: Elaboración propia.
4.3.4. Modelos de Machine Learning
Se utilizaron para el presente trabajo los modelos de xgboost y lightgbm para identificar los prin- cipales drivers o factores que motivan la adquisición de un crédito efectivo, considerada la variable objetivo o dependiente.
Para cada modelo utilizado en el presente trabajo de investigación, se repartieron los datos dispo- nibles y que son parte de nuestra población de desarrollo (PD) en tres partes de la siguiente manera:
59% (218 300 clientes) para la muestra de entrenamiento dentro de la etapa de construcción, el 29% (107 521 clientes) para la muestra de prueba dentro de la etapa de construcción y otro 12%
(41 823 clientes) para la muestra de validación, la cual es extraída de un periodo fuera de la muestra de desarrollo.
Figura N° 4.11 Distribución de los datos en muestras de construcción y de validación.
Fuente: Elaboración propia.
Con el objetivo de conservar la parsimonia de los modelos dentro de nuestro trabajo, es decir mantener un balance entre la precisión y la volatilidad de éstos, pasamos por un proceso de se- lección de variables a través de un bosque de árboles con 250 árboles, teniendo como variables candidatas o variables independientes un total de 88 variables. Al término del proceso de selec- ción obtuvimos un universo de 40 drivers o variables finales.