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, 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.

Bibliographic Details

Main Author:	Esmail, Mariano Nahuel
Format:	info:eu-repo/semantics/masterThesis biblioteca
Language:	spa
Online Access:	http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2722_EsmailM
Tags:	Add Tag No Tags, Be the first to tag this record!