Aprendizaje supervisado en el desarrollo de un clasificador de incumplimiento crediticio con enfoque en la automatización para el conjunto de datos de los créditos educativos otorgados a los estudiantes de la Universidad de la Sabana

Abstract

La disponibilidad de datos y herramientas para el análisis exhaustivo ha abierto nuevas posibilidades en áreas donde el costo o la complejidad anteriormente limitaban el acceso. Un ejemplo de ello son los modelos de aprendizaje automático, los cuales brindan a las entidades no financieras herramientas competitivas para la predicción del riesgo crediticio en comparación con los modelos de puntuación tradicionales. Incluso, muchas entidades bancarias utilizan estos enfoques para optimizar sus sistemas de puntuación. En el caso de las entidades educativas que proporcionan su propio capital para respaldar a los estudiantes; estos modelos representan una excelente alternativa al azar frente al análisis de crédito. Este documento se desarrolló con el objetivo de conducir a la Universidad de La Sabana por la creación de una metodología a la medida de sus datos que, con ayuda de las técnicas de aprendizaje de maquina y la optimización automática de modelos determine si los datos de los estudiantes permiten la predicción de impago de cartera.