PROBLEMA DE NEGOCIO
La importancia de mitigar el riesgo crediticio ha motivado a una institución financiera alemana a buscar enfoques innovadores. En este sentido se desarrolla un modelo de machine learning preciso y confiable para evaluar con mayor exactitud la probabilidad de incumplimiento crediticio de los clientes de la institución. Se adjunta el archivo .csv que contiene la base de datos inicial y el diccionario de datos que contiene el detalle de cada una de las variables involucradas.
PROCESOS DESARROLLADOS
Preprocesamiento de Datos: limpieza de datos, manejO de valores faltantes, codificación de variables categóricas.
Exploración de Datos: Análisis del conjunto de datos proporcionado, identificación de variables llaves y realizar visualizaciones para entender las relaciones entre las variables y seleccionar las características relevantes.
Construcción de Modelos: Experimentar con algunos algoritmos de machine learning como Regresión Logística, Árboles de Decisión, Random Forest, Naive Bayes, entre otros.
Evaluación y Selección del Modelo: Aplicación de métricas tales como precisión, recall, área bajo la curva ROC, y F1-score. Seleccionar el modelo con el mejor rendimiento para la predicción de la solvencia crediticia.
Bibliotecas: Pandas, Numpy, Scikit-learn, Seaborn, Matplotlib, Pycaret
RESULTADOS Y CONCLUSIONES
-
Mejora de la Eficiencia Operativa: La implementación de nuestros modelos ha llevado a una mejora significativa en la eficiencia operativa al acelerar el desarrollo de scoring bancario. Esto se traduce en una reducción de los tiempos de implementación y una mayor agilidad en la toma de decisiones.
-
Adaptabilidad a Cambios en el Entorno Financiero: Tenemos una herramienta adaptable, capaz de ajustarse a cambios en el entorno financiero y en las preferencias del mercado. Esta flexibilidad es crucial para garantizar que nuestros modelos de scoring sigan siendo relevantes y efectivos a lo largo del tiempo.
-
Aumento de la Precisión en las Decisiones Crediticias: La capacidad del modelo para evaluar rápidamente el riesgo crediticio, ha contribuido a una gestión más efectiva de las carteras y una reducción de pérdidas.
-
Reducción de Errores y Pérdidas: La implementación, llevará a una reducción significativa de errores en la evaluación del riesgo crediticio, lo que se traduce directamente en una disminución de pérdidas para la institución financiera.
NOTA: proyecto desarrollado en el Bootcamp de Ciencia de Datos.