Publicación a texto completo no autorizada por el autor / Las entidades financieras están desarrollando constantemente modelos que les ayuden a predecir el comportamiento de sus clientes, con el fin de mejorar sus ganancias o de reducir las pérdidas, como el riesgo de “no pago” o de “morosidad”.
El objetivo es crear un modelo predictivo de Árboles de Decisión por Clasificación con minería de datos para predecir la morosidad financiera en Lima Metropolitana, describiendo y analizando las variables independientes con el algoritmo CHAID (Detector automático de Chi-cuadrado de interacción) siguiendo la metodología CRISP-DM en una base de datos de una entidad financiera. La principal ventaja de esta metodología es que no está sujeta a supuestos estadísticos, este método es muy usado cuando se busca predecir o clasificar comportamientos de riesgo, como la morosidad, y se cuenta con más variables cualitativas que cuantitativas. La metodología persigue la separación óptima en la muestra, de tal modo que los grupos de la variable respuesta ofrecen distintos perfiles de riesgo. / Trabajo de suficiencia profesional
Identifer | oai:union.ndltd.org:Cybertesis/oai:cybertesis.unmsm.edu.pe:cybertesis/7432 |
Date | January 2016 |
Creators | Tafur Tembladera, Edelina Anyela |
Contributors | Kraenau Espinal, Erwin |
Publisher | Universidad Nacional Mayor de San Marcos |
Source Sets | Universidad Nacional Mayor de San Marcos - SISBIB PERU |
Language | Spanish |
Detected Language | Spanish |
Type | info:eu-repo/semantics/bachelorThesis |
Format | application/pdf |
Source | Universidad Nacional Mayor de San Marcos, Repositorio de Tesis - UNMSM |
Rights | info:eu-repo/semantics/restrictedAccess |
Page generated in 0.0015 seconds