Maestría en Analítica de Datos para la Toma de Decisiones · 2026

Modelo predictivo de riesgo crediticio bajo estándares SARC: Diseño de una interfaz de soporte a la decisión

La estabilidad del ecosistema financiero depende intrínsecamente de la eficiencia con la que las entidades gestionan y mitigan el riesgo crediticio. En el contexto de los lineamientos del Sistema de Administración de Riesgo Crediticio (SARC), la evaluación del perfil de los deudores requiere metodologías que superen las limitaciones de los modelos paramétricos tradicionales, los cuales suelen ser insuficientes ante la complejidad y el volumen de los datos financieros modernos. En respuesta a este desafío, el presente proyecto de investigación aplicada tiene como objetivo diseñar un modelo predictivo de aprendizaje supervisado para la evaluación del riesgo y el perfilamiento de clientes, como soporte para la toma de decisiones comerciales basada en evidencia. Para lograrlo, se plantea un diseño metodológico cuantitativo de alcance predictivo, estructurado en cuatro fases secuenciales bajo los principios de la analítica de datos. El desarrollo del presente proyecto integrador inicia con la estructuración de un repositorio integral mediante la aplicación de protocolos de extracción, transformación y carga (ETL), garantizando la calidad y fiabilidad de la información. Seguido a esto, se ejecuta el Análisis Exploratorio de Datos (EDA) multivariado para diagnosticar la colinealidad y seleccionar las características sociodemográficas y financieras con mayor poder discriminante. En la tercera fase, se consolida el núcleo analítico del proyecto a través de la ejecución de una evaluación comparativa a diversos algoritmos de Machine Learning (desde aproximaciones logísticas hasta modelos de ensamble como Gradient Boosting) con el fin de seleccionar el modelo óptimo. Esta selección se fundamenta en la maximización de métricas de rendimiento estandarizadas, particularmente el Área Bajo la Curva ROC (AUC), logrando un balance técnico entre la sensibilidad operativa (Recall) y la precisión frente a clases desbalanceadas. Por último, la investigación se materializa a través del despliegue del modelo ganador en una calculadora desarrollada en Python. Este entregable se consolida como una interfaz interactiva que actúa como Sistema de Soporte a la Decisión (DSS) permitiendo estimar de manera automatizada la probabilidad de incumplimiento. Como resultado, el proyecto propone una arquitectura tecnológica escalable que reduce la subjetividad humana en el otorgamiento de crédito, aportando una herramienta práctica, auditable y alineada con las exigencias del sector financiero contemporáneo.