Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.udla.edu.ec/handle/33000/16639
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Morocho Cayamcela, Manuel Eugenio | - |
dc.creator | Madrid Borja, Carlos Javier | - |
dc.date.accessioned | 2024-09-10T20:49:35Z | - |
dc.date.available | 2024-09-10T20:49:35Z | - |
dc.date.issued | 2024 | - |
dc.identifier.citation | Madrid, C. (2024). Análisis de calificación de crédito para clientes de instituciones financieras (Tesis de maestría). Universidad de las Américas, Quito. | es_ES |
dc.identifier.other | UDLA-EC-TMINCD-2024-22 | - |
dc.identifier.uri | http://dspace.udla.edu.ec/handle/33000/16639 | - |
dc.description | This project addresses the problem that financial institutions have to solve to classify and qualify suitable clients prior to the disbursement of loans. It is proposed to use artificial intelligence and data science algorithms to find the best solution; for this, there are three candidate classification models; Multinomial Logistic Regression, Multiclass Random Forest and Multiclass Artificial Neural Network for the construction of several models whose results will be evaluated according to their precision metric when correctly classifying clients within the three possible options; bad, good and standard. After comparing the results obtained, the last one was selected as the best option due to the percentage of precision achieved. Finally, it is concluded that any financial institution that implements it can trust that it will achieve the expected results, helping to increase its competitive advantage and technological innovation over the competition. | es_ES |
dc.description.abstract | Este proyecto aborda el problema que tienen que solucionar las instituciones financieras para clasificar y calificar clientes idóneos previo al desembolso de créditos. Se propone hacer uso de inteligencia artificial y algoritmos de ciencia de datos para encontrar la mejor solución; para esto, se enfrentan a tres modelos de clasificación candidatos; Regresión Logística Multinomial, Random Forest Multiclase y Red Neuronal Artificial Multiclase para la construcción de sendos modelos cuyos resultados serán evaluados de acuerdo a su métrica de precisión al clasificar correctamente clientes dentro de las tres opciones posibles; malo, bueno y estándar. Luego de comparar los resultados obtenidos se seleccionó al último como la mejor opción debido al porcentaje de precisión alcanzado. Finalmente, se concluye que cualquier institución financiera que lo implemente puede tener la confianza de que logrará los resultados esperados ayudando a aumentar su ventaja competitiva e innovación tecnológica frente a la competencia. | es_ES |
dc.format.extent | 72 p. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Quito: Universidad de las Américas, 2024 | es_ES |
dc.rights | openAccess | es_ES |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ec/ | * |
dc.subject | CALIFICACIÓN DE CRÉDITO | es_ES |
dc.subject | EVALUACIÓN CREDITICIA | es_ES |
dc.subject | INSTITUCIONES FINANCIERAS | es_ES |
dc.subject | CIENCIA DE DATOS | es_ES |
dc.title | Análisis de calificación de crédito para clientes de instituciones financieras | es_ES |
dc.type | masterThesis | es_ES |
Aparece en las colecciones: | Maestría en Inteligencia de Negocios y Ciencia de Datos |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
UDLA-EC-TMINCD-2024-22.pdf | 1,8 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons