Algoritmo de Machine Learning para la implementación de un Scoring de pagos en el sistema de cajas municipales

Abstract

La gestión de cobranzas juega un rol importante en las empresas del sistema financiero peruano (SFP) porque su efectividad significa maximizar los ingresos y minimizar el gasto de provisiones, es decir, reducir el riesgo crediticio. El SFP está conformado por 5 subsistemas; uno de ellos es el sistema de cajas municipales donde el gasto de provisiones es su mayor preocupación porque su incremento ha sido vertiginoso disminuyendo los ingresos financieros y, además, generando reducción de las utilidades o incluso pérdidas. La falta de cultura de pago, la desinformación, la pérdida o disminución de la fuente de ingresos o la negligencia son causas del no pago en los créditos vencidos y, por consiguiente, del incremento del gasto de provisiones. Una consideración particularmente importante al explorar las cobranzas es la probabilidad de pago. La investigación presentada en este documento se basa en dos metodologías que calculan estas probabilidades: el Scoring de Admisión o de Créditos (SA), que puede usarse al momento de evaluar el otorgamiento de un crédito, y el Scoring de Pagos (SP), que se puede utilizar para identificar los clientes con mayor probabilidad de pago. Este estudio es capaz de predecir la probabilidad de pago de un crédito vencido, lo cual es valioso porque apoyaría los procesos de cobranzas con estrategias más efectivas y toma de decisiones óptimas. Finalmente, en esta investigación se presenta un modelo para la predicción de la probabilidad de pago a través de un Scoring de Pagos. Este algoritmo es una metodología que calcula la probabilidad de que el cliente realice un pago con lo cual se mejorará la priorización de clientes apoyando el trabajo diario de los gestores de cobranza.

Collection management plays an important role in peruvian financial system (SFP)´s companies because its effectiveness means maximizing income and minimizing the expenses of provisions, that is, reducing credit risk. The SFP is made up of 5 subsystems; one of them is the municipal financial system, where the expense of provisions is its greatest concern because its increase has been vertiginous, affecting financial income, which has also decreased and, in addition, generating a reduction in profits or even losses. The lack of a payment culture, misinformation, the loss or reduction of the source of income or negligence are causes of non-payment of overdue loans and, consequently, of the increase in the expense of provisions. A particularly important consideration when exploring collections is the probability of payment. The research presented in this document is based on two methodologies that calculate these probabilities: the Admission or Credit Scoring (SA), which can be used when evaluating the granting of a loan, and the Payment Scoring (SP), which can be used to identify customers most likely to pay. This paper is capable of predicting the probability of payment of an overdue loan, which is valuable in the SFP and would support collection processes with more effective strategies and optimal decision-making. Finally, this research presents a model for predicting the probability of payment through a Payment Scoring. This algorithm is a methodology that calculates the probability that the client will make a payment, which will improve the prioritization of clients, supporting the daily work of collection managers.