Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera
El riesgo de crédito se entiende como la posibilidad de que una entidad financiera incurra en pérdidas y disminuya el valor de sus activos como consecuencia de que un deudor o contraparte incumpla sus obligaciones. (Superintendencia de Industria y Comercio, 2023), Poder acercarse o poder predecir es...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad del Rosario
- Repositorio:
- Repositorio EdocUR - U. Rosario
- Idioma:
- spa
- OAI Identifier:
- oai:repository.urosario.edu.co:10336/44052
- Acceso en línea:
- https://doi.org/10.48713/10336_44052
https://doi.org/10.4877510336_44052
https://repository.urosario.edu.co/handle/10336/44052
- Palabra clave:
- Análisis de negocios
Modelos estadísticos para la toma de decisiones
Modelos de scoring
Gestión de riesgo de crédito
Business analysis
Statistical models for decision-making
Scoring models
Credit risk management
- Rights
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| id |
EDOCUR2_cd5c36d5185701e3e206f6d99f8cd6dd |
|---|---|
| oai_identifier_str |
oai:repository.urosario.edu.co:10336/44052 |
| network_acronym_str |
EDOCUR2 |
| network_name_str |
Repositorio EdocUR - U. Rosario |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera |
| dc.title.TranslatedTitle.none.fl_str_mv |
Determine the feasibility of implementing a predictive model for credit recovery to reduce the overdue loan ratio in the management and recovery process of a financial institution |
| title |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera |
| spellingShingle |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera Análisis de negocios Modelos estadísticos para la toma de decisiones Modelos de scoring Gestión de riesgo de crédito Business analysis Statistical models for decision-making Scoring models Credit risk management |
| title_short |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera |
| title_full |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera |
| title_fullStr |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera |
| title_full_unstemmed |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera |
| title_sort |
Determinar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financiera |
| dc.contributor.advisor.none.fl_str_mv |
Molina Muñoz, Jesús Enrique |
| dc.subject.none.fl_str_mv |
Análisis de negocios Modelos estadísticos para la toma de decisiones Modelos de scoring Gestión de riesgo de crédito |
| topic |
Análisis de negocios Modelos estadísticos para la toma de decisiones Modelos de scoring Gestión de riesgo de crédito Business analysis Statistical models for decision-making Scoring models Credit risk management |
| dc.subject.keyword.none.fl_str_mv |
Business analysis Statistical models for decision-making Scoring models Credit risk management |
| description |
El riesgo de crédito se entiende como la posibilidad de que una entidad financiera incurra en pérdidas y disminuya el valor de sus activos como consecuencia de que un deudor o contraparte incumpla sus obligaciones. (Superintendencia de Industria y Comercio, 2023), Poder acercarse o poder predecir esta probabilidad puede llegar a ser un factor distintivo en una etapa del ciclo del crédito como: la gestión de recuperación de cartera. Por lo anterior este proyecto empresarial tiene como objetivo principal determinar la viabilidad de implementar herramientas de BA para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera de exempleados en la EFoe, a través de diferentes herramientas de BA como son, inteligencia de negocios, visualización de datos, gestión ágil de proyectos, ética y seguridad de datos, modelos estadísticos para la toma de decisiones, modelos de scoring, analytics life cycle management, gobernanza de sistemas de información y análisis de riesgos. A su vez este proyecto de BA implica etapas fundamentales como el entendimiento del negocio, entendimiento y preparación de los datos, modelado, evaluación y despliegue. Se realizará un modelo de scoring para recuperación de créditos a partir de la metodología logit, regresión logística y otros de machine learning, para determinar qué tan viable resulta para la organización, impulsando la eficiencia operativa y obteniendo una ventaja competitiva en un entorno empresarial en constante evolución, a su vez busca obtener información precisa sobre las posibilidades de incumplimiento y tomar decisiones asertivas alineadas con la estrategia empresarial, esto con el fin de conducir a la EFoe a mantener un indicador de calidad de cartera alineado al sector, para evitar o reducir el incumplimiento en el pago de los créditos aprobados y plantear estrategias para gestionar de manera diferencial a los deudores, fundamentadas en la recopilación, procesamiento y análisis de datos. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-10-31T15:25:07Z |
| dc.date.available.none.fl_str_mv |
2024-10-31T15:25:07Z |
| dc.date.created.none.fl_str_mv |
2024-10-23 |
| dc.type.none.fl_str_mv |
bachelorThesis |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.document.none.fl_str_mv |
Trabajo de grado |
| dc.type.spa.none.fl_str_mv |
Trabajo de grado |
| dc.identifier.doi.none.fl_str_mv |
https://doi.org/10.48713/10336_44052 https://doi.org/10.4877510336_44052 |
| dc.identifier.uri.none.fl_str_mv |
https://repository.urosario.edu.co/handle/10336/44052 |
| url |
https://doi.org/10.48713/10336_44052 https://doi.org/10.4877510336_44052 https://repository.urosario.edu.co/handle/10336/44052 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.acceso.none.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International Abierto (Texto Completo) http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| dc.format.extent.none.fl_str_mv |
89 pp |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad del Rosario |
| dc.publisher.department.none.fl_str_mv |
Escuela de Administración Escuela de Ingeniería, Ciencia y Tecnología |
| dc.publisher.program.none.fl_str_mv |
Maestría en Business Analytics |
| publisher.none.fl_str_mv |
Universidad del Rosario |
| institution |
Universidad del Rosario |
| dc.source.bibliographicCitation.none.fl_str_mv |
Altamar Perez, N. (16 de agosto de 2023). La cartera vencida en créditos de consumo subió 56,17% y llegó hasta $15,7 billones. La República. https://www.larepublica.co/finanzas/la-cartera-vencida-en-creditos-de-consumo-aumento-56-17-y-llego-a-15-7-billones-3681424 Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32 https://doi.org/10.1023/A:1010933404324. Chandra, B., Gupta, M. y Gupta, M.P (2007). Robust Approach for Estimating Probabilities in Naive-Bayes Classifier. In International Conference on Pattern Recognition and Machine Intelligence (pp. 11-16). Chiu, D. (2015). Machine Learning with R cookbook. Publishing ltda, Congreso de la República de Colombia. (10 de julio 2023). Ley 2300: por la cual se establecen medidas que protejan el derecho a la intimidad de los consumidores. Diario Oficial No. 52452. Cramer, J. (2010). Logit Models from Economics and other Fields. Cambridge University Press. https://doi.org/10.1017/CBO9780511615412. Daza Sandoval, L.C. (2015). Estrategias basadas en el modelo de análisis predictivo árbol de decisión para la mejora del proceso de recaudo de cartera de la línea vehículo particular del banco Davivienda S.A. [Pontificia Universidad Javeriana]. https://repository.javeriana.edu.co/bitstream/handle/10554/16448/DazaSandovalLauraCarolina2015.pdf?sequence=3 Ghatak, A. (2017). Machine Learning with R. Springer Nature. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=213990. IBM. (17 de agosto del 2021). Guía de CRISP-DM de IBM SPSS Modeler. https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview IBM. (17 de agosto del 2021). Máquina de vectores de soporte de Oracle. https://www.ibm.com/docs/es/spss-modeler/saas?topic=mining-oracle-support-vector-machine-svm IBM. (22 de noviembre de 2021). SPSS Modeler Subscription. 74 https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-clustering-models Lizares, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico. [Universidad Nacional Mayor de San Marcos]. https://unmsm.ent.sirsi.net/client/es_ES/all_libs/search/results?qu=Lizares&te= Martinez Zapata, D. (2016). Desarrollo y Validación de Modelo de Scoring de Admisión para Tarjetas de Crédito con metodología de Inferencia de Denegados [ Universidad Carlos III de Madrid]. https://documentacion.fundacionmapfre.org/documentacion/publico/pt/bib/158007.do Mendez Anaya, W.A & Galvis Jurado, M.A. (2019). Modelo de cálculo de la Probabilidad de Recuperación de la Cartera Castigada en la Agencia de Financiera Comultrasan en San Gil [Universidad Autónoma de Bucaramanga]. https://repository.unab.edu.co/bitstream/handle/20.500.12749/14690/2019_Tesis_Galvis_Jurado_Mario_Alexander.pdf?sequence=1 Nieto, S. (2010). Crédito al consume: La estadística aplicada a un problema de riesgo crediticio. [Universidad Autónoma Metropolitana]. http://www.academia.edu/8454174/Proyecto_de_Tesis_Cr%C3%A9dito_al_Consumo _La_Estad%C3%ADstica_aplicada_a_un_problema_de_Riesgo_Crediticio Murphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press. Superintendencia Financiera de Colombia. (2021). Circular Externa 018 de 2021, Capítulo XXXI Sistema Integral de Administración de Riesgos SIAR. Parte I Generalidades. https://www.superfinanciera.gov.co/loader.php?lServicio=Tools2&lTipo=descargas&lFuncion=descargar&idFile=1055798 Superintendencia Financiera de Colombia. (2024). Sobre la protección de datos personales. https://www.sic.gov.co/content/sobre-la-protecci%C3%B3n-de-datos-personales#:~:text=Dato%20Privado%3A,indebido%20puede%20generar%20su%20discriminaci%C3%B3n. Superintendencia Financiera de Colombia. (2023). Buscador de terminos. https://www.superfinanciera.gov.co/glosario/buscar/www.superfinanciera.gov.co?q=cartera Tabladillo, M. (27 de febrero de 2024). The team data science process lifecycle. Learn Microsoft. https://learn.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle The Circus (13 de marzo de 2023). Riesgo de crédito: qué son y cuales hay. The Circus. https://www.santanderconsumer.es/blog/post/riesgo-de-credito-o-crediticio-que-son-y-cuales-hay#:~:text=El%20riesgo%20de%20cr%C3%A9dito%20o,no%20recupere%20el%20dinero%20prestado. Villamil Bahamon, R. (2013). Modelo predictivo neuronal para la evaluación del riesgo de crédito. [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/bitstream/handle/unal/52246/08901050.2013.pdf?sequence=1&isAllowed=y |
| dc.source.instname.none.fl_str_mv |
instname:Universidad del Rosario |
| dc.source.reponame.none.fl_str_mv |
reponame:Repositorio Institucional EdocUR |
| bitstream.url.fl_str_mv |
https://repository.urosario.edu.co/bitstreams/98f508b3-4d48-4d76-9958-630a9ae36499/download https://repository.urosario.edu.co/bitstreams/4af54b74-2225-4e21-882d-3f849054a19d/download https://repository.urosario.edu.co/bitstreams/b0883795-fbcd-4325-9467-17e9cb9b7a06/download https://repository.urosario.edu.co/bitstreams/7bc85dc5-5d8f-4ecf-aeb6-0e62ef947422/download https://repository.urosario.edu.co/bitstreams/f81ff894-5ef8-471d-8aee-77f824a14260/download |
| bitstream.checksum.fl_str_mv |
b2825df9f458e9d5d96ee8b7cd74fde6 fe5d18c295beb0662c865d672287251f 3b6ce8e9e36c89875e8cf39962fe8920 bb1edc03194dcac39ac6bfdb05dc6c3d eefa961a5ef93239f8460cb507a7ceeb |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional EdocUR |
| repository.mail.fl_str_mv |
edocur@urosario.edu.co |
| _version_ |
1831928113012932608 |
| spelling |
Molina Muñoz, Jesús Enrique36eaa433-c7d9-4737-9491-c0b3406c99fa-1Gamba Sotelo, Ana SolanyiMagíster en Business AnalyticsPart time1da41de4-177e-4664-a020-47af91ac6c5b-12024-10-31T15:25:07Z2024-10-31T15:25:07Z2024-10-23El riesgo de crédito se entiende como la posibilidad de que una entidad financiera incurra en pérdidas y disminuya el valor de sus activos como consecuencia de que un deudor o contraparte incumpla sus obligaciones. (Superintendencia de Industria y Comercio, 2023), Poder acercarse o poder predecir esta probabilidad puede llegar a ser un factor distintivo en una etapa del ciclo del crédito como: la gestión de recuperación de cartera. Por lo anterior este proyecto empresarial tiene como objetivo principal determinar la viabilidad de implementar herramientas de BA para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera de exempleados en la EFoe, a través de diferentes herramientas de BA como son, inteligencia de negocios, visualización de datos, gestión ágil de proyectos, ética y seguridad de datos, modelos estadísticos para la toma de decisiones, modelos de scoring, analytics life cycle management, gobernanza de sistemas de información y análisis de riesgos. A su vez este proyecto de BA implica etapas fundamentales como el entendimiento del negocio, entendimiento y preparación de los datos, modelado, evaluación y despliegue. Se realizará un modelo de scoring para recuperación de créditos a partir de la metodología logit, regresión logística y otros de machine learning, para determinar qué tan viable resulta para la organización, impulsando la eficiencia operativa y obteniendo una ventaja competitiva en un entorno empresarial en constante evolución, a su vez busca obtener información precisa sobre las posibilidades de incumplimiento y tomar decisiones asertivas alineadas con la estrategia empresarial, esto con el fin de conducir a la EFoe a mantener un indicador de calidad de cartera alineado al sector, para evitar o reducir el incumplimiento en el pago de los créditos aprobados y plantear estrategias para gestionar de manera diferencial a los deudores, fundamentadas en la recopilación, procesamiento y análisis de datos.Credit risk is understood as the possibility that a financial entity may incur losses and decrease the value of its assets as a result of a debtor or counterparty failing to fulfill their obligations (Superintendencia de Industria y Comercio, 2023). Being able to approach or predict this probability can become a distinctive factor in a stage of the credit cycle such as portfolio recovery management. Therefore, this business project aims primarily to determine the feasibility of implementing BA tools to reduce the delinquency rate in the management and recovery process of former employees portfolios at EFoe, through various BA tools such as business intelligence, data visualization, agile project management, ethics and data security, statistical models for decision-making, scoring models, analytics life cycle management, information systems governance, and risk analysis. Moreover, this BA project involves key stages such as understanding the business, data understanding and preparation, modeling, evaluation, and deployment. A scoring model will be developed for credit recovery using methodologies like logit, logistic regression, and other machine learning techniques, to assess the organization's viability, enhance operational efficiency, and gain a competitive advantage in a continually evolving business environment. It also aims to obtain precise information on default probabilities and make assertive decisions aligned with the business strategy, with the goal of guiding EFoe to maintain a portfolio quality indicator aligned with the sector, to prevent or reduce default on approved credits and propose differential strategies for managing debtors, based on data collection, processing, and analysis.89 ppapplication/pdfhttps://doi.org/10.48713/10336_44052https://doi.org/10.4877510336_44052https://repository.urosario.edu.co/handle/10336/44052spaUniversidad del RosarioEscuela de AdministraciónEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Business AnalyticsAttribution-NonCommercial-NoDerivatives 4.0 InternationalAbierto (Texto Completo)http://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2Altamar Perez, N. (16 de agosto de 2023). La cartera vencida en créditos de consumo subió 56,17% y llegó hasta $15,7 billones. La República. https://www.larepublica.co/finanzas/la-cartera-vencida-en-creditos-de-consumo-aumento-56-17-y-llego-a-15-7-billones-3681424Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdfBreiman, L. (2001). Random Forests. Machine Learning, 45, 5-32 https://doi.org/10.1023/A:1010933404324.Chandra, B., Gupta, M. y Gupta, M.P (2007). Robust Approach for Estimating Probabilities in Naive-Bayes Classifier. In International Conference on Pattern Recognition and Machine Intelligence (pp. 11-16).Chiu, D. (2015). Machine Learning with R cookbook. Publishing ltda, Congreso de la República de Colombia. (10 de julio 2023). Ley 2300: por la cual se establecen medidas que protejan el derecho a la intimidad de los consumidores. Diario Oficial No. 52452.Cramer, J. (2010). Logit Models from Economics and other Fields. Cambridge University Press. https://doi.org/10.1017/CBO9780511615412.Daza Sandoval, L.C. (2015). Estrategias basadas en el modelo de análisis predictivo árbol de decisión para la mejora del proceso de recaudo de cartera de la línea vehículo particular del banco Davivienda S.A. [Pontificia Universidad Javeriana]. https://repository.javeriana.edu.co/bitstream/handle/10554/16448/DazaSandovalLauraCarolina2015.pdf?sequence=3Ghatak, A. (2017). Machine Learning with R. Springer Nature. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=213990.IBM. (17 de agosto del 2021). Guía de CRISP-DM de IBM SPSS Modeler. https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overviewIBM. (17 de agosto del 2021). Máquina de vectores de soporte de Oracle. https://www.ibm.com/docs/es/spss-modeler/saas?topic=mining-oracle-support-vector-machine-svmIBM. (22 de noviembre de 2021). SPSS Modeler Subscription. 74 https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-clustering-modelsLizares, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico. [Universidad Nacional Mayor de San Marcos]. https://unmsm.ent.sirsi.net/client/es_ES/all_libs/search/results?qu=Lizares&te=Martinez Zapata, D. (2016). Desarrollo y Validación de Modelo de Scoring de Admisión para Tarjetas de Crédito con metodología de Inferencia de Denegados [ Universidad Carlos III de Madrid]. https://documentacion.fundacionmapfre.org/documentacion/publico/pt/bib/158007.doMendez Anaya, W.A & Galvis Jurado, M.A. (2019). Modelo de cálculo de la Probabilidad de Recuperación de la Cartera Castigada en la Agencia de Financiera Comultrasan en San Gil [Universidad Autónoma de Bucaramanga]. https://repository.unab.edu.co/bitstream/handle/20.500.12749/14690/2019_Tesis_Galvis_Jurado_Mario_Alexander.pdf?sequence=1Nieto, S. (2010). Crédito al consume: La estadística aplicada a un problema de riesgo crediticio. [Universidad Autónoma Metropolitana]. http://www.academia.edu/8454174/Proyecto_de_Tesis_Cr%C3%A9dito_al_Consumo _La_Estad%C3%ADstica_aplicada_a_un_problema_de_Riesgo_CrediticioMurphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press. Superintendencia Financiera de Colombia. (2021). Circular Externa 018 de 2021, Capítulo XXXI Sistema Integral de Administración de Riesgos SIAR. Parte I Generalidades. https://www.superfinanciera.gov.co/loader.php?lServicio=Tools2&lTipo=descargas&lFuncion=descargar&idFile=1055798Superintendencia Financiera de Colombia. (2024). Sobre la protección de datos personales. https://www.sic.gov.co/content/sobre-la-protecci%C3%B3n-de-datos-personales#:~:text=Dato%20Privado%3A,indebido%20puede%20generar%20su%20discriminaci%C3%B3n.Superintendencia Financiera de Colombia. (2023). Buscador de terminos. https://www.superfinanciera.gov.co/glosario/buscar/www.superfinanciera.gov.co?q=carteraTabladillo, M. (27 de febrero de 2024). The team data science process lifecycle. Learn Microsoft. https://learn.microsoft.com/en-us/azure/architecture/data-science-process/lifecycleThe Circus (13 de marzo de 2023). Riesgo de crédito: qué son y cuales hay. The Circus. https://www.santanderconsumer.es/blog/post/riesgo-de-credito-o-crediticio-que-son-y-cuales-hay#:~:text=El%20riesgo%20de%20cr%C3%A9dito%20o,no%20recupere%20el%20dinero%20prestado.Villamil Bahamon, R. (2013). Modelo predictivo neuronal para la evaluación del riesgo de crédito. [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/bitstream/handle/unal/52246/08901050.2013.pdf?sequence=1&isAllowed=yinstname:Universidad del Rosarioreponame:Repositorio Institucional EdocURAnálisis de negociosModelos estadísticos para la toma de decisionesModelos de scoringGestión de riesgo de créditoBusiness analysisStatistical models for decision-makingScoring modelsCredit risk managementDeterminar la viabilidad de implementar un modelo predictivo de recuperación de créditos para disminuir el índice de cartera vencida en el proceso de gestión y recuperación de cartera en una entidad financieraDetermine the feasibility of implementing a predictive model for credit recovery to reduce the overdue loan ratio in the management and recovery process of a financial institutionbachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de AdministraciónBogotáLICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/98f508b3-4d48-4d76-9958-630a9ae36499/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD53ORIGINALDeterminar_la_viabilidad_de_implementar_un_modelo_predictivo_de_recuperacion_de_creditos_GambaSotelo-AnaSolanyi-2024.pdfDeterminar_la_viabilidad_de_implementar_un_modelo_predictivo_de_recuperacion_de_creditos_GambaSotelo-AnaSolanyi-2024.pdfapplication/pdf1736358https://repository.urosario.edu.co/bitstreams/4af54b74-2225-4e21-882d-3f849054a19d/downloadfe5d18c295beb0662c865d672287251fMD55CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repository.urosario.edu.co/bitstreams/b0883795-fbcd-4325-9467-17e9cb9b7a06/download3b6ce8e9e36c89875e8cf39962fe8920MD56TEXTDeterminar_la_viabilidad_de_implementar_un_modelo_predictivo_de_recuperacion_de_creditos_GambaSotelo-AnaSolanyi-2024.pdf.txtDeterminar_la_viabilidad_de_implementar_un_modelo_predictivo_de_recuperacion_de_creditos_GambaSotelo-AnaSolanyi-2024.pdf.txtExtracted texttext/plain102178https://repository.urosario.edu.co/bitstreams/7bc85dc5-5d8f-4ecf-aeb6-0e62ef947422/downloadbb1edc03194dcac39ac6bfdb05dc6c3dMD57THUMBNAILDeterminar_la_viabilidad_de_implementar_un_modelo_predictivo_de_recuperacion_de_creditos_GambaSotelo-AnaSolanyi-2024.pdf.jpgDeterminar_la_viabilidad_de_implementar_un_modelo_predictivo_de_recuperacion_de_creditos_GambaSotelo-AnaSolanyi-2024.pdf.jpgGenerated Thumbnailimage/jpeg2298https://repository.urosario.edu.co/bitstreams/f81ff894-5ef8-471d-8aee-77f824a14260/downloadeefa961a5ef93239f8460cb507a7ceebMD5810336/44052oai:repository.urosario.edu.co:10336/440522024-11-01 03:01:03.839http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.coRUwoTE9TKSBBVVRPUihFUyksIG1hbmlmaWVzdGEobWFuaWZlc3RhbW9zKSBxdWUgbGEgb2JyYSBvYmpldG8gZGUgbGEgcHJlc2VudGUgYXV0b3JpemFjacOzbiBlcyBvcmlnaW5hbCB5IGxhIHJlYWxpesOzIHNpbiB2aW9sYXIgbyB1c3VycGFyIGRlcmVjaG9zIGRlIGF1dG9yIGRlIHRlcmNlcm9zLCBwb3IgbG8gdGFudG8gbGEgb2JyYSBlcyBkZSBleGNsdXNpdmEgYXV0b3LDrWEgeSB0aWVuZSBsYSB0aXR1bGFyaWRhZCBzb2JyZSBsYSBtaXNtYS4KPGJyLz4KUEFSQUdSQUZPOiBFbiBjYXNvIGRlIHByZXNlbnRhcnNlIGN1YWxxdWllciByZWNsYW1hY2nDs24gbyBhY2Npw7NuIHBvciBwYXJ0ZSBkZSB1biB0ZXJjZXJvIGVuIGN1YW50byBhIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBzb2JyZSBsYSBvYnJhIGVuIGN1ZXN0acOzbiwgRUwgQVVUT1IsIGFzdW1pcsOhIHRvZGEgbGEgcmVzcG9uc2FiaWxpZGFkLCB5IHNhbGRyw6EgZW4gZGVmZW5zYSBkZSBsb3MgZGVyZWNob3MgYXF1w60gYXV0b3JpemFkb3M7IHBhcmEgdG9kb3MgbG9zIGVmZWN0b3MgbGEgdW5pdmVyc2lkYWQgYWN0w7phIGNvbW8gdW4gdGVyY2VybyBkZSBidWVuYSBmZS4KPGhyLz4KRUwgQVVUT1IsIGF1dG9yaXphIGEgTEEgVU5JVkVSU0lEQUQgREVMIFJPU0FSSU8sICBwYXJhIHF1ZSBlbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgMTk4MiwgTGV5IDQ0IGRlIDE5OTMsIERlY2lzacOzbiBhbmRpbmEgMzUxIGRlIDE5OTMsIERlY3JldG8gNDYwIGRlIDE5OTUgeSBkZW3DoXMgbm9ybWFzIGdlbmVyYWxlcyBzb2JyZSBsYSBtYXRlcmlhLCAgdXRpbGljZSB5IHVzZSBsYSBvYnJhIG9iamV0byBkZSBsYSBwcmVzZW50ZSBhdXRvcml6YWNpw7NuLgoKLS0tLS0tLS0tLS0tLS0tLS0tLS0tLS0tLS0tLS0tLS0tLS0tLS0KClBPTElUSUNBIERFIFRSQVRBTUlFTlRPIERFIERBVE9TIFBFUlNPTkFMRVMuIERlY2xhcm8gcXVlIGF1dG9yaXpvIHByZXZpYSB5IGRlIGZvcm1hIGluZm9ybWFkYSBlbCB0cmF0YW1pZW50byBkZSBtaXMgZGF0b3MgcGVyc29uYWxlcyBwb3IgcGFydGUgZGUgTEEgVU5JVkVSU0lEQUQgREVMIFJPU0FSSU8gIHBhcmEgZmluZXMgYWNhZMOpbWljb3MgeSBlbiBhcGxpY2FjacOzbiBkZSBjb252ZW5pb3MgY29uIHRlcmNlcm9zIG8gc2VydmljaW9zIGNvbmV4b3MgY29uIGFjdGl2aWRhZGVzIHByb3BpYXMgZGUgbGEgYWNhZGVtaWEsIGNvbiBlc3RyaWN0byBjdW1wbGltaWVudG8gZGUgbG9zIHByaW5jaXBpb3MgZGUgbGV5LiBQYXJhIGVsIGNvcnJlY3RvIGVqZXJjaWNpbyBkZSBtaSBkZXJlY2hvIGRlIGhhYmVhcyBkYXRhICBjdWVudG8gY29uIGxhIGN1ZW50YSBkZSBjb3JyZW8gaGFiZWFzZGF0YUB1cm9zYXJpby5lZHUuY28sIGRvbmRlIHByZXZpYSBpZGVudGlmaWNhY2nDs24gIHBvZHLDqSBzb2xpY2l0YXIgbGEgY29uc3VsdGEsIGNvcnJlY2Npw7NuIHkgc3VwcmVzacOzbiBkZSBtaXMgZGF0b3MuCg== |