Análisis Índice de Cartera Vencida

El presente informe detalla el desarrollo e implementación de una solución de inteligencia de negocio durante las prácticas profesionales realizadas en el área de Riesgos y Analítica del negocio de la corporación Interactuar. El objetivo principal fue automatizar el proceso de cálculo y seguimiento...

Full description

Autores:
Peregueza Tarapues, Luis Jonathan
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2025
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/47406
Acceso en línea:
https://hdl.handle.net/10495/47406
Palabra clave:
Gestión de riesgos
Risk management
Microfinanzas
Microfinance
Automatización de procesos
Índice de Cartera Vencida (ICV)
Inteligencia de negocios
http://vocabularies.unesco.org/thesaurus/concept17117
ODS 8: Trabajo decente y crecimiento económico. Promover el crecimiento económico sostenido, inclusivo y sostenible, el empleo pleno y productivo y el trabajo decente para todos
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
Description
Summary:El presente informe detalla el desarrollo e implementación de una solución de inteligencia de negocio durante las prácticas profesionales realizadas en el área de Riesgos y Analítica del negocio de la corporación Interactuar. El objetivo principal fue automatizar el proceso de cálculo y seguimiento del Índice de Cartera Vencida (ICV), un indicador crítico para la gestión del riesgo crediticio en una entidad microfinanciera. Para ello, se diseñó un proceso ETL (Extracción, Transformación y Carga) utilizando Python, que consolida diariamente la información de cartera crediticia desde noviembre de 2024. Posteriormente, se desarrolló un tablero dinámico en Power BI, el cual permite visualizar el ICV de manera segmentada por región, oficina, asesor, tipo de crédito y otros criterios relevantes para la toma de decisiones. Adicionalmente, se realizó un análisis de series de tiempo del ICV, identificando un patrón estacional con caídas pronunciadas al final de cada mes. Tras confirmar la no estacionariedad de la serie mediante la prueba de Dickey-Fuller aumentada, se compararon modelos de pronóstico tradicionales (ARIMA, SARIMA) con algoritmos de machine learning (Random Forest, LSTM). Los resultados demostraron una superior capacidad de los modelos de machine learning, particularmente Random Forest, para capturar la volatilidad y dinámica real del indicador, superando significativamente el desempeño de los métodos estadísticos convencionales. Se concluye que la automatización del proceso y el desarrollo del tablero optimizan sustancialmente el análisis del riesgo crediticio, mientras que la incorporación de técnicas de machine learning se presenta como una herramienta poderosa para mejorar la precisión de los pronósticos y la planificación estratégica en Interactuar.