Fac.

de Ingenierı́a y Ciencia

Modelo de calificación de riesgo crediticio para

un fondo de empleados del Valle del Cauca.

Edgar David Varcarcel Trujillo*1

1
Master’s student in Industrial Engineering
Pontificia Universidad Javeriana
Department of Civil and Industrial Engineering
Cali - Colombia

Advisor: Kathleen Salazar Serna,Ph.D./M.Sc.** , Co-Advisor: Isabel Cristina Garcia

Arboleda,Ph.D./M.Sc.***

Resumen

Sin desarrollar
Palabras Clave: Sin desarrollar
Abstract

Not developed
Keywords: Not developed

1. Introducción en el cliente ya que lo que Fetrabuv les ofrece no les

Sin desarrollar
2. Planteamiento del problema
El Fondo de Empleados y Trabajadores de la Univer-
sidad del Valle (Fetrabuv), es un fondo de empleados
dedicado a ofrecer servicios de ahorro, crédito y bien-
estar social a sus asociados. Desde el año 2018, y cómo
se puede observar en la figura 1 se han estado experi-
mentando inconvenientes debido a que la cantidad de
asociados retirados ha ido en aumento, lo cual ha gene-
rado una disminución en el capital de trabajo del fondo,
debido a que al retirarse los asociados se descapitaliza
el mismo; una disminución en el nivel de satisfacción
* edgarvarcarcel@gmail.com
** kathleen.salazar@javerianacali.edu.co
*** isabel.garcia@javerianacali.edu.co
parece suficiente para cubrir sus necesidades; y un de-
terioro de la imagen corporativa, ya que el aumento de
la deserción de asociados genera desconfianza a nivel de
los empleados de la Universidad del Valle. Lo anterior,
genera que se incumpla el objeto social del Fondo por
cuanto no se está ofreciendo un servicio adecuado a los
asociados.
Adicionalmente, se ha identificado que el problema
de aumento de la deserción de asociados está ligado a
tres causantes principales, como se muestra en la figura
2.
En primer lugar, La disminución del nivel de ingresos
de los asociados, producto de la jubilación de estos.
Segundo, la capacidad de pago insuficiente por parte de
los asociados, debido al aumento de obligaciones con-
traı́das de su parte, lo que hace que su capacidad de
descuento se vea afectada e impide que Fetrabuv pueda
otorgarle créditos, por cuando el Código Sustantivo del
Trabajo dicta que las entidades del sector solidario sólo

1
Fac. de Ingenierı́a y Ciencia Edgar David Varcarcel Trujillo • Oct 2019

pueden descontar hasta el 50 % del salario de una per- causantes de los retiros de asociados es la rigidez de
sona y, al ser la modalidad de pago por nómina predo- las polı́ticas de otorgamiento de crédito de Fetrabuv y
minante en Fetrabuv, se convierte en una problemática que no hay un marco normativo aplicable al sector so-
para la organización. lidario para medir estadı́sticamente el riesgo crediticio,
Por último, las altas exigencias en las garantı́as para el se buscará con el presente trabajo, diseñar un modelo
otorgamiento de créditos, debido a que las polı́ticas de de scoring crediticio para la clasificación del riesgo de
crédito que tiene el fondo, son rı́gidas con respecto a las crédito para los créditos de consumo, a través de mode-
necesidades de sus clientes. los estadı́sticos y de aprendizaje automático, que per-
Fetrabuv ha adelantado acciones correctivas, preven- mita caracterizar los perfiles de operaciones de crédito
tivas y de mejora, para abordar los problemas generados con baja y alta probabilidad de impago y ası́, flexibilizar
por las dos primeras causas. Entre ellas, una asesorı́a a los criterios de otorgamiento de crédito.
los asociados que están próximos a jubilarse, de mane- Adicionalmente, el presente trabajo aportará al desa-
ra que se pueda prever su reducción de ingresos. Por rrollo de metodologı́as de medición de riesgo crediticio,
otra parte, se han adelantado asesorı́as y capacitacio- basados en técnicas de aprendizaje supervisado, para
nes en temas relacionados con educación financiera, a el contexto de los fondos de empleados que, como se
fin de que los asociados eviten tomar decisiones de esta podrá apreciar en la Sección 4 no ha sido ampliamente
ı́ndole, que sean poco acertadas. estudiada aún.
No obstante, en lo relacionado con las exigencias de
otorgamiento crediticio, no se ha abordado ninguna al-
ternativa que permita flexibilizar estas exigencias de
acuerdo con cada asociado, teniendo en cuenta que el
comportamiento de pago de cada uno de ellos es dife-
rente, por lo que no se le pueden aplicar las mismas
directrices a todos.
Ahora bien, es válido aclarar que el problema que
presenta Fetrabuv en cuanto a la flexibilizar las condi-
ciones de otorgamiento de crédito, ha sido ampliamente
estudiado por diferentes autores en todo el mundo como
se podrá ver en la Sección 4. Este tipo de problema es
denominado como un problema de credit scoring en
donde se busca la implementación de un modelo, que
permita estimar si un cliente pagará o no, la operación Figura 1: Indicador de Retiros de Asociados del Fondo,
de crédito que desea realizar. Esta problemática se tra- 2018.
ta generalmente con modelos basados en aprendizaje
automático como lo muestra Lessmann y col. (2015), y
que se abordará en las secciones siguientes.
En el entorno nacional, la Superintendencia Finan-
ciera de Colombia (Superfinanciera 2008) emitió en el
año 2008 un modelo de referencia para cartera de con-
sumo, en donde muestra las variables a considerar y el
modelo que se debe utilizar para medir el nivel de riesgo
crediticio, por lo que se observa que en el sector finan-
ciero ya están establecidos los mecanismos que se deben
abordar para dar solución a la problemática que tiene
Fetrabuv. Sin embargo, en el sector cooperativo y so-
lidario al cual Fetrabuv pertenece, la Superintendencia
de la Economı́a Solidaria (Supersolidaria 2018) emitió
un proyecto de circular externa para la implementación
del Sistema de Administración de Riesgo de Crédito
(SARC), el cual adopta muchas metodologı́as dispues-
tas por la Superfinanciera, no obstante, no propone un
modelo de referencia para la medición del riesgo credi-
ticio. Figura 2: Arbol del Problema
De acuerdo a lo anterior, en vista de que uno de los

2
Fac. de Ingenierı́a y Ciencia Edgar David Varcarcel Trujillo • Oct 2019
3. Objetivos
3.1. Objetivo General
Proponer un modelo de calificación de riesgo credi-
ticio empleando modelos estadı́sticos y de aprendizaje
automático, que permita la flexibilización de las polı́ti-
cas de otorgamiento de Fetrabuv.
3.1.1. Objetivos Especı́ficos
Preparar los datos, generando múltiples versiones
de la base de entrenamiento y prueba, ası́ como el
conjunto de variables de respuesta a predecir, que
se utilizarán en los modelos de clasificación.
Implementar los modelos de clasificación, ası́ como
los diferentes parámetros de control para cada uno,
a ser utilizados como herramienta de calificación de
riesgo crediticio.
Seleccionar el modelo que mejor se adapte a las
condiciones de Fetrabuv, según criterios de eficien-
cia, capacidad predictiva, y entendimiento.
4. Revisión de Literatura
Como se mencionó anteriormente, la revisión de la li-
teratura estará enfocada en las metodologı́as utilizadas
para el diseño de modelos de otorgamiento crediticio en
instituciones financieras. La revisión se realizó teniendo
en cuenta los avances realizados para este tipo de pro-
blemática a nivel internacional, en Latinoamérica y en
Colombia. A continuación, se presenta los resultados de
dicha revisión.
En primer lugar Lessmann y col. (2015), realizaron
un análisis comparativo de los diferentes algoritmos y
modelos utilizados para el problema de clasificación de-
rivado del credit scoring. En él, probaron más de 40
modelos tanto paramétricos como no paramétricos, in-
cluyendo variantes de cada uno vı́a modificaciones de
parámetros e hiper-parámetros, con la finalidad de dar
un resultado holı́stico sobre qué método es más efecti-
vo para predecir si un cliente pagará o no un crédito
en el tiempo estipulado. Los autores encontraron que
los métodos en donde se generan metamodelo (una es-
tructura a base de modelos individuales) son los que
realizan las predicciones más acertadas. Sin embargo,
indica que los clasificadores individuales (como la re-
gresión logı́stica, las redes neuronales y los árboles de
decisión) generan de igual forma buenos resultados. Lo
anterior, nos brinda un panorama inicial de cuales algo-
ritmos y/o modelos se pueden aplicar en la resolución
del problema de credit scoring de Fetrabuv.
3
Ahora bien, el estudio brindado por el autor ante-
riormente expuesto se realizó con información pública
de entidades del sector bancario, sin embargo, Fetrabuv
no pertenece a dicho sector por lo que es necesario bus-
car cómo se ha abordado el problema en un contexto
similar al de la organización. En ese sentido, Bennou-
na y Tkiouat (2019) proponen una solución al proble-
ma de credit scoring en una institución microfinanciera
(IMF), la cual, es una aproximación más real a lo que
es un Fondo de Empleados. En este estudio, los auto-
res propusieron una arquitectura que mezcla análisis de
componentes principales para la selección de variables
relevantes en el modelo, y una regresión logı́stica bina-
ria para la clasificación de los clientes. No obstante, el
modelo presentado por los autores no fue efectivo por
cuanto su capacidad predictiva no fue adecuado. Ante
esto, los autores comentaron que dicho error de predic-
ción fue producto de la calidad de los datos utilizados
ya que no tuvieron acceso a suficientes registros para
entrenar su modelo.
Por otro lado, Puertas Medina y Marti Selva (2013),
hace una comparación entre el modelo paramétrico más
utilizado, la regresión logı́stica, y el modelo no pa-
ramétrico más utilizado, los árboles de clasificación y
regresión (CART por sus siglas en inglés). En el estu-
dio encontró que los modelos no paramétricos son más
eficientes, aunque se comprometa la interpretación de
estos. Adicionalmente, hace relevancia a un subproble-
ma que se genera en el uso de algoritmos de clasifica-
ción y es el sobre-entrenamiento (overfitting), para lo
cual hizo uso de la validación cruzada y ası́, evitar que
los modelos generados sólo se aprendieran las respues-
tas, sino que fueran capaces de generalizar para futuros
registros.
En adición, Constangioara (2011), abordó el proble-
ma del credit scoring que, si bien lo realizó en una enti-
dad financiera, es válido resaltar que los resultados que
el autor encontró aportan significativamente al desa-
rrollo del presente trabajo. El autor resalta la relevan-
cia de hacer uso de metamodelos, como lo encontrado
por Lessmann y col. (2015), mejora significativamente
el poder predictivo. Además, demuestra que para su ca-
so aplicado realizar una transformación de las variables,
para el caso del autor haciendo uso de agrupamiento de
registros por el WOE de las variables, mejoró hasta en
un 60 % la capacidad predictiva del modelo propuesto
en comparación con los modelos tradicionales basados
en logit.
Ahora bien, en el contexto de Latinoamérica se en-
cuentran diversos trabajos como el de Adriazola Román
(2015) que realiza una regresión logı́stica a una entidad
del sector financiero de Chile, o el trabajo de Cantón,
Rubio y Blasco (2010) en donde utilizan la misma técni-
ca para una IMF de Perú. Aquı́ se puede observar que
Fac. de Ingenierı́a y Ciencia Edgar David Varcarcel Trujillo • Oct 2019
hacen uso de la regresión logı́stica como técnica para
realizar el modelo de predicción de riesgo crediticio por-
que esta se acopla a las caracterı́sticas del problema
(el rango de la variable de respuesta de una regresión
logı́stica está entre 0 y 1 lo que es congruente acoplar
con la probabilidad de incumplimiento de una opera-
ción crediticia), ası́ como su interpretación fácil de los
parámetros de control y su implementación sencilla en
lenguajes de programación de nivel medio o alto.
No obstante, Banda y Garza (2013) aborda la pro-
blemática desde otro enfoque, de manera que utiliza
técnicas de predicción de la demanda, en este caso Holt-
Winters, para analizar el riesgo crediticio a partir de los
flujos de efectivo esperados del cliente al que se le está
otorgando el crédito. La metodologı́a propuesta por el
autor si bien es innovadora, no es relevante para el con-
texto del presente documento. Sin embargo, el autor ha-
ce una revisión de la literatura de cómo se ha abordado
el problema del credit scoring en IMF, concluyendo que
se necesita realizar más estudios en este tipo de con-
textos, lo que presenta un gap de investigación que se
intentará cerrar con el presente documento.
De igual manera, Beltrán Pascual, Muñoz Martı́nez
B Y Ángel y Alamillos (2014) aborda esta problemáti-
ca en una entidad financiera de Chile, haciendo uso de
redes bayesianas, lo que propone una técnica diferente
a las vistas anteriormente, sobretodo en el entorno de
Latinoamérica. No obstante, y lo relevante de su aporte,
es el uso del algoritmo SMOTE (Synthetic Minoritary
Over-sampling Technique) un subproblema relacionado
con no tener balanceada la base de datos de entrena-
miento, es decir, existia una mayor proporción de bue-
nos pagadores, que de malos pagadores. Haciendo uso
de esta metodologı́a, al autor mostró una mejora en sus
resultados sobretodo en la eficacia en la clasificación de
los malos pagadores.
Por otra parte, Bravo Roman, Maldonado y Weber
(2009) realizan un aporte interesante a la resolución de
esta problemática ya que propone una metodologı́a de
seguimiento de modelos de predicción de riesgo crediti-
cio basados en técnicas paramétricas, concretamente la
regresión logı́stica, a fin de determinar cuando es pru-
dente realizar un cambio en los parámetros del modelo.
Hasta el momento, se ha encontrado que en el en-
torno internacional se han realizado estudios significa-
tivos en la resolución del problema de credit scoring en
entidades financieras o del sector bancario. Sin embar-
go, cuando se desea observar estudios sobre el mismo
problema, pero en IMF, se ha observado que estos no
ofrecen la misma capacidad de análisis por lo que se
sesga el estudio a la implementación de un modelo es-
pecı́fico, generalmente una regresión logı́stica.
En Colombia, los avances realizados por autores co-
mo Echeverri (2017) y P, M y V (2010), siguen los mis-
4
mos lineamientos que en el contexto de Latinoamérica.
Si bien, las aplicaciones son para entidades del sector
financiero, utilizan regresión logı́stica como técnica de
implementación. Un aporte adicional lo realiza Salazar
Villano (2013) el cual, adicionalmente a la implementa-
ción de un modelo tipo logit, propone un modelo log-log
para la predicción del indicador de cartera vencida, uti-
lizando variables macroeconómicas como entrada para
dicho modelo, asemejándose a lo propuesto por Banda
y Garza (2013).
Sin embargo, se han avanzado ciertos estudias dife-
rentes a los modelos paramétricos tradicionales como el
realizado por Ocaris Pérez Ramı́rez y Fernández Cas-
taño (2007), en donde aplican redes neuronales arti-
ficiales, concretamente el perceptron multicapa y una
red neruonal probabilı́stica, a un problema de credit
scoring en una entidad financiera, encontrando que este
tipo de metodologı́as le generaron precisiones por en-
cima del 90 %. En ese orden de ideas, Ladino Becerra
(2014), realizó una comparación de la eficiencia de las
redes neuronales en el problema de credit scoring contra
el modelo paramétrico estándar para este tipo de pro-
blemas, es decir la regresión logı́stica. El autor encontró
que los modelos basados en redes neuronales tiene un
mayor poder de discriminación. Esto, en adición con
lo realizado por Cardona Hernández (2004), quien uti-
lizó árboles de decisión como modelo de predicción del
riesgo de crédito, muestra que el uso de modelos no pa-
ramétricos es confiable para la solución a este tipo de
problemas.
Por último, en el contexto de los fondos de emplea-
dos, Alberto y col. (2015), realizó un análisis de varios
métodos de clasificación, incluyendo árboles de decisión,
redes neuronales, y máquinas de soporte vectorial, para
resolver este problema. El aporte del autor es ser pione-
ro de la solución a este tipo de problemática en el sector
solidario, especı́ficamente en fondos de empleados.
Con base en lo anterior, se observa que en institu-
ciones internacionales se ha explorado la problemática
tratada. Sin embargo, en Latinoamérica, concretamente
en Colombia y más especı́ficamente en IMF como lo son
cooperativas o fondos de empleados, existe una oportu-
nidad de implementar las diferentes metodologı́as de
clasificación para estimar el nivel de riesgo crediticio de
un cliente, teniendo en cuenta metodologı́as de valida-
ción de modelos estandarizadas como la propuesta por
IBM (2012). En el presente trabajo, se pretenderá abor-
dar diferentes técnicas de clasificación, con una base de
datos de entrada preprocesada con diferentes técnicas
a fin de ofrecer un modelo que se adapte al contexto
de Fetrabuv, teniendo en cuenta tanto eficiencia como
interpretación de este.
Fac. de Ingenierı́a y Ciencia Edgar David Varcarcel Trujillo • Oct 2019
5. Metodologı́a
Sin desarrollar
6. Cronograma
Sin desarrollar
7. Conclusiones
Sin desarrollar
Bibliografı́a
Adriazola Román, Nicolás Leonardo (2015). “Construc-
ción De Un Modelo Rating De Admisión Para La
Clasificación De Riesgo Crédito”. En: (vid. pág. 3).
Alberto, Carlos y col. (2015). UN MODELO DE CRE-
DIT SCORING UTILIZANDO INTELIGENCIA
ARTIFICIAL PARA EL FONDO DE EMPLEA-
DOS DE SALUD EN RISARALDA-FESER. Inf.
téc. Universidad Tecnológica de Pereira (vid.
pág. 4).
Banda, Humberto y Rodolfo Garza (2013). “Aplicación
teórica del método de Holt-Winters al problema de
credit scoring de las instituciones de microfinan-
zas”. En: RED INTERNACIONAL DE INVES-
TIGADORES EN COMPETITIVIDAD. Vol. 7,
págs. 2526-2543 (vid. pág. 4).
Beltrán Pascual, Mauricio, Azahara Muñoz Martı́nez
B Y Ángel y Muñoz Alamillos (2014). “Cuadernos
de economı́a Redes bayesianas aplicadas a proble-
mas de credit scoring. Una aplicación práctica”.
En: (vid. pág. 4).
Bennouna, Ghita y Mohamed Tkiouat (2019). “Scoring
in microfinance: credit risk management tool - Case
of Morocco”. En: Procedia 148, págs. 522-531 (vid.
pág. 3).
Bravo Roman, Cristian, Sebastian Maldonado y Ri-
chard Weber (2009). “SEGUIMIENTO EN MO-
DELOS DE REGRESIÓN LOGÍSTICA”. En: In-
genierı́a Industrial 2, págs. 31-44 (vid. pág. 4).
5
Cantón, Salvador Rayo, Juan Lara Rubio y David Ca-
mino Blasco (2010). “Un Modelo de Credit Scoring
para instituciones de microfinanzas en el marco
de Basilea II”. En: Journal of Economics, Finan-
ce and Administrative Science 15.28, págs. 89-124
(vid. pág. 3).
Cardona Hernández, Paola Andrea (2004). “Aplicación
de árboles de decisión en modelos de riesgo crediti-
cio”. En: Revista Colombiana de Estadı́stica 27.2,
págs. 139-151 (vid. pág. 4).
Constangioara, Alexandru (2011). “CONSUMER CRE-
DIT SCORING”. En: Romanian Journal of Eco-
nomic Forecasting 3, págs. 162-177 (vid. pág. 3).
Echeverri, Andrea Valencia (2017). Modelo Scoring para
el otorgamiento de crédito de las pymes. Inf. téc.
(vid. pág. 4).
IBM (2012). Manual CRISP-DM de IBM SPSS Mode-
ler. Inf. téc. (vid. pág. 4).
Ladino Becerra, Iván Camilo (2014). COMPARACIÓN
DE MODELOS DE RIESGO DE CREDITO: MO-
DELOS LOGÍSTICOS Y REDES NEURONA-
LES. Inf. téc. Pontificia Universidad Javeriana
(vid. pág. 4).
Lessmann, Stefan y col. (2015). “Benchmarking state-
of-the-art classification algorithms for credit sco-
ring: An update of research”. En: European Journal
of Operational Research 247, págs. 124-136 (vid.
págs. 2, 3).
Ocaris Pérez Ramı́rez, Fredy y Horacio Fernández Cas-
taño (2007). “LAS REDES NEURONALES Y LA
EVALUACIÓN DEL RIESGO DE CRÉDITO*”.
En: Revista Ingenierı́as Universidad de Medellı́n
6.10, págs. 77-91 (vid. pág. 4).
P, Juan Camilo Ochoa, Wilinton Galeano M y Luis Ga-
briel Agudelo V (2010). “Construcción de un mo-
delo de scoring para el otorgamiento de crédito en
una entidad financiera”. En: Perfil de Coyuntura
Económica 16, págs. 191-222 (vid. pág. 4).
Puertas Medina, Rosa y Maria Luisa Marti Selva
(2013). “ANÁLISIS DEL CREDIT SCORING”.
En: RAE 53.3, págs. 303-315 (vid. pág. 3).
Salazar Villano, Fabián Enrique (2013). “Cuantifica-
ción del riesgo de incumplimiento en créditos
Fac. de Ingenierı́a y Ciencia Edgar David Varcarcel Trujillo • Oct 2019

de libre inversión: un ejercicio econométrico para

una entidad bancaria del municipio de Popayán,
Colombia”. En: ESTUDIOS GERENCIALES 29,
págs. 416-427 (vid. pág. 4).

Superfinanciera, Superintendencia Financiera de Co-

lombia (2008). Anexo 5 del capitulo 2 de la Cir-
cular externa 100 de 1995 - Modelo de Referencia
para Cartera de Consumo. Inf. téc. Superintenden-
cia Financiera de Colombia (vid. pág. 2).

Supersolidaria, Superintendencia de la Economı́a Soli-

daria de Colombia (2018). Proyecto Circular Ex-
terna SARC 2018. Inf. téc. Superintendencia de la
Economı́a Solidaria de Colombia (vid. pág. 2).