Diseño de un modelo matemático para la calificación de clientes morosos en unaentidad comercial mediante las metodologías de árboles de decisión, análisis discriminante y regresión logística.
Contenido principal del artículo
Resumen
En el presente trabajo se diseña un modelo matemático para la calificación de clientes morosos con la finalidad optimizar la gestión de cobranzas en una empresa comercial. Para ello desarrollamos dos modelos paramétricos, Análisis Discriminante y Regresión Logística y un modelo no paramétrico, los Árboles de Decisión. Se determina la estabilidad de cada modelo, su poder de discriminación y por último establecer cuál de las metodologías permite optimizar mejor la gestión de cobro.
Palabras claves: Riesgo de crédito, Árboles de Decisión, Análisis Discriminante, Regresión
Logística, morosidad.
Descargas
Detalles del artículo
Derechos de autor: Los autores que publican en la revista INNOVA Research Journal conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo bajo una Licencia Creative Commons, Atribución-No Comercial 4.0 International (CC BY-NC 4.0). Se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que: a) se cite la autoría y la fuente original de su publicación (revista, editorial, URL y DOI de la obra); b) no se usen para fines comerciales; c) se mencione la existencia y especificaciones de esta licencia de uso.
Citas
Acción InSight. (2008). Mejores Prácticas en Estrategias de Cobranza. Acción InSight.
Añez, A. (2004). Riesgo Crediticio.
Boj del Val, E., Claramunt, M., Esteve, A., & Fortina, J. (2009). Criterios de selección de modelo en el credit scoring. www.researchgate.net.
Bonilla, M., Omeda, I., & Puertas, R. (2003). Modelos paramétricos y no paramétricos en los problemas de crédito. Revista Española de Financiación y Contabilidad, 833-869.
Cardona, A. (2004). Aplicación de árboles de decisión en modelos de riesgo de crédito. Revista Colombiana de Estadística. Revista Colombiana de Estadística, Volumen 27, pp. 139-151.
Dupouy, C. (2014). Aplicación de árboles de decisión para la estimación del escenario económico y la estimación de movimiento la tasa de interés en Chile. Economía y Negocios, Universidad de Chile.
García, J. C. (s.f.). Nuevas técnicas de medición del riesgo de crédito. Departamento de Metodologías de Riesgo Corporativo. BBVA.
Llaugel, F., & Fernández, A. (2001). Evaluación del uso de modelos de regresión logística para el diagnóstico de instituciones financieras. Revista Ciencias y Sociedad.
Mures, J., García, A., & Vallejo, E. (2005). Aplicación del análisis discriminante y regresión logística en el estudio de la morosidad en las entidades financieras. Pecvnia, 175-199.
Ríos, A., Arguedas, R., & Casals, J. (2010). Gestión y control del riesgo de crédito con modelos avanzados. Ediciones Académicas S.A Madrid, ISBN:978-84-92477-35-7.
Ruiz, H. (2013). Diseño de un modelo matemático para optimizar la gestión de un sistema de cobranzas en una empresa comercial. Escuela Politécnica del Litoral. Ecuador.
Saavedra, M. L., & Saavedra, M. J. (2010). Modelos para medir el riesgo de crédito de la banca. Cuad. Adm. Bogotá, Volumen 23, pp. 295-391.
Virot, M. N. (2014). Factores que influyen en el endeudamiento por tarjeta de crédito en casas
comerciales y default. Economía y Negocios, Universidad de Chile.