Look-up in Google Scholar
Full metadata record
Subauste Oliden, Daniel Alejandro
Zavala Cerpa, Dstefano Marko Kurtz (es_PE)
Poma Acostupa, Joel Anthony (es_PE)
2024-12-26T14:32:52Z
2024-12-26T14:32:52Z
2024-11-13
http://hdl.handle.net/10757/683587
En el Perú, los holdings financieros enfrentan retos significativos en la gestión del riesgo crediticio debido a la falta de herramientas avanzadas para analizar y predecir los riesgos en los portafolios de inversión. Esta situación limita la capacidad de los analistas financieros para tomar decisiones basadas en datos precisos y a tiempo. En respuesta a esta problemática, el presente proyecto propone la implementación de un dashboard inteligente utilizando Power BI, cuyo objetivo principal es mejorar el análisis predictivo del riesgo crediticio en una entidad financiera del país. La solución está diseñada para integrar y centralizar información dispersa de los portafolios, permitiendo a los analistas visualizar de forma clara los riesgos asociados y anticipar cambios en el entorno financiero. A través de modelos de machine learning validados, se garantiza que las predicciones generadas por el sistema sean confiables y útiles para los analistas. Los resultados de la validación mostraron que el algoritmo XGBoost fue el más efectivo, logrando una precisión del 90%, un recall del 85% y un AUC-ROC de 0.92, lo que asegura un alto grado de confiabilidad en las predicciones realizadas. Con esta herramienta tecnológica, la entidad financiera no solo optimiza su capacidad para gestionar el riesgo crediticio, sino que también mejora su competitividad en un mercado financiero dinámico y altamente regulado.
​In Peru, financial holdings face significant challenges in managing credit risk due to the lack of advanced tools for analyzing and predicting risks in investment portfolios. This situation limits the ability of portfolio managers to make timely, data-driven decisions. In response to this issue, the present project proposes the implementation of an intelligent dashboard using Power BI, with the primary objective of improving the predictive analysis of credit risk in a financial entity in the country. The solution is designed to integrate and centralize dispersed portfolio information, enabling analysts to clearly visualize the associated risks and anticipate changes in the financial environment. Through validated machine learning models, the system ensures that the predictions generated are reliable and useful for portfolio managers. The validation results showed that the XGBoost algorithm was the most effective, achieving a precision of 90%, a recall of 85%, and an AUC-ROC of 0.92, ensuring a prominent level of reliability in the predictions made. With this technological tool, the financial entity not only optimizes its ability to manage credit risk but also enhances its competitiveness in a dynamic and highly regulated financial market.​
Trabajo de Suficiencia Profesional (es_PE)
application/pdf (en_US)
application/epub (en_US)
application/msword (en_US)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Repositorio Académico - UPC (es_PE)
Dashboard inteligente
Análisis predictivo
Riesgo crediticio
Portafolios de inversión y holding financiero
Intelligent dashboard
Predictive analysis
Credit risk
Investment portfolios
Financial holding
​​Implementación de un Dashboard inteligente para el análisis predictivo del riesgo crediticio en portafolios de inversión de un holding financiero​ (es_PE)
Implementation of an intelligent Dashboard for predictive analysis of credit risk in investment portfolios of a financial holding company
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería (es_PE)
Ingeniería de Sistemas de Información (es_PE)
Licenciatura (es_PE)
Ingeniero de sistemas de información (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04
https://purl.org/pe-repo/ocde/ford#2.00.00 (es_PE)
https://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
9343997
0000-0003-1131-1384 (es_PE)
73199563
75970394
612136 (es_PE)
Mansilla Lopez. Juan Pablo Jesus
Escarcena Ballon, Manuel Gustavo
https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons