Modelo de Data Science para la evaluación de clientes de cajas rurales sin historial crediticio

Abstract

En Latinoamérica, se ha desarrollado, la inclusión financiera, de manera muy rápida en los últimos tiempos, sin embargo, este proceso todavía no consigue que la fuerza laboral esté integrada totalmente. El acceso al crédito en América Latina solo representa el 51% y, en el Perú, esta cifra desciende al 29% (CEPES,2016).

En el rubro económico, los requerimientos para poder acceder a un crédito son muy rigurosos, donde prevalece el sector formal. Más de las dos terceras partes del poder laboral en el Perú (69%) no son formales, según la Organización Mundial del Trabajo. Asimismo, en el sector informal el otorgamiento de crédito carece de historial financiero y los montos son mínimos esto conlleva a que las entidades financieras eleven el riesgo y los costos asociados con los créditos en este sector. Esto nos muestra que las realidades de los créditos difieren demasiado con el proceso de evaluación de clientes generando una deficiente y mala representación de lo que ocurre en la vida real.

Este proyecto permite está basado en que la gran cantidad de financieras solamente entregan créditos a su clientela que cuenta con un historial crediticio, en consecuencia, el fin de este proyecto, muy diferente a lo convencional, es poder otorgar créditos a personas naturales y/o empresas que se encuentran en el proceso de la formalidad. Contamos con referencias de otras partes del mundo, un claro ejemplo es en el país oriental de la China la cual cuenta con una realidad cultural muy diferente a la nuestra, sin embargo, cuenta con conocimientos que se pueden adaptar al proyecto nuestro.

Con todo lo descrito, planteamos el desarrollo de un Modelo de Data Science que ayude a analizar a los clientes potenciales mediante el cálculo de su capacidad de pago y en base a eso predecir y ofrecer el producto que mejor se acople a los parámetros antes detallados (Cáceres & Paucar, 2019). Este proyecto desarrolla el Modelo de Data Science y se prueba en una Página Web en la misma caja rural (instalaciones) y en el sector campo mediante la ayuda de sus móviles, para demostrar los resultados logrados y las mejores comparativas de nuestro modelo con el método tradicional.

Palabras claves: Data Science, Modelo de evaluación, Capacidad de pago, Data Analysis, Historial Crediticio, Caja Rural.

In Latin America, financial inclusion has increased considerably in recent years, but it still does not cover the entire workforce. According to World Bank studies, access to credit in Latin America represents only 51% and in Peru this figure drops to 29%.

In the financial sector, the requirements for applying for credit are very rigid, giving priority to the formal sector. According to the International Labor Organization, 69% of the labor force in Peru is informal. Furthermore, in this sector the loans granted are small amounts and lack credit history, making the costs and risk associated with such loans high for the entities. That is why the analysis in the evaluation of the client without credit history is deficient with the reality that they present.

The development of this project responds to the fact that the great majority of financial entities grant credits to clients who already have some credit history, therefore, what we want to show, unlike the rest, is that a credit can also be granted to people or micro entrepreneurs who are not yet totally formalized or do not present proof of income (ballots or receipt for fees). There are precedents of this type of cases at international level, particularly in China that have another reality to ours, but some concepts can be transferred to our project.

Based on the above, we propose the development of a Data Science model that will allow us to evaluate potential clients and, in turn, evaluate their ability to pay and offer them an associated product for each client. To this end, the model was tested on a web page within the entity on their computers and outside through the use of mobile devices, in order to show results obtained by the model indicating improvements in the percentage of credit granted to clients by officials.

Keywords: data science, evaluation model, payment capacity, data analysis, credit history, rural saving bank.