Buscar en Google Scholar
Título: Aplicación de un modelo de Machine Learning en las ventas digitales en el área de convenios de una entidad financiera del Perú, 2023
Asesor(es): Torres Alvarado, Sally Karina
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.04
Fecha de publicación: 2024
Institución: Universidad Nacional del Callao
Resumen: Las ventas digitales son el futuro de cada compañía alrededor del mundo y los bancos peruanos saben de la importancia de este tema. Una de las principales fuentes de ingreso del sector bancario es el otorgamiento de créditos. Siendo los canales de venta digitales los que proactivamente los ofrecen, permitiendo captar clientes de forma eficiente. Sin embargo, el rendimiento del banco podría ser mucho mejor. El presente trabajo propone al área de ventas digitales por convenio la elaboración de un modelo predictivo con técnicas de machine learning que permita conocer los factores que impactan en el número de ventas de crédito que se realizan, con el fin de agilizar la toma de decisiones frente a estrategias de venta y mejorar la planificación de recursos para incrementar el número de créditos otorgados. Además, para la construcción del modelo se utilizó la técnica de machine learning de clasificación k-NN, los datos utilizados para el entrenamiento son de clientes a los que se les ofreció un crédito durante el mes de agosto del 2023. Los datos recopilados son de un total de 2461 clientes, siendo 1,844 clasificados como ‘Aceptaron’ y 617 clasificados como ‘No Aceptaron’. Los resultados en la primera simulación tuvieron una precisión de 96.14%.
Disciplina académico-profesional: Ingeniería de sistemas
Institución que otorga el grado o título: Universidad Nacional del Callao. Facultad de Ingeniería Industrial y de Sistemas
Grado o título: Ingeniero de sistemas
Jurado: Alcántara Ramírez, Manuel Abelardo; Ramos Choquehuanca, Angelino Abad; Bringas Zuñiga, Jesús José
Fecha de registro: 15-ago-2024



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons