Veremos como se usa machine learning en el domino de créditos para modelos de cobranza, predecir la probabilidad de pago o sugerir ofertas.

1. MACHINE LEARNING Y
RIESGO DE CRÉDITO
ANTONIO MANGUART PÁEZ
@antoniomanguart
Con enfoque Fintech
https://sg.com.mx/dataday
#DataDayMx

3. 𝑃 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑏𝑢𝑒𝑛𝑜 = 1 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠)

4. Historial
crediticio
Salario
Demográficos
Proveedores
externos
Datos internos
Recurrencia

9. •Interés = [1.5%, 2%, 3%]
•Monto = [$1,000, $2,000, $5,000]
for i in plazo:
for j in monto:
predict(X, i, j, k)

10. ¿Qué modelos?
• Gradient Boosting
• Regresión lógistica
• Árboles de desición
• Redes neuronales

11. Actualización
diaria
Historial de
crédito
Dato internos
Información
temporal
Millones de
datos
Intentos
fallitos /
exitosos

12. Ubicación
geográfica
Dispositivo
Correo
electrónico
Tecleo
Paginas web
Muestra
desbalanceada

16. Entrenas
Interpretas
Creas
nuevas
variables

17. Fin
antonio@manguart.com
@antoniomanguart