Análisis del Impacto en la medición del incumplimiento de cartera mediante el diseño de un modelo de calificación de crédito aplicado a una institución de educación superior en la ciudad de Quito, año 2025

Abstract

El presente proyecto de titulación se desarrolló en una Institución de Educación Superior de la ciudad de Quito con más de 25 años de trayectoria, que enfrenta un problema de liquidez debido al incumplimiento en los pagos de aranceles, agravados por la falta de un modelo para evaluar y gestionar los cobros pendientes. El desarrollo del proyecto tuvo como objetivo el diseño de un modelo de Scoring Credit para la evaluación del comportamiento y cobros de aranceles de los estudiantes mediante el uso de herramientas de machine learning y econométricos que permita optimizar el seguimiento de los pagos, y mejorar la liquidez institucional. Se realiza una depuración y limpieza de los datos, eliminando duplicados, manejando valores faltantes y corrigiendo errores para consolidar las variables necesarias como: Historial_Pagos, A_Tiempo, Cuotas_Pendientes, Fechas_Pago, y la variable predictora Estado_Pago, validando la información en los siguientes modelos: Logit, Matriz de Transición, Redes Neuronales y Random Forest. De acuerdo con la variable predictora Estado_Pago en su categoría A_Tiempo se refleja los siguientes resultados: Modelo Logit 76.65%, Modelo de Transición 57.66%, Modelo de Redes Neuronales 82.08% y Modelo Random Forest 82.35%... The present degree project was developed at a Higher Education Institution in the city of Quito with over 25 years of experience, facing a liquidity problem due to non-compliance with tuition payments, exacerbated by the lack of a model to evaluate and manage outstanding collections.The project's objective was the design of a Credit Scoring model to evaluate student behavior and tuition collections using machine learning and econometric tools, aiming to optimize payment tracking and improve institutional liquidity.Data cleansing and processing were carried out, eliminating duplicates, handling missing values, and correcting errors to consolidate the necessary variables such as: Payment_History, On_Time, Pending_Installments, Payment_Dates, and the predictor variable Payment_Status, validating the information in the following models: Logit, Transition Matrix, Neural Networks, and Random Forest.According to the predictor variable Payment_Status in its On_Time category, the following results are observed: Logit Model 76.65%, Transition Model 57.66%, Neural Networks Model 82.08%, and Random Forest Model 82.35%...