Diseño de un modelo matemático para la calificación de clientes morosos en unaentidad comercial mediante las metodologías de árboles de decisión, análisis discriminante y regresión logística.
Main Article Content
Abstract
En el presente trabajo se diseña un modelo matemático para la calificación de clientes morosos con la finalidad optimizar la gestión de cobranzas en una empresa comercial. Para ello desarrollamos dos modelos paramétricos, Análisis Discriminante y Regresión Logística y un modelo no paramétrico, los Árboles de Decisión. Se determina la estabilidad de cada modelo, su poder de discriminación y por último establecer cuál de las metodologías permite optimizar mejor la gestión de cobro.
Palabras claves: Riesgo de crédito, Árboles de Decisión, Análisis Discriminante, Regresión
Logística, morosidad.
Downloads
Article Details
COPYRIGHT NOTICE
Authors who publish in the INNOVA Research Journal keeps copyright and guarantee the journal the right to be the first publication of the work under the Creative Commons License, Attribution-Non-Commercial 4.0 International (CC BY-NC 4.0). They can be copied, used, disseminated, transmitted and publicly exhibited, provided that: a) the authorship and original source of their publication (magazine, publisher, URL and DOI of the work) is cited; b) are not used for commercial purposes; c) the existence and specifications of this license of use are mentioned.
References
Acción InSight. (2008). Mejores Prácticas en Estrategias de Cobranza. Acción InSight.
Añez, A. (2004). Riesgo Crediticio.
Boj del Val, E., Claramunt, M., Esteve, A., & Fortina, J. (2009). Criterios de selección de modelo en el credit scoring. www.researchgate.net.
Bonilla, M., Omeda, I., & Puertas, R. (2003). Modelos paramétricos y no paramétricos en los problemas de crédito. Revista Española de Financiación y Contabilidad, 833-869.
Cardona, A. (2004). Aplicación de árboles de decisión en modelos de riesgo de crédito. Revista Colombiana de Estadística. Revista Colombiana de Estadística, Volumen 27, pp. 139-151.
Dupouy, C. (2014). Aplicación de árboles de decisión para la estimación del escenario económico y la estimación de movimiento la tasa de interés en Chile. Economía y Negocios, Universidad de Chile.
García, J. C. (s.f.). Nuevas técnicas de medición del riesgo de crédito. Departamento de Metodologías de Riesgo Corporativo. BBVA.
Llaugel, F., & Fernández, A. (2001). Evaluación del uso de modelos de regresión logística para el diagnóstico de instituciones financieras. Revista Ciencias y Sociedad.
Mures, J., García, A., & Vallejo, E. (2005). Aplicación del análisis discriminante y regresión logística en el estudio de la morosidad en las entidades financieras. Pecvnia, 175-199.
Ríos, A., Arguedas, R., & Casals, J. (2010). Gestión y control del riesgo de crédito con modelos avanzados. Ediciones Académicas S.A Madrid, ISBN:978-84-92477-35-7.
Ruiz, H. (2013). Diseño de un modelo matemático para optimizar la gestión de un sistema de cobranzas en una empresa comercial. Escuela Politécnica del Litoral. Ecuador.
Saavedra, M. L., & Saavedra, M. J. (2010). Modelos para medir el riesgo de crédito de la banca. Cuad. Adm. Bogotá, Volumen 23, pp. 295-391.
Virot, M. N. (2014). Factores que influyen en el endeudamiento por tarjeta de crédito en casas
comerciales y default. Economía y Negocios, Universidad de Chile.