Oviedo Belalcazar, Mario AndrésRengifo Aguirre, Daniel Alejandro2026-03-022026-03-022024-12-10https://hdl.handle.net/10906/130574Las cooperativas son organizaciones que juegan un papel crucial en el desarrollo social y económico, promoviendo la inclusión y el crecimiento económico sostenible fuera de sus funciones sociales, las cooperativas de ahorro y crédito, permiten a sus asociados, obtener servicios financieros como; ahorros, préstamos, seguros y servicios, bajo condiciones especiales logrando facilitar el acceso a estos recursos, por ello es fundamental brindar herramientas precisas que permitan facilitar la toma de decisiones en el otorgamiento de crédito con el fin de salvaguardar la estabilidad de las entidades. (Naciones Unidas, 2023) El proyecto, busca aplicar metodologías basadas en analítica, mediante uso de machine learning, para determinar de manera rigurosa un score o puntaje de crédito que permita evidenciar durante la fase de estudio de crédito, la capacidad y disposición de pago de los asociados aspirante a crédito, con el fin no solo de mejorar las herramientas bajo las cuales actualmente se administra el riesgo de crédito, sino que también contribuya a la sostenibilidad financiera de la cooperativa. Este estudio se fundamenta en el análisis previo relacionado con los factores que influyen en el comportamiento de crédito, enfocándose en la selección de características más relevantes para el desarrollo del score, este análisis incluye la evaluación de los modelos de clasificación usando métricas clave como precisión (Accuracy), sensibilidad (Recall) y puntaje F1 (F1-Score), con el objetivo de garantizar la robustez, precisión y aplicabilidad del modelo en el contexto de la cooperativa.", Este trabajo cobra validez dado que, en la actualidad, no se cuenta con un score interno preciso sino que las decisiones de otorgamiento se realizan en función del criterio experto del evaluador. Con esta propuesta se pretende facilitar el análisis y disminuir los tiempos de respuesta al asociado, así como contribuir a la adopción de metodologías y herramientas que robustecen el área de administración del riesgo crediticio dentro de la organización.Cooperatives are organizations that play a crucial role in social and economic development, promoting inclusion and sustainable economic growth. Beyond their social functions, savings and credit cooperatives allow their members to obtain financial services such as savings, loans, insurance, and other services under special conditions, thus facilitating access to these resources. Therefore, it is essential to provide precise tools that facilitate decision-making in credit granting in order to safeguard the stability of these entities. (United Nations, 2023) This project seeks to apply analytics-based methodologies, using machine learning, to rigorously determine a credit score that will demonstrate, during the credit assessment phase, the repayment capacity and willingness of members applying for credit. The aim is not only to improve the tools currently used to manage credit risk but also to contribute to the financial sustainability of the cooperative. This study is based on a previous analysis of the factors influencing credit behavior, focusing on selecting the most relevant characteristics for developing the credit score. This analysis includes evaluating classification models using key metrics such as accuracy, recall, and F1 score, with the aim of ensuring the robustness, accuracy, and applicability of the model within the cooperative's context. This work is particularly relevant given that, currently, there is no precise internal scoring system; instead, credit granting decisions are based on the evaluator's expert judgment. This proposal aims to facilitate analysis and reduce response times for members, as well as contribute to the adoption of methodologies and tools that strengthen the credit risk management area within the organization.1. Contexto y antecedentes -- 1.1 Formulación del problema – Pregunta de investigación -- 1.2 Justificación -- 1.3 Objetivos -- 1.3.1 Objetivo General -- 1.3.2 Objetivos Específicos -- 2. Metodología -- 2.1 Comprensión del negocio: -- 2.2 Comprensión de los datos: -- 2.3 Preparación de los datos: -- 2.4 Modelado: -- 2.5 Evaluación: -- 3. Marcos de referencia -- 3.1 Marco teórico conceptual -- 3.1.1 Conceptos de Negocio: -- 3.1.2 Conceptos estadísticos: -- 3.1.3 Métricas de decisión: -- 4. Estado del arte -- 4.1 Trabajos seleccionados -- 4. 1.1 Diseño de un modelo de scoring para el otorgamiento de crédito de consumo en una compañía de financiamiento colombiana (Arango & Restrepo -- 2017) -- 4.1.2 Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia (Cano Bedoya -- 2021) -- 4.1.3 Modelo de credit scoring para predecir el otorgamiento de crédito personal en una cooperativa de ahorro y crédito (Rodriguez & Ulfe -- 2015) -- 4.1.4 Comparación de modelos de riesgo de crédito: modelos logísticos y redes neuronales (Becerra Ladino -- 2014) -- 4.1.5 Método para evaluar el scoring de crédito de la línea de libranzas en las cooperativas de crédito de Medellín” (Gonzalez Mora -- 2023) -- 4.1.6 Eficiencia en los modelos de aprendizaje de máquina para evaluar el riesgo crediticio de personas naturales en una institución financiera de Chiclayo (Tensén Aroyo -- 2017) -- 4.1.7 Predicción del Riesgo Crediticio en Colombia Usando Técnicas de Inteligencia Artificial (Borrero Tigreros & Bedoya Leiva -- 2020) -- 5. Análisis exploratorio de datos -- 6. Selección de variables -- 6.1 Selección de variables por conocimiento del negocio -- 6.2 Análisis de importancia de variables con Lasso -- 7. Resultados -- 8. Conclusión -- 9. Referencias27 páginasDigitalapplication/pdfspaEL AUTOR, expresa que la obra objeto de la presente autorización es original y la elaboró sin quebrantar ni suplantar los derechos de autor de terceros, y de tal forma, la obra es de su exclusiva autoría y tiene la titularidad sobre éste. PARÁGRAFO: en caso de queja o acción por parte de un tercero referente a los derechos de autor sobre el artículo, folleto o libro en cuestión, EL AUTOR, asumirá la responsabilidad total, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos, la Universidad Icesi actúa como un tercero de buena fe. Esta autorización, permite a la Universidad Icesi, de forma indefinida, para que en los términos establecidos en la Ley 23 de 1982, la Ley 44 de 1993, leyes y jurisprudencia vigente al respecto, haga publicación de este con fines educativos.http://creativecommons.org/licenses/by-nc-nd/4.0/master thesishttps://biblioteca2.icesi.edu.co/cgi-olib/?oid=366447info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalScore crediticioMachine learningCooperativaRiesgo crediticioCiencia de datosModelos de clasificaciónCredit scoreMachine learningCooperativeCredit riskData scienceClassification modelsTesis de Maestría en Ciencia de Datosinstname:Universidad Icesireponame:Biblioteca Digitalrepourl:https://repository.icesi.edu.co/http://purl.org/coar/access_right/c_abf2