Comunidades
Añadidos recientemente
Evaluación de modelo híbrido de calificación de riesgo crediticio para banca empresarial en Honduras, período de enero 2020 - octubre 2024
(Universidad Tecnológica Centroamericana UNITEC, 2026-03-02) Álvaro Moisés De La Rocha Rodríguez; Skarletl Michell Navarro Galeano; Jesús Ricardo Rodríguez Rivera
Esta investigación evaluó el impacto de un modelo híbrido de calificación de riesgo crediticio, que combina aprendizaje automático y reglas de negocio, aplicado a clientes de banca empresarial en Honduras entre enero de 2020-octubre de 2024. Se utilizó un enfoque cuantitativo con la metodología CRISP DM, a partir de una base de 6,903 clientes y 42 variables financieras, conductuales, demográficas y regulatorias. Los datos se dividieron en entrenamiento (2020-2022), validación (2023) y prueba out of time (2024). Se comparó un esquema de reglas, una regresión logística y modelos de ML (Random Forest y XGBoost), evaluando su desempeño mediante AUC ROC, KS y métricas operativas al umbral definido en la validación. En el conjunto de prueba, Random Forest alcanzó AUC ROC 0.87 y KS 0.58, y XGBoost AUC ROC 0.86 y KS 0.55, superando ampliamente al enfoque tradicional (AUC 0.59; KS 0.18) y elevando el recall de la clase morosa de 0.66 a 0.87, con estabilidad temporal (PSI≈0.0066) y buena calibración (Brier≈0.05- 0.06). La reducción de falsos negativos se tradujo en pérdidas evitadas estimadas en L13 millones y un ROI de ≈825.95%. Se recomendó la implementación piloto del modelo híbrido bajo un marco de gobierno de modelo acorde con Basilea III, BCBS 239 y SR 11 7.
Predicción de mora en préstamos de consumo en la cooperativa CAYCSOL, utilizando algoritmos de machine learning, basada en datos históricos del periodo 2021–2024
(Universidad Tecnológica Centroamericana UNITEC, 2026-01-01) Katherine Mabel Fiallos Antúnez; Rony Filander Lainez Pacheco; Jesús Ricardo Rodríguez Rivera
El presente Trabajo Final de Graduación tuvo como propósito desarrollar y validar un modelo predictivo de morosidad aplicado a los préstamos de consumo de la Cooperativa de Ahorro y Crédito Sonaguera Limitada (CAYCSOL), con el fin de fortalecer la gestión institucional del riesgo crediticio. La investigación se orientó a mejorar la identificación oportuna de clientes con probabilidad de incurrir en mora igual o superior a 30 días, mediante el análisis de información histórica sociodemográfica, financiera y crediticia correspondiente al período 2021–2024. Metodológicamente, el estudio se desarrolló bajo un enfoque cuantitativo, con un alcance descriptivo-predictivo y un diseño no experimental, incorporando análisis exploratorio de datos, selección de variables, técnicas de balanceo de clases y la evaluación comparativa de distintos modelos de Machine learning. Los resultados evidenciaron que el modelo Random Forest presentó el mejor desempeño predictivo, destacándose por su mayor capacidad para identificar clientes de alto riesgo y por la reducción de los falsos negativos. Como conclusión principal, se determinó que la aplicación del modelo predictivo aporta un valor significativo a la gestión del riesgo crediticio de CAYCSOL, por lo que se recomienda su implementación operativa y el establecimiento de mecanismos de monitoreo continuo que aseguren su efectividad y sostenibilidad en el tiempo.
Evaluación del índice de madurez de las áreas de analítica para la implementación de un plan de estandarización, optimización y fortalecimiento en la institución financiera
(Universidad Tecnológica Centroamericana UNITEC, 2026-03-02) Lester Gesiel Flores Alvarenga; Lucy Andrea López Ponce; Henry Antonio Osorto Ruiz
La analítica de datos se ha convertido en un habilitador estratégico para la toma de decisiones en el sector financiero; sin embargo, la ausencia de evaluaciones estandarizadas de madurez analítica genera disparidades en metodologías, procesos y herramientas entre las áreas organizacionales. Esta investigación tuvo como objetivo evaluar el Índice de Madurez Analítica (IMA) de las áreas de analítica de una institución financiera mediante la aplicación de un instrumento basado en el Índice de Madurez en Datos y Analítica (IMD&A), utilizando un enfoque mixto con encuestas estructuradas y análisis descriptivos aplicados a las áreas de analítica de la institución financiera. Los resultados posicionan a la institución en un nivel de madurez “En proceso”, evidenciando avances en cultura organizacional y liderazgo orientado al dato, así como brechas relevantes en arquitectura de datos, gobernanza, estandarización de procesos y prácticas FinOps, las cuales limitan el aprovechamiento estratégico de la analítica. A partir de estos hallazgos, se propone un plan de acción estratégico enfocado en la estandarización metodológica, la optimización de procesos y el fortalecimiento de la gobernanza de datos, con el fin de consolidar un modelo analítico sostenible y alineado con los objetivos del negocio.
Sistema de priorización comercial inteligente: integración de analítica predictiva para la gestión de ventas cruzadas en banca de personas (Honduras, 2023–2025)
(Universidad Tecnológica Centroamericana UNITEC, 2026-02-27) Alan Fabricio Barahona López; Edras Josué García Vallejo; Jesús Ricardo Rodríguez Rivera
La baja tasa de aceptación de productos financieros en los canales físicos representa un desafío operativo relevante para la banca hondureña, particularmente en contextos donde los esfuerzos comerciales no se encuentran priorizados de manera analítica. Ante esta problemática, la presente investigación tiene como objetivo desarrollar un modelo de Machine Learning que permita estimar la probabilidad de aceptación de productos financieros en los canales físicos de una institución bancaria, utilizando variables anticipables disponibles antes del contacto con el cliente. El estudio adopta un enfoque cuantitativo, aplicado y explicativo, bajo un diseño no experimental y correlacional-predictivo. Se emplearon datos históricos anonimizados correspondientes al período 2023–2025, los cuales fueron sometidos a procesos de limpieza, análisis exploratorio, pruebas de hipótesis y modelado supervisado, siguiendo el marco metodológico CRISP-DM. Se entrenaron y compararon cuatro modelos de clasificación: regresión logística, árbol de decisión, Random Forest y Gradient Boosting, considerando el severo desbalance de la variable objetivo. Los resultados evidencian que el modelo Random Forest presentó el mejor desempeño predictivo, alcanzando un AUC de 86.6% en validación y 85.3% en datos reales. Asimismo, el modelo demostró una alta capacidad de priorización, concentrando el 70% de las ventas reales dentro del 20% superior del ranking de propensión. Las variables más relevantes estuvieron asociadas a factores operativos y de interacción, como el resultado del contacto, el tipo de producto y el riesgo del cliente, mientras que las variables sociodemográficas mostraron bajo poder discriminativo. En conclusión, el modelo propuesto constituye una herramienta analítica robusta y operativamente viable para mejorar la eficiencia comercial en los canales físicos, aportando evidencia empírica sobre el valor del Machine Learning aplicado al contexto bancario hondureño.
Implementación de modelos predictivos para incrementar las ventas de jugos en LEYDE S.A.
(Universidad Tecnológica Centroamericana UNITEC, 2025-02-17) Sergio Molina Anderson; Marvin Roberto Mendoza Valencia
En esta investigación se presenta la implementación de un modelo basado en técnicas de análisis de datos para revisar el comportamiento de ventas de una de las
empresas más reconocidas de Honduras, LEYDE SA, la cual cuenta con más de 50 años en el mercado nacional, especializándose en productos lácteos y jugos procesados. La empresa ha experimentado un declive en su marca de jugos a nivel nacional durante los últimos cuatro años. Por lo tanto, para revisar tendencias, estacionalidad, ciclos y ruido gris, utilizaremos un análisis de series de tiempo. Adicionalmente, a través de clusterización, buscamos identificar patrones de consumo en las diferentes sucursales y concluiremos pronosticando las ventas utilizando el algoritmo Random Forest. El objetivo principal es ayudar al equipo de ventas y marketing a mejorar sus KPI o indicadores y con ello devolver las marcas de jugos a sus niveles pico de ventas, ya que alguna vez fueron productos estrella a nivel nacional, especialmente el jugo de naranja. Esto ayudará a mejorar las estrategias de ventas y marketing dirigidas a los diversos tipos de clientes para retener a los clientes leales que han apoyado la promoción y venta de estos productos durante años. Los datos de ventas de los últimos 10 años se utilizarán para alimentar los modelos a través de algoritmos de aprendizaje automático, herramientas que hoy en día cobran cada vez más valor para las empresas.