Repository logo

Maestría en Analítica de Negocios

Permanent URI for this community

http://52.190.9.31//handle/123456789/12708

Browse

Browsing Maestría en Analítica de Negocios by Subject "006.31 B224"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    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.