Presentaremos los resultados y las conclusiones de nuestro proyecto de análisis de riesgo crediticio para una institución financiera alemana. Como científicos de datos, hemos sido desafiados con la tarea de construir un modelo de Machine Learning que sea preciso y confiable para evaluar la probabilidad de obtener un buen cliente, aquel que demuestra ser un pagador confiable.
En un mundo donde la gestión de riesgos es esencial, nuestro objetivo ha sido proporcionar a la institución herramientas innovadoras y predictivas para tomar decisiones fundamentadas.
OBJETIVOS
-
La importancia de reducir el riesgo crediticio es clave en el sector financiero. Nuestro cliente, una institución financiera alemana, ha reconocido la necesidad de adoptar enfoques innovadores para mejorar su capacidad de evaluar el riesgo crediticio de los clientes.
-
La misión principal es identificar y clasificar a los clientes en dos categorías: "Buen Cliente (0)" y "Mal Cliente (1)"
-
Este análisis permitirá a la institución tomar decisiones informadas y mitigar el riesgo de pérdidas crediticias.
ETAPAS DEL PROYECTO
- Planificación del Proyecto:
- Definición clara del desafío de la institución financiera.
- Identificación y adquisición de conjuntos de datos relevantes.
- Establecimiento de metas, modelos y métricas clave para evaluar el rendimiento del modelo.
- Preprocesamiento de Datos:
- Limpieza de Datos: Manejo de valores atípicos, datos faltantes y errores.
- Transformación de Variables: Normalización, codificación y discretización de variables categóricas y numéricas.
- Feature Engineering: Creación de nuevas variables a partir de las existentes.
- Análisis Exploratorio de Datos (EDA):
- Exploración detallada de los datos para comprender la distribución, relaciones y patrones.
- Identificación de Variables Significativas: Selección de características clave para el análisis.
- Desarrollo del Modelo:
- Selección de los Modelos: Elección de algoritmos de machine learning adecuados para este tipo de desafíos.
- Entrenamiento y Prueba: Utilización de conjuntos de Entrenamiento y Prueba para optimizar el rendimiento del modelo.
- Optimización del Modelo:
- Ajuste de Hiperparámetros: Optimización de la configuración del modelo.
- Comparativa entre Métricas obtenidas antes y después de la aplicación de Hiperparámetros
