1. REDESNEURONALESPARARESOLVERCREDITSCORINGEN
CREDITOS-CONSUMODELABANCAESTATALENPERU
Wilber Grover Mamani Salguero
Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de
Sistemas e Informática,
Av. Universitaria /Av. Germán Amézaga s/n. Ciudad Universitaria, Lima,
Perú, Lima 1
mswilber@hotmail.com

2. Agenda
Problema
Estado del arte
Aporte teórico
Caso de Estudio
Conclusión
Referencia Bibliográfica

3. PROBLEMA
• De persistir esta problemática, la tendencia es incrementar la tasa de morosidad y por otro lado brindar préstamos
incobrables en algunos casos llegaría a cobranza judicial.

4. ¿Qué modelo de Credit Scoring
en Créditos de Consumo es el
más apropiado en la Banca
Estatal a fin de hacer óptimo el
rendimiento de servicio de
crédito?

5. Diseñar un Sistema Inteligente (Artefacto) para resolver Credit
Scoring en créditos de consumo en la Banca Estatal.
Investigar los modelos Credit Scoring en créditos de consumo
para entidades bancarias públicas.
Determinar las variables independientes y dependientes para
Credit Scoring en créditos de consumo en Banca Estatal.
Describir la eficiencia del modelo Credit Scoring seleccionado.
Proponer un Sistema inteligente (Artefacto) que permita
mejorar la precisión en Credit Scoring en creditos de consumo en
Banca Estatal.

6. La contribución de este trabajo de investigación radica en el uso de un instrumento para
optimizar el proceso de clasificación de prestatarios en “bueno” y “malo”, de esta manera
reducir la tasa de morosidad.
Los Créditos de consumo en los últimos meses ha tenido un crecimiento de
sostenible en créditos directos, según (ASBANC, 2011) se llegaron a colocar en 6093
millones de dólares en julio del 2010 y incrementado en setiembre 2011 a 7758
millones de dólares es una oportunidad para incrementar la cartera de clientes.
Crecimiento Creditos de Consumo
0
1
2
3
4
5
6
6
0
9
3
,
4
9
3
4
9
6
6
6
4
8
,
3
0
0
5
4
6
7
2
0
3
,
1
0
7
5
9
6
y
m
a
y
o
r
.
.
.
Frecuencia
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
Frecuencia
% acumulado

7. ESTADO DEL ARTE
• Mejorar la precisión de los métodos estadísticos y por otra parte existen modelos
basados ​​en métodos de minería de datos algunos de los mas recientes son :
Vertical Bagging Decision Trees (Zhang, 2010)
Genetic Programming (Pointon, 2009)
Neural Nets (Hussein, 2008)

8. Vertical Bagging Decision Trees (Zhang, 2010)
S (s1, s2,..., s n) Datos de entrenamiento es un conjunto
A1, A2,..., Am # A Subgrupo de Atributos.
T1, T2,..., Tm m subconjuntos de entrenamiento , verticales Bagging
M1, M2,..., Mm, m subconjuntos de Modelos.
C1, C2,..., Cm Resultado por cada cliente (''buena " o ''malo"),

9. Genetic Programming (Pointon, 2009)
Hay dos tipos de modelos de GP se utilizan: un modelo de programa / programa
desarrollado, que es un programa único y un modelo de equipo, que es una
combinación de modelos de programas individuales a fin de producir mejores
resultados que cualquiera de los modelos solo programa.

10. Neural Nets (Hussein, 2008)

11. APORTE TEÓRICO
• Modelos de Credit Scoring se
basan en métodos de investigación
estadística o de operación. Estos
modelos están construidos con la
información histórica de miles de
clientes reales. Por cada solicitud,
se tiene un formulario de un
determinado periodo con el
historial del cliente, de la cual se
llega a tomar una decisión sobre si
su historia es aceptable o no, es
decir, es que él o ella es un cliente
malo o no, se hace entonces. En
concreto, el objetivo de Credit
Scoring es la asignación de los
solicitantes de crédito a los
clientes buenos o clientes malos,
por lo que se encuentra en el
dominio del problema de la
clasificación (Adel Lahsasna, y
otros, 2010).
Esquema del Modelo conceptual del componente

12. Flujo de Prestamos de Consumo Multired.

13. APORTE TEÓRICO

14. Variable Código
V_X_1 Recibo agua, luz o teléfono RAL 1=No Tiene, 2=Tiene
V_X_2 Copia documento identidad CDI 1=No Tiene, 2=Tiene
V_X_3 Tarjeta banca estatal Multired TBE 1=No Tiene, 2=Tiene
V_X_4 Sustento de trabajo ST 1=No Tiene, 2= Tiene
V_X_5 Sustento ingresos adicionales SIA 1=No Tiene, 2= Tiene
V_X_6 Sustento pago Créditos Otros Bancos SPOB 1=No Tiene, 2= Tiene
V_X_7 Ingresos en cuenta IC 800 - 10000 soles
V_X_8 ingresos adicionales 3ra,4ta,5ta IA 500 a 10000 soles
V_X_9 Pago deuda mensual Multired PDM 100 a 5000 soles
V_X_10 Pago deuda otros bancos PDOB 100 a 5000 soles
V_X_11 Pago de cuota mensual de crédito PCM 300 a 4000 soles
V_X_12 Sexo SEX 1=Femenino ,2=Masculino
V_X_13 Edad EA Mayor a 18 y menor a 70 años
V_X_14 Estado Civil EC 1=soltero 2=casado
V_X_15 El monto del préstamo MP 300 a 50000 soles
V_X_16 La duración del préstamo DP 12 a 60 Meses
V_X_17 Cuota 30% ingresos netos CIN 1=No Tiene, 2= Tiene
V_X_18 Calificación SBS CSBS 1=Otro, 2=Normal
V_Y_1 Resultado Sistema Inteligente RSI Buen o Mal cliente
Cuadro de Variables de Credit Scoring para Créditos de Consumo

15. Análisis de datos de variables: CDI, TBE, ST, SIA, SIC, SPOB.
Tabla de variables independientes y datos del cliente.
Homologación de variables independientes.
Análisis de datos de variables independientes.

16. Topología de la Red Neuronal
La fase de pruebas realizado con el objetivo de medir el
rendimiento en función del error de aprendizaje.
Para el entrenamiento sea trabajo con una muestra de 25% de
dato, En las pruebas se ha obtenido el menor error de aprendizaje
con la red de 1 capas y 5 neuronas.

17. Matriz de la Topología de la Red Neuronal
Del resultado de las pruebas se ha obtenido el análisis de sensibilidad, muestra que la
variable que influye en el resultado es PDM seguido por DP ver cuadro

18. Sistema operativo
Windows Seven
Análisis de
datos de
Microsoft
Excel
EasyNN-plus
V14
Para las corridas del entrenamiento
se llegó utilizar un equipo CPU Core
2 Duo marca Intel, con 2 GB de
memoria RAM.
Despliegue El componente neuronal fue implementado en un
computador y luego se realizaron el entrenamiento y pruebas.

19. CASO DE ESTUDIO
Se ha realizado la
prueba con 300
clientes del BN
Artefacto
Neuronal

21. Error = (FP + FN) / (TOTAL) = 0,027
Éxito = (VP+VN) / (TOTAL) = 0,973
Sensibilidad = (VP) / (VP +FN) = 0,978
Especificidad = (VN) / (VN + FP) = 0,969
LEYENDA
FP: Falso Positivo
FN: Falso Negativo
VP: Verdadero Positivo
VN: Verdadero Negativo
TOTAL: Suma de
columnas involucradas

22. CONCLUSIÓN
Se puede concluir que el Sistema Neuronal tendrá un efecto positivo en Credit
Scoring en Creditos de Consumo de la Banca estatal, no obstante se estima que
la herramienta tiene una tendencia hacia la eficiencia en la clasificación de
clientes de crédito de consumo.
Las variables independientes y dependientes identificados para Credit Scoring en
Creditos de Consumo son exclusivo para créditos de consumo y Banca Estatal.
El trabajo de investigación, a través de los entrenamientos experimentales, pudo
demostrar la simplicidad y eficiencia en encontrar respuestas cercanas a la
realidad , obteniendo un resultado de factor de éxito de 97%.

23. TRABAJOS FUTUROS
Este Método podría ser aplicado a investigaciones futuras enfocado a otro tipo de
productos como : Hipotecarios, préstamos Pymes , Préstamos corporativos.
Así mismo este método es viable implementar en los demás áreas como Lavado
de Activos , Fraude .

24. REFERENCIABIBLIOGRAFICA
• S. Rayo, J. Lara y D. Camino. A Credit Scoring Model for Institutions of Microfinance under the Basel II Normative [Publication periodical]. - Scielo: JOURNAL OF ECONOMICS, FINANCE AND ADMINISTRATIVE SCIENCE, 2010. Vol. 15. -
http://www.scielo.org.pe/scielo.php?pid=S2077-8862010000100005&script=sci_arttext.
•
• BANCA ESTATAL, PORTAL BANCO DE LA NACION, PRESTAMOS PERSONALES MULTIRED [En línea]. – Diciembre de 2011.http://www.bn.com.pe/persona-natural/prestamo-personal.asp.
•
• PORTAL BN, PORTAL INTRANET BANCO DE LA NACION, PLAN ESTRATEGICO 2009-2013 [En línea]. – Diciembre de 2011.
• http://portal.bn.com.pe/wps/wcm/myconnect/gestion/home/principal/planeamiento+estrategico.
•
• ASBANC, ASOCIACIÓN DE BANCOS DEL PERÚ [En línea]. – Diciembre de 2011. http://www.asbanc.com.pe/estadisticas/estadistica_por_entidad.htm.
•
• J. Matos, SISTEMA FINANCIERO PERUANO [En línea]. – Agosto de 2009. http://jmatos777.blogspot.com/2009/08/sistema-financiero-peruano.html.
•
• Estadística BCRP, Consulta a Series Estadísticas del BCRP [En línea]. –Diciembre 2011. http://estadisticas.bcrp.gob.pe/Monetarias.pdf. Págs.3-4.
•
• Portal BCRP, TRÍPTICO INSTITUCIONAL [En línea]. –Diciembre 2011. http://www.bcrp.gob.pe/sobre-el-bcrp/triptico-institucional.html.
•
• M. Bogard, Banca Comercial (Unidad I) [En línea]. –Enero 2008. http://es.scribd.com/doc/7224264/Banca-Comercial. Págs.1-3.
•
• Revista BN Agosto, Nuestro Banco Prestamos Multired
• [Publicación Mensual]. – Revista BANCO DE LA NACION, 2011. – Mes Agosto. - pág. 4.
• Pedro Isasi Viñuela y Inés M. Galván León, Redes Neuronales Artificiales un Enfoque Practico [Libro]. - Madrid: Pearson Educación, 2004. - Vol. 1: Págs. 63-64.
•
• Edgar Sánchez Camperos y M.C. Alma Yolanda Alanis García, Redes Neuronales Conceptos fundamentales y aplicaciones a control automático [Libro]. - Madrid: Pearson Educación, 2006. - Vol. 1: Págs. 63-64.
•
• Chapman Pete [y otros], CRISP-DM 1.0: Guide, Step by Step Data Mining [Libro]. -
• Londres, Nueva York y Brúcelas: CRISP-DM Consortium, 2000. - Vol. 1: págs. 9-13.
•
• Sergio Valcárcel Ascencios, Tesis de Maestría: Sistema inteligente para calificar alpacas en función a su fibra fina [Tesis Maestría]. - Perú: Universidad Nacional Mayor San Marcos, 2011. - Vol. 1.
•
• Juan Galfre García [Revista]. - Lima-Perú: Llevamos progreso a todo el Perú
• Departamento de Comunicación Corporativa Banco de la Nación, 2008. Vol.6.
•
• Evelyn Ehrlich y Duke Fanlli. The Financial Service Marketing Handbook [Libro] Madrid: BLOOMBERG PRESS PRINCETON, 2004. - Vol. 1: Pg 5.
•
• Adel Lahsasna, Raja Noor Ainon, and Teh Ying Wah, Credit Scoring Models Using Soft Computing Methods: A Survey [Journal]. - Arabia: The International Arab Journal of Information Technology, 2010. - Vol. 7: Pg. 115.
•
• Adel Lahsasna, Raja Noor Ainon, y Teh Ying Wah, Credit Scoring Models Using Soft Computing Methods: A Survey [Journal]. Arabia: The International Arab Journal of Information Technology, 2010. - Vol. 7: Pág. 115.
•
• David Martens, Bart Baesens, Tony Van Gestel y Jan Vanthienen, Comprehensible Credit Scoring models using rule extraction from support vector machines.[Journal] European Journal of Operational Research, 2007.
•
• Philip Joos, Koen Vanhoof, and Hubert Ooghe y Nathalie Sierens, Credit classification: a comparison of logit models and Decision Trees, Gholamreza Nakhaeizadeh et al. (eds.), Application of machine learning and data mining in finance: European
Conference on Machine Learning (ECML'98), Workshop notes; 24.April 1998, Págs. 59-70.
•
• Bogess, Test your Credit Risks, Harvard Business Review, 1967, Pág. 113.
•
• Yang Liu. The evaluation of classification models for Credit Scoring, Alemania: Institut für Wirtschaftsinformatik, Georg-August Universität Göttingen, 2002, Págs. 6 - 26.
•
• Jason Holmes y Peter Samuels, Credit score the quintessential therapy for a happy pocket [handbook]. – Debt Consolidation Care, 2009. - Vol. 1: Págs. 12-15.
•
• Defu Zhang a y [otros], Vertical Bagging Decision Trees model for Credit Scoring [journal]. – Holanda: Elsevier-Expert Systems with Applications, 2010. - Vol. 1.
•
•
• Hussein Abdou, Genetic programming for Credit Scoring: The case of Egyptian public sector banks [journal]. – Holanda: Elsevier-Expert Systems with Applications, 2009. - Vol. 1.
•
• John Pointon, Ahmed El-Masry y Hussein Abdou , Neural nets versus conventional techniques in Credit Scoring in Egyptian banking [journal]. – Holanda: Elsevier-Expert Systems with Applications, 2008. - Vol. 1.