Martínez Vargas, Juan DavidVallejo Correa, Paola Andrea2024-03-072023https://hdl.handle.net/10784/33540Las entidades financieras enfrentan día a día el reto de identificar los clientes de alto riesgo que potencialmente pueden incumplir sus acuerdos de pago. De esta manera pueden buscar estrategias para optimizar la recuperación de cartera y que la recaudación no se vea afectada significativamente. La mayoría de las aproximaciones para resolver este problema se centran en analizar las características de los solicitantes antes de que les sea otorgado el crédito. En este trabajo se propuso una aproximación desde la minería de texto, a través de interacciones de servicio al cliente para predecir el no pago en la siguiente cuota del crédito. El modelo de procesamiento de lenguaje natural tomó como datos de entrada textos de las interacciones de la línea de servicio al cliente. Se implementaron tres algoritmos de aprendizaje profundo: RandomForest, Red Neuronal Artificial y un modelo pre-entrenado basado en BERT, con el objetivo de identificar los clientes que no pagaron su crédito después de la interacción. Los resultados arrojaron que el modelo que obtuvo un mejor desempeño fue el de red neuronal, logrando un valor de recall del 64% para la clase “NO PAGÓ”, de esta manera el modelo logró clasificar correctamente el 64% de los registros que fueron etiquetados con el incumplimiento de pago.spaTodos los derechos reservadosProcesamiento de lenguaje naturalEntidad financieraAprendizaje profundoClasificaciónMinería de textomasterThesisinfo:eu-repo/semantics/openAccessCRÉDITOCUENTAS POR COBRARSISTEMAS DE CRÉDITORIESGO (FINANZAS)CIENCIA DE LA INFORMACIÓNAcceso abierto2024-03-07Patiño Serna, Javier332.7 P298