Análisis de riesgo en microfinanzas usando aprendizaje automático y potencial integración con agentes de inteligencia artificial
DOI:
https://doi.org/10.21678/jb.2026.2798Palabras clave:
Microfinanzas, Riesgo crediticio, Pequeñas empresas, Modelamiento preventivo, Agentes de inteligencia artificialResumen
Resumen. Este estudio propone un enfoque integral para la detección temprana del riesgo de mora en carteras de microfinanzas, combinando aprendizaje automático y análisis histórico del comportamiento de pago de los clientes. Se utilizó una base de datos de más de 50,000 microcréditos otorgados en Perú por una entidad microfinanciera en Huancayo (2019-2021), construyendo un indicador de riesgo basado en la proporción de días de atraso respecto a la frecuencia pactada, con un umbral crítico del 25% del periodo de la cuota. Este criterio permite diferenciar clientes con mayor propensión al incumplimiento sin penalizar retrasos menores, mejorando la precisión del análisis.
El estudio se enfoca en microempresas y emprendedores informales, tradicionalmente excluidos de la banca formal. Aporta herramientas predictivas adaptadas a segmentos con poco historial crediticio, favoreciendo su inclusión financiera y fortaleciendo la gestión de riesgo en microfinancieras.
Se evaluaron cuatro modelos predictivos representativos de las principales familias de aprendizaje supervisado: Gradient Boosting Machine (GBM) para Boosting, Bayesian Additive Regression Trees (BART) para ensemble bayesiano, Random Forest (RF) para Bagging y Support Vector Machines (SVM) como clasificador de margen óptimo. Esta selección busca contrastar metodologías y determinar el enfoque más adecuado para el contexto de microfinanzas.
El uso de aprendizaje supervisado se justifica porque el problema cuenta con etiquetas históricas de mora y no mora, lo que permite generar predicciones directamente aplicables a decisiones de crédito. El rendimiento se evaluó mediante métricas como Kappa de Cohen, Media Geométrica y F1-score. Los resultados muestran que GBM ofrece el desempeño más consistente, BART el mejor F1-score y SVM destaca en precisión geométrica. Estos hallazgos validan la eficacia del aprendizaje supervisado para segmentar riesgo crediticio, optimizar la gestión operativa y sentar bases para incorporar agentes de inteligencia artificial que monitoreen pagos en tiempo real y reduzcan pérdidas por mora.
Palabras clave: Microfinanzas, riesgo crediticio, mora de pagos, pequeñas empresas, aprendizaje automático, modelado predictivo, agentes de inteligencia artificial.
Descargas
Citas
Armendáriz, B., & Morduch, J. (2010). The economics of microfinance (2nd ed.). MIT Press.
Brown, I., & Mues, C. (2012). An experimental comparison of classification algorithms for imbalanced credit scoring data.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM. https://doi.org/10.1145/2939672.2939785
Economist Intelligence Unit. (2012). Global microscope on the microfinance business environment 2012. https://www.eiu.com/n/campaigns/microscope2012/
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning (2nd ed.).
He, H., & Garcia, E. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering 21(9), 1263–1284 10.1109/TKDE.2008.239
Huang, C. L., Chen, M. C., & Wang, C. J. (2007). Credit scoring with a data mining approach based on support vector machines. Expert Systems with Applications, 33(4), 847–856. https://doi.org/10.1016/j.eswa.2006.07.007
J-PAL. (2022). Microcredit: Impacts and promising innovations. Abdul Latif Jameel Poverty Action Lab. https://www.povertyactionlab.org/policy-insight/microcredit
Khandani, A., Kim, A., & Lo, A. (2010). Consumer credit-risk models via ML. Journal of Banking & Finance 34(11), 2767–2787 https://doi.org/10.1016/j.jbankfin.2010.06.001
Lessmann, S., Baesens, B., Seow, H., & Thomas, L. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring. Journal of the Operational Research Society, 66(4), 740–758. https://doi.org/10.1057/jors.2014.22
Malekipirbazari, M., & Aksakalli, V. (2015). Risk assessment in social lending via random forests. Expert Systems with Applications, 42(10), 4621–4631. https://doi.org/10.1016/j.eswa.2015.01.002
Nhung, D. H., & Simioni, M. (2021). A comparison of Random Forest and logistic regression model in credit scoring. HAL Open Archive. https://hal.science/hal-03178971
Rinaldo, A., Passos, L., Lopes, H. F., & Giudici, P. (2018). Application of Bayesian additive regression trees in the development of credit scoring models in Brazil. Brazilian Journal of Probability and Statistics, 32(2), 264–280. https://doi.org/10.1214/17-BJPS354
Sharma, D. (2013). Improving credit scoring with random forests [Masters thesis, San José State University]. SJSU ScholarWorks. https://scholarworks.sjsu.edu/etd_projects/353
Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management. 45(4), 427–437. https://doi.org/10.1016/j.ipm.2009.03.002
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Diego Arriola León, Mohsen Ghodrat
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Journal of Business publica todos sus artículos y reseñas bajo la licencia Creative Commons Attribution (CC BY 4.0) con el objetivo de fomentar el intercambio académico a nivel mundial. Por ello, la obra en cuestión puede ser distribuida, remezclada, retocada, etc., como el autor y los lectores de la misma lo estimen conveniente. La única condición es que se cite a la revista Apuntes, revista de Ciencias Sociales como entidad editora del texto.
