Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Lamos Diaz, HenryGranda Rodriguez, Oscar AnibalNiño Hernandez, Juan Manuel2024-03-0320162024-03-0320162016https://noesis.uis.edu.co/handle/20.500.14071/35512La cartera de microcréditos registra los mayores niveles de riesgo para las entidades financieras en comparación con otras unidades de negocio, son créditos para clientes con bajos ingresos, patrimonio limitado y no ofrecen garantías que respalden la operación contractual. Cuando estos incumplen o retrasa los pagos, requieren de mayores herramientas de cobranza. La mayoría de los clientes de microcréditos pagan su obligación presentando unos pocos días de retraso, pese a eso la intensidad del cobro es elevada ocasionando disguste en el prestatario, afectando relaciones comerciales futuras y generando excesos de cargas operativas para la entidad, disminuyendo la efectividad en las estrategias de cobranza y limitando la asignación de recursos. Este trabajo mejora la estrategia de cobranza de la cartera microfinanzas de una cooperativa financiera usando herramientas estadísticas. Parte de una base de asociados (clientes) con información histórica de variables sociodemográficas, financiera, otorgamiento y comportamiento crediticio, para explicar la probabilidad de que un cliente incurra en incumplimiento. El proceso para determinar el mejoramiento en la estrategia de cobranza genera el diseño de un framework abarcando diez pasos. Inicialmente la selección de una cartera objetivo, en este caso la unidad de negocios microfinanzas, define un marco histórico, obtiene las variables explicativas y depura la información, posteriormente calcula el default o incumplimiento dado que no existe un criterio único para definir qué cliente es bueno y cuál malo; luego analiza las variables mediante estadísticos descriptivos, aplica herramientas estadísticas de árboles de clasificación, análisis discriminante y regresión logística utilizando el software SPSS, selecciona el modelo que mejor explique los datos usando pruebas diagnósticas. Posteriormente, se diseña un scoring de cobranza mediante el cálculo de la probabilidad de incumplimiento distribuida en perce permite otorgar un puntaje o calificación asociada al riesgo esperado. Finalmente diseña una estrategia de cobro diferencial.application/pdfspahttp://creativecommons.org/licenses/by/4.0/MicrofinanzasRiesgo De CréditoCobranzaDefault De CarteraScoring De SeguimientoAnálisis DiscriminanteRegresión Logística.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coThe microloan portfolio has the highest level of risk for financial institutions compared to other business units as they are credits for customers with low incomelimited patrimony and don´t provide guarantees to support the contractual operation andwhen they fail or they are late in the payments require greater use of collection tools. Microcredit clients pay their obligation by a few days late and still intensity in the collection is very high causing upset in the borrower affecting future business relationships and excesses of operating loads collection for the entity that generates little effectiveness of collection strategies and limited resource allocation. This work improves collection strategy in microfinance portfolio of a cooperative financial institution in nature by using statistical tools. It starts from a base of partners (customers) with sociodemographic historical informationfinancial variablesgranting and credit behaviorfrom which it´s explained the probability that a customer in default. The entire process to determine the improvement in collection strategy using statistical methods generates the design of a framework covering ten steps. Initially it part from the selection of a target portfolioin this case the business unit microfinanceit is defined the historical frame of informationthe explanatory variables are obtained and the information is purgedthen the default or failure is calculated as that there is no single criterion for defining which client is good and which client is bad; then the variables are analyzed with descriptive statistics. Then it uses statistical tools as Classification TreesDiscriminant Analysis and Logistic Regression was applied using SPSS softwarethe model that best explains the data using diagnostic test is selected. Subsequentlya collection scoring is designed by calculating the probability of default distributed in percentiles or "score distribution" that give an expected risk to finally design a differential collection strategy.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)