Modelo de scoring para clientes residenciales de Essbio y Nuevosur.

Abstract

El presente estudio se ha desarrollado con el objetivo de obtener un modelo de scoring para clientes residenciales de una empresa sanitaria. La idea es identificar a aquellos clientes que estén más propensos a convertirse en cuentas incobrables, lo cual ocurre cuando el cliente alcanza 720 o más días de atraso en el pago de su deuda. Para este propósito, se han considerado dos técnicas de aprendizaje automático, por un lado, la regresión logística, por ser el método más ampliamente conocido y utilizado bajo este contexto, y por otro, la potenciación del gradiente en árboles de decisión, el cual, si bien es un método menos reconocido, ha demostrado tener buenos resultados en diver- sos problemas de clasificación.

Se debe tener en cuenta que, el evento de llegar a ser una cuenta incobrable es bastante raro, lo cual genera un conjunto de datos no balanceados. Se analizará cómo esto afecta a los algoritmos propuestos y cuál es capaz de presentar mejores resultados en términos de precisión y poder de discriminación bajo estas circunstancias. Si bien, tanto el poder predictivo como la precisión alcanzada son atributos importantes para un modelo de clasificación, otras cuestiones, como el tiempo de ejecución y el poder computacional necesario se deben tener en consideración. El modelo seleccionado será aquel que mejor se adapte a las necesidades y características de la empresa. Finalmente, se propone una segmentación de riesgo, basada en las probabilidades estimadas, que permita clasificar a los clientes de acuerdo a su probabilidad de convertirse en incobrable.

Es de esperar que, este modelo pueda ser utilizado para estimar la pérdida esperada debido a las cuentas por cobrar y que represente una manera confiable de determinar la provisión de incobrables.