Modelo de segmentación de cartera basado en el comportamiento de clientes para la gestión de cobranza
Loading...
Date
2022-07-26
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
Credit sales with direct financing is an important component in the retail sector
development. In addition to the sector's own credit risk, the presence of COVID-19 has resulted
in an increase in delinquency rates due to a change in customer payment behavior as a
consequence of the country's economic situation. An ill-defined collection management can
lead to taking wrong and costly strategies, wasting resources and distorting it. This research
proposes a portfolio segmentation model based on customer behavior to improve collection
management efficiency. Adopting this approach is key to generating management policies and
establishing specific collection strategies. The model contemplates the most representative
static variables of the client's profile from the bureau, and internal dynamic behavioral
attributes. A non-hierarchical clustering approach is considered, with K-means being the
methodology to be used. The model is designed in Azure Machine Learning and concluded in
JMP for the graphical understanding it provides. The results show a different solution to the
traditional ordering, since the classification of clients is commonly based on the degree of
portfolio aging. In addition, since distance is the discriminant in the formation of clusters, this
may be the element that facilitates ordering, since it prioritizes belonging to one or another
cluster; therefore, it is feasible to use this concept as a priority approach for collection
management.
Resumen
La venta a crédito con financiamiento directo es un componente importante en
el desarrollo del sector retail. A más del riesgo crediticio propio del sector, la presencia de
COVID-19 ha traído como consecuencia un incremento en los índices de morosidad debido a
un cambio de comportamiento de pago de los clientes por la situación económica del país. Una
gestión de cobranza mal definida puede llevar a la toma de estrategias equivocadas y costosas,
al desperdicio de recursos y a la desnaturalización de la misma. Esta investigación propone un
modelo de segmentación de cartera a partir del comportamiento de los clientes para mejorar la
eficiencia de gestión de cobranza. Adoptar este enfoque es clave para generar políticas de
gestión y establecer estrategias de cobro específicas. El modelo contempla las variables estáticas
más representativas del perfil del cliente provenientes del buró, y atributos dinámicos internos
de comportamiento. Se considera un enfoque de clusterización no jerárquica, siendo K-medias
la metodología a ser utilizada. El modelo se diseña en Azure Machine Learning y concluye en
el software estadístico JMP por el entendimiento gráfico que brinda. Los resultados evidencian
una solución distinta al ordenamiento tradicional, ya que comúnmente la clasificación de
clientes se realiza en virtud del grado de envejecimiento de cartera. Además, al ser la distancia
el discriminante en la formación de clusters, ésta puede ser el elemento que facilite el
ordenamiento, pues prioriza la pertenencia a uno u otro cluster; por lo tanto, es factible usar este
concepto como enfoque de prioridad para la gestión de cobranza.
Keywords
Ingeniería Industrial, Comercio minorista, Créditos
Citation
Código de tesis
Código de tesis
TN;529