Análisis de Riesgo Crediticio — Predicción de Morosidad

Portafolio · Martín Jesús Villón Urday

---

El problema de negocio

En una institución financiera, aprobar un crédito a un cliente que no podrá pagarlo genera pérdidas directas. Rechazarlo a uno que sí podría pagarlo genera pérdida de negocio. El equilibrio entre estos dos errores es el corazón del análisis de riesgo crediticio.

Pregunta central: ¿Es posible predecir, con datos históricos del comportamiento financiero de un cliente, si caerá en morosidad grave en los próximos 2 años?

Contexto personal: Durante mis prácticas como asesor de ventas en una microfinanciera, evaluaba solicitudes de crédito de forma manual — revisando ingresos, historial de pagos y carga de deuda de cada cliente. Este proyecto automatiza y cuantifica ese proceso de evaluación.

---

Dataset

Característica	Detalle
Fuente	Kaggle — Give Me Some Credit
Registros	150,000 clientes
Variable objetivo	Moroso_Grave (1 = morosidad grave en 2 años)
Tasa de morosidad	~6.7% del total

---

Variables analizadas

Variable original	Nombre en español	Descripción
SeriousDlqin2yrs	Moroso_Grave	Objetivo: 1 si cayó en morosidad grave
RevolvingUtilizationOfUnsecuredLines	Lineas_de_Credito	% de crédito rotativo utilizado
age	Edad	Edad del cliente
NumberOfTime30-59DaysPastDueNotWorse	Veces_retraso_30-59_dias	Veces con retraso leve
DebtRatio	Deuda_Ratio	Deuda mensual / ingresos
MonthlyIncome	Ingreso_Mensual_bruto	Ingreso mensual declarado
NumberOfOpenCreditLinesAndLoans	N_Creditos_Abiertos	Número de créditos activos
NumberRealEstateLoansOrLines	N_Prestamos_hipotecarios	Préstamos con garantía hipotecaria

---

Proceso de análisis

1. Exploración inicial

• Revisión de distribuciones y valores nulos
• Agrupación de clientes por estado de morosidad para comparar perfiles medios
• Mapa de calor de correlaciones entre variables

2. Limpieza y filtros de negocio

• Eliminación de clientes con edad fuera del rango 18–100 años
• Remoción del 1% superior de Deuda_Ratio (valores físicamente imposibles)
• Creación de variable compuesta Total_Veces_Retraso (suma de retrasos 30–59 días y ≥90 días)

3. Modelado — Regresión Logística

• División 80% entrenamiento / 20% evaluación
• Modelo base: Regresión Logística (interpretable, estándar en banca)
• Evaluación con métricas apropiadas para datos desbalanceados

---

Resultados del modelo

Métrica	Valor
ROC AUC	0.82
Precisión clase morosa	0.71
Recall clase morosa	0.68

El ROC AUC de 0.82 indica que el modelo tiene buena capacidad discriminatoria: en 8 de cada 10 comparaciones entre un cliente moroso y uno no moroso, el modelo asigna mayor probabilidad de riesgo al correcto.

Ejemplo de uso del modelo

# Cliente de 30 años, alto uso de crédito, ingresos bajos, historial de retrasos
nuevo_cliente = [[0.9, 30, 5, 0.5, 2000, 5, 2, 7]]
probabilidad = modelo_banca.predict_proba(nuevo_cliente)[0][1]

print(f"Riesgo de morosidad: {probabilidad*100:.1f}%")
# Output: Riesgo de morosidad: 73.4%

---

Hallazgos principales

1. El historial de retrasos es el predictor más potente Los clientes con morosidad grave tenían en promedio 3.2 veces más retrasos previos que los clientes al día. Un cliente con más de 4 episodios de retraso tiene probabilidad de morosidad 4 veces mayor que la media.

2. La edad tiene una relación no lineal con el riesgo Los clientes más jóvenes (18–30 años) y los de mayor edad (70+) concentran mayor tasa de morosidad. El rango 40–55 años muestra el perfil de menor riesgo — coincide con el período de mayor estabilidad laboral e ingresos.

3. El ratio de deuda no es suficiente por sí solo Clientes con alto Deuda_Ratio no necesariamente son los más morosos. La combinación de ratio de deuda elevado + historial de retrasos + ingresos bajos es lo que realmente predice el riesgo.

---

Herramientas utilizadas

Python 3.11 · pandas · numpy · scikit-learn · matplotlib · seaborn

---

Archivos del proyecto

📁 analisis-datos-python/
├── credito_riesgo_banca.ipynb    # Notebook completo con código y visualizaciones
└── README.md                     # Este archivo

Sobre el autor

Martín Jesús Villón Urday Egresado de Administración y Sistemas · Analista de datos Junior Experiencia en microfinanzas como asesor de ventas — contexto de negocio real en evaluación crediticia.

📂 https://www.notion.so/An-lisis-de-Riesgo-Crediticio-Predicci-n-de-Morosidad-Bancaria-35d987249e52807fa4f4cef5ba9932f8)) · 💼 www.linkedin.com/in/martin-villon-urday

---

Para consultas o feedback sobre el análisis, puedes abrir un Issue en este repositorio.