Portafolio · Martín Jesús Villón Urday
Modelo de Machine Learning para predecir si un cliente bancario presentará morosidad grave (90+ días) en los próximos dos años, entrenado con 150,000 registros del dataset Give Me Some Credit de Kaggle.
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.
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.
Pregunta central: ¿Es posible predecir, con datos históricos del comportamiento financiero de un cliente, si caerá en morosidad grave en los próximos 2 años?
| Métrica | Valor | Interpretación |
|---|---|---|
| ROC AUC | 0.82 | Excelente discriminación de riesgo |
| Precisión clase morosa | 0.71 | De cada 10 alertas, 7 son reales |
| Recall clase morosa | 0.68 | Detecta el 68% de los morosos reales |
Conclusión ejecutiva: Un asesor humano evaluando manualmente no tiene métricas objetivas. Este modelo sí — y puede escalar a miles de solicitudes simultáneas.
| 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 |
Descarga automatizada desde Kaggle usando su API para garantizar un flujo de datos reproducible.
Ver código
import kagglehub
import os
import pandas as pd
# Autenticación y descarga automática desde Kaggle
os.environ['KAGGLE_USERNAME'] = "tu_usuario"
os.environ['KAGGLE_KEY'] = "tu_llave_api"
path = kagglehub.competition_download('GiveMeSomeCredit')
# Carga del dataset
df = pd.read_csv(f'{path}/cs-training.csv')1. Diccionario de negocio: Las columnas técnicas originales fueron renombradas a términos financieros claros para facilitar la comunicación con stakeholders.
Ver código de renombrado
nuevos_nombres = {
'SeriousDlqin2yrs': 'Moroso_Grave',
'RevolvingUtilizationOfUnsecuredLines': 'Lineas_de_Creditos',
'age': 'Edad',
'NumberOfTime30-59DaysPastDueNotWorse': 'Veces_retraso_30-59_dias',
'DebtRatio': 'Deuda_Ratio',
'MonthlyIncome': 'Ingreso_Mensual_bruto',
'NumberOfOpenCreditLinesAndLoans': 'N_Creditos_Abiertos',
'NumberOfTimes90DaysLate': 'Veces_de_retraso_90dias_o_mas',
'NumberRealEstateLoansOrLines': 'N_Prestamos_Hipotecarios',
'NumberOfDependents': 'N_personas_a_cargo'
}
df.rename(columns=nuevos_nombres, inplace=True)2. Imputación de valores faltantes: La columna de ingresos presentaba valores nulos. Se completaron con la mediana para evitar el sesgo generado por sueldos extremadamente altos.
Ver código de imputación
# Ingresos: imputación con mediana
mediana_ingreso = df['Ingreso_Mensual_bruto'].median()
df['Ingreso_Mensual_bruto'].fillna(mediana_ingreso, inplace=True)
# Personas a cargo: imputación con moda (0 es el valor más frecuente)
moda_dep = df['N_personas_a_cargo'].mode()[0]
df['N_personas_a_cargo'].fillna(moda_dep, inplace=True)Se generó una matriz de correlación triangular para identificar los principales predictores de morosidad.
Hallazgo clave: Correlación de 0.98 entre retrasos de 30–59 días y los de 90+ días — los retrasos leves funcionan como señal de alerta temprana de morosidad grave.
Se implementó Regresión Logística, estándar en la industria bancaria por su alta interpretabilidad.
Ver código del modelo
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
# Separación 80% entrenamiento / 20% prueba
X = df.drop(columns=['Id', 'Moroso_Grave'], errors='ignore')
y = df['Moroso_Grave']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Entrenamiento
modelo_banca = LogisticRegression(max_iter=1000)
modelo_banca.fit(X_train, y_train)
# Evaluación
probabilidades = modelo_banca.predict_proba(X_test)[:, 1]
print(f"Puntuación ROC AUC Final: {roc_auc_score(y_test, probabilidades):.4f}")Ejemplo de uso:
# 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%1. El historial de retrasos es el predictor más potente. Los clientes con morosidad grave tenían en promedio 3.2 veces más retrasos previos. 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) y los de mayor edad (70+) concentran mayor tasa de morosidad. El rango 40–55 años muestra el perfil de menor riesgo, coincidiendo 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 son necesariamente los más morosos. La combinación de ratio de deuda elevado + historial de retrasos + ingresos bajos es lo que realmente predice el riesgo.
analisis-datos-python/
├── credito_riesgo_banca.ipynb # Notebook completo con código y visualizaciones
├── assets/
│ └── correlation_matrix.png # Matriz de correlación del EDA
└── README.md # Este archivo
Python 3.11 · pandas · numpy · scikit-learn · matplotlib · seaborn
Martín Jesús Villón Urday — Egresado de Administración · Analista de datos Junior · Experiencia en microfinanzas como asesor de ventas, con contexto de negocio real en evaluación crediticia.
Para consultas o comentarios sobre el análisis, puedes abrir un Issue en este repositorio.