Show simple item record

dc.contributor.advisorSubauste Oliden, Daniel Alejandro
dc.contributor.authorCornejo Vilca, Luis Miguel
dc.contributor.authorSoto Alvarez, Eladio Alfredo
dc.date.accessioned2022-09-02T20:05:52Z
dc.date.available2022-09-02T20:05:52Z
dc.date.issued2022-06-28
dc.identifier.urihttp://hdl.handle.net/10757/660874
dc.description.abstractEl presente proyecto tiene como objetivo realizar una propuesta para la implementación de una herramienta tecnológica que permita a una organización microfinanciera llevar a cabo una rápida evaluación crediticia haciendo uso de un modelo predictivo basado en aprendizaje automático que se encuentra desplegado previamente. El presente proyecto busca maximizar la captación de buenos pagadores del sector agrícola para hacerlos partícipes del sistema microfinanciero nacional. Para ello se utilizan herramientas tecnológicas que faciliten la evaluación del cumplimiento de pago de los clientes potenciales. Así mismo, se busca que el entregable permita incorporar una nueva cartera de clientes rentables, dejando de lado cuellos de botella operativos relacionados con la evaluación del agricultor. Para la realización de este proyecto se investigaron las principales variables de análisis que se toman en cuenta en países con realidades similares a las peruanas como India. Esto evidencia las características del sector agrícola en cuanto a garantías y composición de la propiedad. A partir de este punto, se pudo identificar las principales variables y consideraciones que permiten evaluar adecuadamente a un sector poco explotado. La solución planteada emplea herramientas como el modelo de regresión logística para la determinación del cumplimiento de pago del cliente. Así mismo, empleando datos provistos por la organización se ejecutaron pruebas de concepto que permitieron validar la solución. Finalmente, una vez realizada una prueba de concepto, se logró encapsular un modelo de aprendizaje automático que permite evaluar la capacidad de cumplimiento de los clientes que tengan solicitudes de créditos agrícolas.es_PE
dc.description.abstractThe objective of this project is to make a proposal for the implementation of a technological tool that allows a microfinance organization to carry out a rapid credit evaluation using a predictive model based on machine learning that is previously deployed. This project seeks to maximize the proper loan approvals for good payers from the agricultural sector to make them participate in the microfinance system country widely. For this purpose, technological tools have been used to facilitate the evaluation of the payment compliance of potential clients. Likewise, the deliverable will allow the microfinance institution to incorporate a new portfolio of profitable and good clients, leaving aside operational bottlenecks related to the evaluation of the farmer loans. To carry out this project, the main analysis of the variables are considered in countries with similar realities to Peru, such as India, Zambia and Tanzania were investigated. This shows the characteristics of the agricultural sector in terms of guarantees and ownership composition. From this point, it was possible to identify the main variables and considerations that allow an adequate evaluation of underserved sector. The proposed solution use algorithms of machine learning such as logistic regression model to determine the customer's payment compliance. As well, using data provided by the organization, concept tests were carried out that allowed the solution to be validated. Finally, once a proof of concept was carried out, it was possible to encapsulate an automatic learning model that allows evaluating the payment capacity of clients who have agriculture loan applications.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdfes_PE
dc.formatapplication/epubes_PE
dc.formatapplication/mswordes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Peruana de Ciencias Aplicadas (UPC)es_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.sourceUniversidad Peruana de Ciencias Aplicadas (UPC)es_PE
dc.sourceRepositorio Académico - UPCes_PE
dc.subjectCrédito agrícolaes_PE
dc.subjectAgriculturaes_PE
dc.subjectPredicción de crédito agrícolaes_PE
dc.subjectScoring de créditoes_PE
dc.subjectUso de aprendizaje automáticoes_PE
dc.subjectUso de inteligencia artificiales_PE
dc.subjectAgro loanses_PE
dc.subjectAgriculturees_PE
dc.subjectAgro loan predictiones_PE
dc.subjectLoan scoringes_PE
dc.subjectUsing machine learninges_PE
dc.subjectUsing artificial intelligencees_PE
dc.titleHerramienta tecnológica para facilitar la incorporación masiva del rubro agrícola al sector microfinancieroes_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.grantorUniversidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE)es_PE
thesis.degree.levelLicenciaturaes_PE
thesis.degree.disciplineIngeniería de Sistemases_PE
thesis.degree.nameIngeniero de sistemases_PE
thesis.degree.programDivisión de Estudios Profesionales para Ejecutivos (EPE)es_PE
refterms.dateFOA2022-09-08T02:09:29Z
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.00.00es_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.04es_PE
dc.identifier.isni0000 0001 2196 144X
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.advisor.orcidhttps://orcid.org/0000-0003-1131-1384es_PE
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.discipline612076es_PE
dc.publisher.countryPEes_PE
dc.type.otherTesises_PE


Files in this item

Thumbnail
Name:
Cornejo_VL.pdf
Size:
5.321Mb
Format:
PDF
Thumbnail
Name:
Cornejo_VL.docx
Embargo:
2092-09-07
Size:
8.137Mb
Format:
Microsoft Word 2007
Thumbnail
Name:
Cornejo_VL_Ficha.pdf
Embargo:
2092-09-07
Size:
1.570Mb
Format:
PDF

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess