Segmentación de clientes en mora para optimizar estrategias de cobranza mediante K-means

Abstract

La gestión de la mora en tarjetas de crédito representa un reto significativo para las instituciones financieras, dado su impacto en el riesgo crediticio y la rentabilidad. Este trabajo plantea un modelo para clasificar a los clientes en mora utilizando el algoritmo K-means, con el propósito de identificar patrones de comportamiento que faciliten la implementación de estrategias más eficaces para la recuperación de deudas. La investigación se basó en la metodología CRISP-DM, abarcando la recolección y evaluación de la información histórica de los clientes, el procesamiento de variables como la edad, el monto adeudado y los días de mora, y la aplicación del clustering para agrupar a los clientes en categorías con características similares. La selección del número adecuado de grupos se realizó el método Elbow (codo), y la calidad del modelo se validó a través del coeficiente de Silhouette. Los hallazgos identificaron tres grupos principales de clientes morosos, diferenciados por sus niveles de deuda, el tiempo en mora y sus hábitos de pago. El modelo demostró ser efectivo para clasificar a los clientes según su riesgo, permitiendo identificar estrategias focalizadas de cobranza.