Más allá del Score: predicción de morosidad con variables socioeconómicas

Este trabajo desarrolla un modelo predictivo de morosidad crediticia utilizando variables socioeconómicas y de comportamiento financiero. A partir de un dataset público de 150.000 registros, se realiza un proceso de limpieza, transformación e ingeniería de variables, incluyendo técnicas para tratar datos faltantes y desbalance de clases mediante SMOTE. Se implementan y comparan distintos algoritmos de aprendizaje automático, como regresión logística, Random Forest, XGBoost y LightGBM. Los resultados muestran que los modelos de boosting presentan mejor desempeño, destacándose LightGBM por su equilibrio entre precisión y recall. El estudio evidencia la importancia del historial de pagos y la exposición crediticia en la predicción del riesgo