Ciencia de Datos
Permanent URI for this collection
Browse
Browsing Ciencia de Datos by Subject "MOROSIDAD"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
tesis de maestría.listelement.badge Determinación de morosidad impositiva en la provincia del Chaco utilizando modelos predictivos(2024) Quindt, Raúl HoracioEl presente estudio se enfoca en la necesidad, por parte de la Administración Tributaria Provincial del Chaco, de anticiparse a la situación de mora de los contribuyentes en el pago de sus impuestos. Determinar tardíamente la morosidad, conlleva a intimaciones que generalmente terminan en planes con quita de intereses y bonificaciones especiales, lo cual implica una reducción en los recursos del estado provincial. Esto impacta directamente sobre las inversiones en materia de seguridad, administración de justicia, salud, educación y obras públicas. En este contexto, el objetivo principal de esta tesis es implementar una herramienta que, utilizando técnicas de aprendizaje automático, le permita al fisco determinar en forma predictiva qué tipo de contribuyentes o que actividades comerciales son las que podrían caer en deudas impositivas con la Administración Tributaria Provincial del Chaco. Para ello, se recaban datos históricos del fisco de la provincia, en base a las declaraciones juradas de actividades comerciales y sus posteriores pagos, se los prepara, y con ellos se entrenan seis modelos de aprendizaje automático supervisado, para luego evaluarlos a través de métricas de desempeño y determinar el más robusto y eficaz. Finalmente, a partir del análisis de importancia de características realizado sobre el mejor modelo, se identifican patrones relevantes asociados a la morosidad fiscal.tesis de maestría.listelement.badge Predicción de incumplimiento crediticio en préstamos personales: aplicación de aprendizaje automático supervisado en entidades bancarias(2024-12) Rojas, Marcos FernandoEl presente estudio se enfoca en la detección temprana de morosidad por parte de los clientes que toman préstamos personales en entidades financieras. El objetivo principal consiste en desarrollar una metodología basada en algoritmos de aprendizaje automático supervisado para la detección anticipada de los clientes que toman un préstamo personal y que pasan de una situación normal a una situación de morosidad. Esta detección es de vital importancia, dado que anticiparse al incumplimiento de los clientes les permite a las entidades poder ofrecer distintas alternativas para asegurar la regularidad de los pagos, lo cual beneficia tanto a la entidad como al cliente, que por falta de educación financiera puede desconocer las distintas herramientas que le pueden generar un desahogo financiero. A lo largo de la experimentación, se entrenan y validan seis modelos de clasificación distintos sobre una base de datos privados (tomados de una entidad financiera) y públicos (recabados del Banco Central de la República Argentina y de Datos Abiertos de Argentina), que luego son comparados entre sí a través de métricas predeterminadas, para detectar cuál de ellos es el más robusto para la predicción esperada.