Modelo de clasificación en Machine Learning para productos del Fondo Nacional de Garantías S.A. - FNG

Duque Carreño, Johan Camilo

Modelo de clasificación en Machine Learning para productos del Fondo Nacional de Garantías S.A. - FNG

dc.contributor.advisor	Villarraga Poveda, Luis Fernando
dc.contributor.author	Duque Carreño, Johan Camilo
dc.date.accessioned	2024-10-07T21:19:44Z
dc.date.available	2024-10-07T21:19:44Z
dc.date.created	2024-04-16
dc.description	Este trabajo detalla la implementación de un modelo de clasificación en Machine Learning con el fin de analizar y evaluar garantías en el ámbito del Fondo Nacional de Garantías. Su objetivo principal es mejorar la eficiencia y precisión en la detección de inconsistencias en reclamaciones de garantías por parte de intermediarios financieros, optimizando así el proceso. La narrativa se fundamenta en la experiencia del autor durante una pasantía en el Fondo Nacional de Garantías, específicamente en áreas como la Vicepresidencia de Operaciones y la Subdirección de Garantías, desempeñando el rol de analista técnico. El enfoque central del trabajo es identificar los intermediarios financieros que suelen presentar más inconsistencias y definir los productos y tipos de procesos susceptibles de notificación. Se emplea una base de datos que incluye todas las garantías con alguna inconsistencia en el momento de la reclamación para ilustrar la implementación del modelo de clasificación en Machine Learning. El código presentado utiliza Python y bibliotecas como pandas, scikit-learn y openpyxl para cargar, procesar y construir el modelo de clasificación. Se aplican conocimientos matemáticos y estadísticos, como álgebra lineal, probabilidades y lógica booleana. Además, se implementa machine learning mediante un modelo RandomForestClassifier, basado en árboles de decisión y teoría de grafos, con optimización en el entrenamiento del modelo. El marco teórico se centra en la selección y preparación de datos, la exploración detallada y elección adecuada de clases, hasta la implementación y evaluación del modelo. Se analiza la idoneidad de algoritmos de clasificación para optimizar la predicción de inconsistencias y comportamientos de las características de las garantías. Este trabajo contribuye al campo de aplicación de Machine Learning en entidades financieras, ofreciendo un caso de estudio específico y práctico para mejorar procesos en el contexto del Fondo Nacional de Garantías. Se propone examinar la implementación de modelos de clasificación en un contexto empresarial específico, evaluando su impacto en la toma de decisiones y la mejora de la eficiencia operativa.	spa
dc.description.abstract	This work details the implementation of a classification model in Machine Learning in order to analyze and evaluate guarantees in the scope of the National Guarantee Fund. Its main objective is to improve efficiency and precision in the detection of inconsistencies in guarantee claims by financial intermediaries, thus optimizing the process. The narrative is based on the author's experience during an internship at the National Guarantee Fund, specifically in areas such as the Vice Presidency of Operations and the Guarantees Subdirectorate, playing the role of technical analyst. The central focus of the work is to identify the financial intermediaries that tend to present the most inconsistencies and define the products and types of processes susceptible to notification. A database that includes all guarantees with some inconsistency at the time of the claim is used to illustrate the implementation of the classification model in Machine Learning. The code presented uses Python and libraries such as pandas, scikit-learn and openpyxl to load, process and build the model. classification. Mathematical and statistical knowledge is applied, such as linear algebra, probability and Boolean logic. In addition, machine learning is implemented using a RandomForestClassifier model, based on decision trees and graph theory, with optimization in model training. The theoretical framework focuses on the selection and preparation of data, the detailed exploration and appropriate choice of classes, until the implementation and evaluation of the model. The suitability of classification algorithms to optimize the prediction of inconsistencies and behaviors of the characteristics of the guarantees. This work contributes to the field of application of Machine Learning in financial entities, offering a specific and practical case study to improve processes in the context of the National Guarantee Fund. It is proposed to examine the implementation of classification models in a specific business context, evaluating their impact on decision making and improving operational efficiency.	spa
dc.format.mimetype	pdf	spa
dc.identifier.uri	http://hdl.handle.net/11349/41303
dc.language.iso	spa	spa
dc.rights.acceso	Abierto (Texto Completo)	spa
dc.rights.accessrights	OpenAccess	spa
dc.subject	Machine Learning	spa
dc.subject	Análisis de datos	spa
dc.subject	Python	spa
dc.subject	FNG	spa
dc.subject.keyword	Machine Learning	spa
dc.subject.keyword	Analysis of data	spa
dc.subject.keyword	Python	spa
dc.subject.keyword	FNG	spa
dc.subject.lemb	Matemáticas -- Tesis y disertaciones académicas
dc.subject.lemb	Modelos de clasificación en Machine Learning
dc.subject.lemb	Detección de inconsistencias en garantías
dc.subject.lemb	Aplicaciones de Machine Learning en finanzas
dc.subject.lemb	Optimización de procesos en entidades financieras
dc.subject.lemb	Análisis de datos con Python
dc.title	Modelo de clasificación en Machine Learning para productos del Fondo Nacional de Garantías S.A. - FNG	spa
dc.title.titleenglish	Classification Model in Machine Learning for products of the Fondo Nacional de Garantías S.A. - FNG	spa
dc.type	bachelorThesis	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.degree	Pasantía	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa