Análisis De Clúster Para La Segmentación De Clientes En La Concesión De Créditos Otorgados Por La Corporación Financiera Nacional

Autores/as

  • Shirley Patricia Hidalgo Bailón Universidad Laica Eloy Alfaro de Manabí
  • Luis Cedeño-Valarezo ULEAM,Universidad Laica Eloy Alfaro de Manabí image/svg+xml

DOI:

https://doi.org/10.56124/refcale.v13i2.004

Palabras clave:

Análisis Clúster Jerárquico, Corporación Financiera Nacional, Tipos de Créditos

Resumen

La segmentación de clientes en instituciones financieras es clave para optimizar la personalización de productos y mejorar la inclusión financiera. Diversos estudios han aplicado métodos como análisis de clústeres, redes neuronales y aprendizaje automático para evaluar el comportamiento de los clientes y mejorar la gestión crediticia. En el Ecuador, existen factores entre ellos la ubicación geográfica y las particularidades socioeconómicas inciden en la distribución de los créditos. Este estudio con el objetivo de aplicar el análisis de clúster jerárquico para segmentar las provincias ecuatorianas según los créditos otorgados por la Corporación Financiera Nacional (CFN) en 2023. Se procesaron datos de 20 provincias, considerando variables como monto otorgado, tipo de crédito y factores socioeconómicos. Se aplicó la distancia de Mahalanobis para mitigar valores atípicos y mejorar la calidad del agrupamiento. Los resultados identificaron tres clústeres principales, donde la mayoría de las provincias se agrupan en uno, mientras que las más representativas forman clústeres independientes. Sin embargo, métricas como el índice de Dunn y el coeficiente de silueta sugieren que el modelo no es óptimo. Esto resalta la necesidad de explorar enfoques alternativos para mejorar la precisión de la segmentación y optimizar la asignación de recursos financieros en el país

Citas

Amutha, R., & Khan, A. A. (2023). Customer segmentation using machine learning techniques.

https://doi.org/10.52783/tjjpt.v44.i3.653

Banco Central del Ecuador. (s.f.). Cuentas Nacionales Anuales. https://contenido.bce.fin.ec/documentos/informacioneconomica/cuentasnacionales/i x_cuentasnacionalesanuales.html#

Borges, V. A., Lima, F. G., Junior, T. P., & Gaio, L. E. (2014). Impact of the segmentation for models of analysis in granting of credit: A comparison of results. Business Management Review, 3(10), 1–16. https://repositorio.usp.br/item/002707621

Corporación Financiera Nacional. (s.f.). Sitio web oficial. https://www.cfn.fin.ec/

Gaol, F. L. (2023). Customer segmentation of personal credit using recency, frequency, monetary (RFM) and K-means on financial industry. International Journal of Advanced Computer Science and Applications, 14(4). https://doi.org/10.14569/ijacsa.2023.0140417

Goncarovs, P. (2018). Using Data Analytics for Customers Segmentation: Experimental Study at a Financial Institution. International Scientific Conference Information Technology and Management Science Riga Technical University. https://doi.org/10.1109/ITMS.2018.8552951

Krishnan, G. U. (2024). Customer segmentation for credit card customers: A comprehensive guide. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 10(5), 286–296. https://doi.org/10.32628/cseit241051015

Kassambara , A. (2017). Practical Guide To Cluster Analysis In R Unsupervised Machine Learning. STHDA (Statistical Tools for High-throughput Data Analysis, www.sthda.com/english)

Kumar, L. (2024). A Study on Customer Segmentation for Banking Sector Through Cluster Analysis: Ethical Implications. Deleted Journal, 31(5s), 57–66. https://doi.org/10.52783/cana.v31.999

Lawrence, K. D., Pai, D. K., Klimberg, R. K., Kudbya, S., & Lawrence, S. M. (2010). Segmenting Financial Services Market: An Empirical Study of Statistical and Non- parametric Methods (pp. 1061–1066). Springer, Boston, MA. https://doi.org/10.1007/978-0-387-77117-5_68

Mehmed, K. (2020). Data Mining Concepts, Models, Methods, and Algorithms Third Edition.

IEEE Press Editorial Board.

Reyes, Y., Gallardo Solís, J. M., Toalombo Capuz, M. M., & Moscoso Jurado, D. E. (2023). Análisis del otorgamiento de créditos a la microempresa en Ecuador: estudio de los factores determinantes. Salud, Ciencia y Tecnología. https://doi.org/10.56294/sctconf2023374

Ros, L. (2022). Metaheuristic-based machine learning approach for customer segmentation. En Título del libro (pp. 101–133). Editorial. https://doi.org/10.1007/978-981-19-3888-7_4

Samaniego-Namicela, A., & Armas Herrera, R. (2024). Microcredit, Gender and Geography. Case of Banecuador (pp. 218–228). Springer International Publishing. https://doi.org/10.1007/978-3-031-43733-5_20

Shaikh, A. S., & Khedkar, S. (2023). Clustering approach to high-dimensional data for banking customer segmentation. International Journal of Advanced Research in Computer and Communication Engineering, 12(8). https://doi.org/10.17148/ijarcce.2023.12805

Shokrgozar, N., & Sobhani, F. (2016). Segmentación de clientes de bancos basada en el descubrimiento de su relación transaccional mediante algoritmos de minería de datos. Modelos y métodos matemáticos en ciencias aplicadas, 10, 283. https://doi.org/10.5539/MAS.V10N10P283

Syakur, M., Khotimah, B., Rochman, E., & Satoto, B. (2018). Método de agrupamiento de integración K-Means y método Elbow para la identificación del mejor grupo de perfiles de clientes. Serie de conferencias IOP: Ciencia e ingeniería de materiales, 336. https://doi.org/10.1088/1757-899X/336/1/012017

Descargas

Publicado

2025-08-31

Cómo citar

Hidalgo Bailón, S. P. ., & Cedeño-Valarezo, L. (2025). Análisis De Clúster Para La Segmentación De Clientes En La Concesión De Créditos Otorgados Por La Corporación Financiera Nacional. REFCalE: Revista Electrónica Formación Y Calidad Educativa. ISSN 1390-9010, 13(2), 65–80. https://doi.org/10.56124/refcale.v13i2.004

Número

Vol. 13 Núm. 2 (2025): (Mayo-Agosto)

Sección

Investigaciones

Licencia

Derechos de autor 2025 Shirley Patricia Hidalgo Bailón, Luis Cedeño-Valarezo

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:

  1. Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
  2. Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.