Credit Risk Analysis of Ecuadorian Financial Institutions: A Descriptive and Predictive Approach Integrated with Machine Learning and Business Intelligence

Resumen

Este estudio analiza la gestión del riesgo crediticio en instituciones financieras ecuatorianas mediante un marco descriptivo y predictivo que integra técnicas de Machine Learning (ML), Inteligencia Artificial Explicable (XAI) y Business Intelligence (BI). Con una base de datos anonimizada de 6.530 registros financieros y sociodemográficos, se aplicaron los algoritmos Random Forest y XGBoost para estimar la probabilidad de incumplimiento crediticio. El modelo Random Forest obtuvo el mejor desempeño (ROC-AUC = 0.916; PR-AUC = 0.998), mostrando una alta capacidad de discriminación y estabilidad. La aplicación de SHAP (SHapley Additive Explanations) permitió interpretar la influencia de las variables, identificando el monto del préstamo, los ingresos y la relación deuda/ingresos como los factores más determinantes del riesgo. Estos resultados interpretables se integraron en un panel interactivo de BI desarrollado en Tableau, que tradujo los hallazgos técnicos en información estratégica para la toma de decisiones institucionales. El enfoque propuesto mejora la detección temprana del riesgo, promueve la transparencia y fomenta sistemas de evaluación crediticia justos y responsables. La investigación aporta un marco metodológico replicable para economías emergentes, alineando la gobernanza basada en datos con los principios éticos de la inteligencia artificial explicable en el sector financiero