Tema: Predicción de la propensión a la bancarización en el Perú mediante algoritmos de aprendizaje supervisado sobre la ENAHO 2025
Autores:
- Josué Chilón Cruzado
- Miguel Angel Concepción Tiza
- Enzo Israel Neyra Dianderas
- Omar Salvador Tello Guerra
En el Perú, el 43% de adultos sigue fuera del sistema financiero formal, lo que abre espacio para fintechs y bancos digitales. Este estudio usa datos de la ENAHO 2025 (76,207 adultos) para predecir la bancarización con modelos de clasificación binaria. Se probaron siete algoritmos, destacando Gradient Boosting con un AUC-ROC de 0.804 y 72.6% de exactitud. Las variables más influyentes fueron ingreso per cápita, educación y edad. El modelo se aplicó a un caso de negocio para priorizar leads no bancarizados.
Impacto:
El estudio demuestra que los modelos de machine learning, especialmente Gradient Boosting, pueden mejorar significativamente la predicción de bancarización en el Perú, superando resultados previos en la literatura. Esto habilita estrategias más precisas para fintechs y bancos digitales en la identificación de clientes potenciales. La metodología aplicada con microdatos de la ENAHO establece un marco replicable para estudios de inclusión financiera en otros contextos.
El hallazgo de variables clave como ingreso, educación y edad aporta evidencia sólida para diseñar políticas públicas focalizadas. En conjunto, el trabajo impulsa la transformación digital del sistema financiero hacia una mayor inclusión y eficiencia.
Palabras clave
bancarización, inclusión financiera, ENAHO, aprendizaje supervisado, clasificación binaria, Machine Learnin, Gradient Boosting, comparación de modelos.