Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning

Abstract

La inhabilitación de profesionales titulados por impago de sus cuotas mensuales constituye un riesgo operativo significativo para la sostenibilidad financiera de las asociaciones profesionales. Este problema destaca la necesidad de contar con herramientas predictivas que puedan anticipar el riesgo de inhabilitación y proteger la estabilidad institucional. El objetivo principal del estudio consistió en desarrollar un modelo de aprendizaje automático supervisado para estimar el riesgo de inhabilitación entre los profesionales registrados, basándose en variables históricas y contextuales. Se llevó a cabo un estudio empírico, aplicado y cuantitativo mediante el análisis de más de 5,7 millones de registros financieros correspondientes a 27,964 profesionales registrados. Se evaluaron múltiples algoritmos de clasificación supervisada, incluidos modelos conjuntos como CatBoost y XGBoost, utilizando técnicas de validación cruzada estratificada y métodos de balanceo de clases para abordar el desequilibrio sustancial de los datos. Los resultados indican que CatBoost obtuvo el mejor desempeño (puntuación F = 57,96%; AUC = 0,72), mientras que XGBoost mostró una mayor estabilidad en la validación cruzada. En conclusión, el modelo desarrollado permite identificar oportunamente a los miembros con alto riesgo de descalificación, lo que facilita la implementación de sistemas de alerta temprana y estrategias proactivas de gestión financiera institucional.