Mendiola Cabrera, AlfredoAguirre Gamarra, CarlosAzabache La Torre, Pablo Julio2019-11-182019-11-182019https://hdl.handle.net/20.500.12640/1743En Perú, a pesar que los bancos tienen grandes volúmenes de información no la utilizan en su totalidad para conocer a sus clientes y fijar precios dinámicos que les permita maximizar sus ganancias. Además, aún no utilizan los avances en inteligencia artificial para construir algoritmos que les permita conocer la disposición a pagar de sus clientes. En esta investigación se utilizan técnicas de inteligencia artificial para diseñar un algoritmo que permite maximizar el margen comercial de los préstamos bancarios. La aplicación empírica utiliza información de créditos de consumo de un banco. El algoritmo de inteligencia artificial definió 4 grupos homogéneos. Las variables de homogenización de clientes son: riesgo del cliente, nivel de deuda en el sistema financiero, nivel de pasivos, nivel de ingresos. En la estimación del modelo de willingness-to-pay se utilizó la función llamada logit-response function. Finalmente, se hizo un piloto de prueba en las ofertas proactivas del banco. El piloto fue exitoso, se incrementó las colocaciones y el margen de utilidad. En conclusión, los bancos pueden aumentar sus márgenes de ganancia a través de una gestión de pricing soportada por algoritmos que identifiquen la disposición a pagar de sus clientes.application/pdfspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/2.5/pe/OptimizaciónPréstamos bancariosCrédito al consumidorAlgoritmosInteligencia artificialOptimización del margen comercial de préstamos de consumo : algoritmo de optimización con Machine Learninginfo:eu-repo/semantics/masterThesishttps://purl.org/pe-repo/ocde/ford#5.02.04