Canelo, CésarTocto, Paúl2018-12-172022-04-042018-12-172022-04-042018-09978-0-9993443-1-62414-6390http://laccei.org/LACCEI2018-Lima/meta/FP504.htmlhttp://dx.doi.org/10.18687/LACCEI2018.1.1.504https://axces.info/handle/10.18687/2018102_504Las entidades crediticias siempre han tenido el problema de controlar el riesgo de crédito al que se exponen al desarrollar sus operaciones crediticias, en tal sentido, siempre han requerido apoyarse en modelos predictivos que les ayuden a tomar decisiones acertadas para la aceptación o el rechazo de una solicitud de crédito. Los modelos predictivos de microcrédito que emplean las instituciones financieras para calificar a los solicitantes de crédito, son los conocidos modelos clásicos basados en técnicas estadísticas y los modelos basados en técnicas de inteligencia artificial. Estos modelos difieren en la cantidad de factores que requieren, en las técnicas que emplean y en la precisión de la predicción. En este estudio, se propone aplicar una metodología basada en redes neuronales, que permitirá que el modelo aprenda y se ajuste según la información brindada por el cliente. Se usa Microsoft Azure Machine Learning Studio, nuevo software disponible en la nube, mediante el cual se evalúa diversos modelos basados en redes neuronales para determinar qué modelo se ajusta mejor a los datos y minimiza el error de la predicción.EnglishLACCEI Licensehttps://laccei.org/blog/copyright-laccei-papers/MicrocréditoCredit scoreData miningNubeArticle