13 de abril de 2026
Clusterización de Perfiles de Incumplimiento en el Financiamiento de Vehículos
Sandra Ferreira Almeida Lopes; Miguel Ângelo Lellis Moreira
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
La morosidad en los préstamos de vehículos constituye uno de los obstáculos más significativos para el mantenimiento de la estabilidad en el sistema de crédito automotriz brasileño, generando severos impactos tanto en la salud financiera de las instituciones como en la vulnerabilidad económica de los consumidores (Silva & Oliveira, 2021). En un entorno caracterizado por la rápida digitalización de los servicios bancarios y la ampliación de las ofertas de crédito, la gestión del riesgo de impago se ha convertido en una prioridad estratégica, exigiendo que las políticas de concesión se fundamenten en análisis de datos cada vez más precisos (Banco Central de Brasil, 2023). La complejidad del comportamiento del consumidor moroso está influenciada por una multiplicidad de factores que abarcan desde características demográficas básicas hasta condiciones socioeconómicas y términos contractuales específicos (Lima & Costa, 2020). Variables como el rango de ingresos mensuales, el nivel de escolaridad, la edad del tomador, el valor total financiado, la cantidad de cuotas y la tasa de interés aplicada desempeñan roles cruciales que, analizados de forma aislada, pueden no revelar la totalidad del riesgo involucrado. La interacción entre estos elementos exige el empleo de enfoques analíticos avanzados, capaces de identificar patrones latentes y segmentar perfiles de riesgo con un nivel de detalle superior a los métodos estadísticos convencionales (Breiman, 2001).
El campo de la ciencia de datos, impulsado por el desarrollo de algoritmos de aprendizaje automático, ofrece herramientas robustas para el análisis predictivo y para el soporte a la toma de decisiones estratégicas en escenarios de incertidumbre (Provost & Fawcett, 2013). Dentro de este ecosistema, el aprendizaje no supervisado destaca por su capacidad de agrupar observaciones basándose en similitudes intrínsecas, sin necesidad de etiquetas o clasificaciones previas (Jain, 2010). Algoritmos como el K-means y el DBSCAN permiten la exploración de grandes volúmenes de datos para el descubrimiento de estructuras ocultas, posibilitando que las instituciones financieras identifiquen grupos de clientes con comportamientos homogéneos. Esta segmentación es fundamental para la personalización de las estrategias de cobro y para el refinamiento de los modelos de score de crédito, contribuyendo a una gestión de cartera más eficiente (Souza & Andrade, 2022). Sin embargo, se observa una carencia de estudios en la literatura nacional que apliquen técnicas de clusterización específicamente orientadas a la morosidad en el sector automotriz, dado que la mayoría de las investigaciones se enfoca en modelos supervisados de clasificación. Esta brecha justifica la necesidad de investigaciones que utilicen el rigor metodológico de la ciencia de datos para explorar la riqueza descriptiva de los datos contractuales y demográficos, con el fin de prevenir pérdidas financieras (Silva & Oliveira, 2021).
La fundamentación teórica de este estudio se basa en la premisa de que la morosidad no es un fenómeno aislado, sino el resultado de una combinación de factores estructurales y coyunturales. El análisis de agrupamientos, o clusterización, surge como la técnica ideal para abordar esta multidimensionalidad, ya que busca maximizar la homogeneidad dentro de cada grupo y la heterogeneidad entre ellos. El objetivo central reside en la identificación de perfiles recurrentes de clientes morosos, relacionando variables como edad, ingresos y valor financiado para comprender las dinámicas que conducen al incumplimiento de las obligaciones contractuales. Al mapear estos perfiles, se hace posible anticipar riesgos y formular políticas de crédito más resilientes, adaptadas a las particularidades de cada segmento de la población.
La metodología adoptada se caracteriza como un estudio de caso de naturaleza cuantitativa, con objetivos exploratorios y explicativos, estructurado para investigar las relaciones de causa y efecto en la morosidad de vehículos (Gil, 2019). La investigación se desarrolló de forma remota, teniendo como base operativa la ciudad de Piracicaba, São Paulo, durante el período comprendido entre los meses de marzo y junio de 2025. La población objetivo consistió en clientes que establecieron contratos de financiación de vehículos entre los años 2020 y 2024, abarcando un período de fluctuaciones económicas significativas en Brasil. La muestra final estuvo constituida por 9.300 registros válidos, seleccionados mediante muestreo no probabilístico por conveniencia, garantizando la integridad y diversidad de las variables necesarias para un análisis estadístico robusto.
El proceso de recolección de datos utilizó fuentes secundarias provenientes de instituciones financieras con actuación en territorio nacional. Las variables seleccionadas para el análisis incluyeron el rango de ingresos mensuales, el nivel de escolaridad, la edad del cliente, el tiempo de vigencia del contrato, el valor total financiado, el número de cuotas contratadas, el historial de incumplimiento previo, la tasa de interés aplicada y el valor pagado como entrada. En estricta observancia a la Ley General de Protección de Datos (Ley nº 13.709/2018), todos los registros fueron sometidos a un riguroso proceso de anonimización antes de cualquier manipulación, asegurando el sigilo de las informaciones personales y la conformidad ética de la investigación.
El tratamiento y análisis de los datos se ejecutaron utilizando el lenguaje de programación Python, con el soporte de las bibliotecas Pandas y NumPy para la manipulación de matrices y análisis exploratorio (McKinney, 2017). El flujo de preprocesamiento fue detallado e incluyó diversas etapas críticas para garantizar la calidad de los insumos analíticos. Inicialmente, se procedió a la eliminación de registros duplicados y a la corrección de inconsistencias estructurales en la base. El tratamiento de valores ausentes se realizó mediante técnicas de imputación estadística, donde variables numéricas recibieron la media o mediana, mientras que variables categóricas fueron completadas con la moda, dependiendo de la distribución observada. Para asegurar que variables con diferentes escalas no distorsionaran los resultados del algoritmo de clusterización, se aplicó la normalización Z-score, que reescala los datos para que posean media cero y desviación estándar uno. Las variables categóricas fueron transformadas en formatos numéricos mediante la codificación one-hot encoding, permitiendo su integración en los cálculos de distancia euclidiana. Además, la identificación de outliers se llevó a cabo a través del análisis de límites intercuartílicos y visualización por boxplots, resultando en el tratamiento de valores extremos que podrían comprometer la formación de los centroides.
La etapa de modelado utilizó el algoritmo K-means, seleccionado por su eficiencia computacional y adecuación a problemas de segmentación basados en distancias (MacQueen, 1967). El funcionamiento del K-means se basa en un proceso iterativo que busca minimizar la suma de las distancias cuadráticas entre los puntos de datos y los centroides de sus respectivos grupos. Para determinar el número ideal de clusters, se aplicó el método del codo, que monitoriza la variación de la suma de los errores cuadráticos internos en relación al incremento del número de grupos. La decisión final sobre la cantidad de segmentos fue refinada por el índice de silueta, que evalúa la calidad de la separación entre los clusters y la cohesión interna de cada uno (Rousseeuw, 1987). El índice de silueta varía de -1 a 1, siendo que valores cercanos a uno indican que las observaciones están bien ubicadas en sus grupos y distantes de los grupos vecinos.
Complementariamente, se utilizó el Análisis de Correspondencia Múltiple para validar las asociaciones entre las variables categóricas y los agrupamientos generados. La técnica permitió la construcción de una matriz binaria y el cálculo de la inercia total, que representa la variabilidad explicada por los ejes factoriales. La descomposición de la inercia posibilitó la proyección gráfica de los clusters en un plano bidimensional, facilitando la interpretación visual de las distancias estadísticas. Para confirmar la significancia de las asociaciones encontradas, se aplicaron la prueba Chi-cuadrado y el coeficiente Cramér’s V, que miden la fuerza de la relación entre variables nominales. Todo este aparato metodológico fue diseñado para transformar datos brutos en conocimiento estratégico, permitiendo una comprensión profunda de los perfiles de incumplimiento.
El análisis de los resultados reveló una tasa de incumplimiento general del 21,4% en la muestra de 9.300 clientes, evidenciando la relevancia del problema en el contexto del crédito automotriz. La estadística descriptiva inicial apuntó a un ingreso medio de R$ 4.280, con una desviación estándar considerable de R$ 2.150, y una edad media de 38 años, variando entre 18 y 75 años. El valor financiado medio se situó en R$ 32.400, con un plazo medio de pago de 42 cuotas. Estos indicadores sugieren una población heterogénea, lo que refuerza la necesidad de segmentación para capturar los matices del riesgo financiero (Lima & Costa, 2020).
La aplicación del método del codo indicó una inflexión clara en la curva de inercia cuando el número de clusters alcanzó cuatro, sugiriendo que este sería el equilibrio ideal entre la complejidad del modelo y la capacidad de explicación de la varianza. Esta elección fue corroborada por el índice de silueta medio de 0,62, valor considerado satisfactorio para datos multidimensionales, indicando que los grupos formados poseen una separación consistente (Rousseeuw, 1987). La segmentación resultó en cuatro perfiles distintos, cada uno presentando características socioeconómicas y comportamentales específicas que influyen directamente en la probabilidad de incumplimiento.
El primer grupo identificado, denominado Cluster 1, presentó el mayor riesgo de incumplimiento, con una tasa del 38%. Este perfil está compuesto mayoritariamente por clientes jóvenes, con una edad media de 26 años y una renta media mensual de R$ 2.100. El valor financiado medio para este grupo fue de R$ 42.800, con un plazo de pago extendido de 54 cuotas y una tasa de interés media del 2,4% mensual. La combinación de baja renta, alto valor financiado e intereses elevados crea un escenario de alta vulnerabilidad financiera. Estos hallazgos están en consonancia con los estudios de Silva & Oliveira (2021), que señalan que la falta de experiencia financiera aliada a compromisos a largo plazo aumenta significativamente la probabilidad de incumplimiento contractual entre los más jóvenes.
En contraste, el Cluster 2 reveló ser el perfil de menor riesgo, con una tasa de incumplimiento de solo el 9%. Este grupo tiene una edad media de 37 años y una renta media de R$ 5.200. El valor financiado medio fue de R$ 28.300, distribuido en 48 cuotas, con una tasa de interés del 1,9%. La mayor estabilidad financiera de este segmento, reflejada en una renta superior y en un valor financiado más moderado en relación a la capacidad de pago, justifica el bajo índice de atrasos. La madurez etaria también parece actuar como un factor de mitigación de riesgo, posiblemente asociada a un historial crediticio más consolidado.
El Cluster 3 presentó una tasa de incumplimiento del 15%, caracterizado por clientes con una edad media de 63 años y una renta media de R$ 3.800. El valor financiado medio fue el menor entre todos los grupos, totalizando R$ 18.600, con un número reducido de cuotas, una media de 22 meses, y la tasa de interés más baja, 1,6%. Este perfil sugiere un comportamiento de consumo más conservador, enfocado en vehículos de menor valor o con mayor aporte inicial, lo que reduce la exposición al riesgo. Sin embargo, el incumplimiento del 15% indica que, incluso en condiciones contractuales favorables, factores externos pueden afectar la capacidad de pago de este grupo.
Finalmente, el Cluster 4 presentó una tasa de incumplimiento del 22%, con una edad media de 41 años y la mayor renta media de la muestra, R$ 11.200. A pesar de la alta renta, este grupo financió valores elevados, con una media de R$ 65.000, en plazos de 60 cuotas e intereses del 2,2%. El riesgo elevado en este segmento, a pesar de la aparente capacidad financiera, puede estar asociado al alto compromiso de la renta con bienes de lujo o a la sensibilidad a variaciones económicas que afectan a profesionales de alta renta. Este resultado demuestra que la renta aisladamente no es un predictor absoluto de cumplimiento, debiendo ser analizada en conjunto con el monto de la deuda y el plazo contractual.
La validación estadística mediante el Análisis de Correspondencia Múltiple confirmó la robustez de los agrupamientos, con los dos primeros ejes factoriales explicando el 72,3% de la varianza total de los datos. La proyección de los clusters en el plano factorial evidenció que las variables renta, valor de entrada y número de cuotas son las que poseen mayor poder de discriminación entre los grupos. La prueba Chi-cuadrado reveló una asociación significativa (p < 0,01) entre los clusters y las franjas de renta y entrada. El coeficiente Cramér’s V presentó valores de 0,42 para renta, 0,39 para valor de entrada y 0,47 para el número de cuotas, indicando asociaciones de moderada a fuerte. Estos resultados confirman que los agrupamientos no son aleatorios, sino que reflejan estructuras reales de comportamiento financiero presentes en la base de datos (Souza & Andrade, 2022).
La discusión de los resultados permite inferir que la morosidad en la financiación de vehículos es un fenómeno multifactorial. La concentración de intereses elevados y plazos largos en el Clúster 1 sugiere que las instituciones financieras intentan compensar el riesgo inherente al perfil joven y de bajos ingresos con tasas mayores, lo que, paradójicamente, puede sobrecargar el presupuesto del cliente e inducir al no pago. Por otro lado, el Clúster 4 muestra que el apetito por el crédito de alto valor, incluso entre clientes adinerados, conlleva un riesgo considerable que no puede ser ignorado. La visualización de los datos reforzó que los perfiles con menores valores de entrada y mayor número de cuotas tienden a agruparse en los segmentos de mayor morosidad, validando la práctica de exigir entradas mayores como estrategia de mitigación de riesgo.
A pesar de la consistencia de los hallazgos, es necesario reconocer las limitaciones de este estudio. El modelo se basó exclusivamente en datos históricos y anonimizados, lo que impide la inclusión de variables conductuales en tiempo real, como el uso de descubierto o movimientos en cuentas corrientes, que podrían enriquecer el análisis. Además, el algoritmo K-means, por su naturaleza, asume que los clústeres poseen formas esféricas, lo que puede no capturar distribuciones de datos más complejas o superpuestas. La ausencia de variables subjetivas, como la intención de pago o la percepción de riesgo del consumidor, también limita la profundidad de la explicación sociológica del fenómeno. Para investigaciones futuras, se recomienda la exploración de algoritmos como el DBSCAN, que maneja mejor el ruido y las formas irregulares, y la integración de fuentes de datos dinámicas para aumentar la capacidad predictiva de los modelos.
Se concluye que el objetivo fue alcanzado, dado que la aplicación de las técnicas de aprendizaje automático no supervisado permitió la identificación y caracterización detallada de cuatro perfiles de clientes morosos en financiaciones de vehículos. La segmentación demostró que el riesgo de crédito está influenciado de forma decisiva por la interacción entre la renta mensual, la edad del tomador y las condiciones contractuales, como el número de cuotas y la tasa de interés. La validación estadística mediante el Análisis de Correspondencia Múltiple y las pruebas de asociación confirmó la consistencia de los grupos formados, evidenciando que el uso de algoritmos de clusterización ofrece subsidios valiosos para la formulación de políticas de concesión de crédito más precisas y personalizadas. El estudio refuerza la importancia de la ciencia de datos como herramienta estratégica para la mitigación de riesgos financieros y para el perfeccionamiento de la gestión de carteras en entornos de alta competitividad.
Referencias Bibliográficas:
Banco Central do Brasil [BACEN]. 2023. Relatório de Economia Bancária. Disponível em: <https://www.bcb.gov.br>. Acesso em: 25 jun. 2025.
BRASIL. 2018. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União: seção 1, Brasília, DF, 15 ago. 2018.
Breiman, L. 2001. Statistical modeling: The two cultures. Statistical Science 16(3): 199-231.
Gil, A.C. 2019. Métodos e técnicas de pesquisa social. 7. ed. Atlas, São Paulo, SP, Brasil.
Jain, A.K. 2010. Data clustering: 50 years beyond K-means. Pattern Recognition Letters 31(8): 651–666.
Lima, R.; Costa, M. 2020. Fatores determinantes da inadimplência em crédito pessoal: Uma análise empírica. Revista Brasileira de Finanças 18(2): 45-62.
MacQueen, J. 1967. Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1967, Berkeley, California, USA. Anais… p. 281–297.
McKinney, W. 2017. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2. ed. O’Reilly Media, Sebastopol, CA, EUA.
Provost, F.; Fawcett, T. 2013. Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking. O’Reilly Media, Sebastopol, CA, EUA.
Rousseeuw, P.J. 1987. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics 20: 53–65.
Silva, A.; Oliveira, T. 2021. Inadimplência em financiamentos de veículos: Uma abordagem exploratória. Revista de Administração Financeira 13(1): 77-92.
Souza, F.; Andrade, L. 2022. Aplicação de algoritmos de clusterização na análise de risco de crédito. Revista Brasileira de Inteligência Artificial 9(3): 112-130.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí:
