Desarrollo de un sistema web para la predicción de hábitos financieros en personas de Lima Metropolitana mediante Machine Learning: una implementación basada en CRISP-DM y Scrum

Abstract

La gestión eficaz de las finanzas personales representa un desafío significativo para muchas personas en Lima Metropolitana, en parte debido a la escasez de herramientas tecnológicas personalizadas que permitan anticipar comportamientos económicos. Esta tesis aborda dicho problema mediante el desarrollo e implementación de "FinSight", un sistema web basado en Machine Learning diseñado para predecir hábitos financieros y la propensión al ahorro. El proyecto se ejecutó utilizando una metodología híbrida que integra CRISP-DM, para estructurar el proceso de ciencia de datos, y Scrum, para la gestión ágil del desarrollo. Se definieron reglas heurísticas para crear dos variables objetivo: "Nivel de Hábito Financiero" (multiclase ordinal 1-5) y "Propensión al Ahorro" (binario 0-1), a partir de datos sociodemográficos y financieros (inicialmente sintéticos). Se compararon siete algoritmos de clasificación supervisada, seleccionando XGBoost como el más performante. Los modelos finales fueron optimizados mediante técnicas avanzadas como SMOTE y RandomizedSearchCV, y evaluados rigurosamente en un conjunto de prueba independiente. El modelo para "Nivel de Hábito Financiero" alcanzó un Accuracy del 80%, mientras que el modelo para "Propensión al Ahorro" logró un Accuracy del 94.5% y un ROC-AUC de 0.9920, demostrando alta capacidad predictiva. Estos modelos se integraron en la aplicación web "FinSight", validando la viabilidad del enfoque propuesto como una herramienta potencial para mejorar la toma de decisiones y la educación financiera personal.