Toledo Concha Emerson J. Factores Que Influyen en El Riesgo de Credito de Las Instituciones Microfinancieras Peruanas Compressed

INSTITUTO UNIVERSITARIO
PROGRAMA DE TITULACIÓN DE DOCTORADO DE ADMINISTRACIÓN DE

NEGOCIOS
TÍTULO DE LA INVESTIGACIÓN
Factores que influyen en el Riesgo de Crédito de las instituciones

microfinancieras peruanas: Cajas Municipales de Ahorro y Crédito 2016-2019
TESIS
Para optar el título profesional de: Doctor en Administración de Negocios
AUTOR
Toledo Concha, Emerson Jesús
DIRECTOR DE TESIS
Dr. Juan Carlos Rosellio
Lima, octubre 2020
1
A mis padres, Jesús y Edith, mi esposa Charo y a mis hijos, Gonzalo, Joaquín y Sebastián.
2
Agradecimientos
Reservo este espacio para expresar mi completo y sincero agradecimiento a las personas
e instituciones que han contribuido en la elaboración de mi trabajo de tesis.
Quiero agradecer, primeramente, a mi Director de tesis, Dr. Juan Carlos Rosiello por la
dedicación mostrada hacia mi persona desde el inicio, por su gran apoyo, por sus valiosas
aportaciones y recomendaciones para con el éxito de mi investigación.
A mis profesores del Doctorado, Dr. Gilli, Dr. Newland, Dra. Sastre, Dr. Ravier, Dr.
Spitznagel, y a toda la plana docente y administrativa de ESEADE en Buenos Aires,
Argentina, quienes me apoyaron en toda mi carrera doctoral.
A mi amigo Victor León Reyes, quien me ha acompañado, orientado y enseñado a lo

largo de todo este trabajo, a Juan Luis Moresco, Rosa Regalado y a todas aquellas
personas que muy amablemente se dieron un tiempo para poder apoyarme en mi
investigación.
3
RESUMEN
En las últimas décadas, la experiencia de la microempresa y de las microfinanzas en el

Perú ha venido desarrollándose en forma creciente y escalonada, el empuje de los
pequeños empresarios, las innovaciones en el marco regulatorio, la generación de
instituciones microfinancieras especializadas, han construido un sistema modelo que
permite el acceso al crédito a clientes antes excluidos por la banca tradicional. Sin
embargo, esta sobreoferta de productos a llevado al crecimiento del riesgo de crédito e
impago por parte de clientes, situación, que podrían llevar a la insolvencia y dificultades
en su sostenibilidad de un grupo importante de instituciones microfinancieras.
El presente trabajo de investigación busca determinar qué factores determinantes influyen

directamente en el riesgo de crédito de las Cajas Municipales de Ahorro y Crédito en el
Perú, entre los años 2016 – 2019. Para este fin, información histórica de datos han sido
procesados a través de diferentes metodologías y herramientas estadísticas (CRISP-DM),
matrices de transición, técnicas de la minería de datos y con el uso de regresiones
logísticas se ha identificado un modelo inédito que permite determinar la dependencia de
la cartera de alto riesgo con un grupo de variables independientes que se consideraron
para el desarrollo de este trabajo.
Como resultado de la investigación, se ha demostrado que el modelo propuesto en su

conjunto, es significativo y relevante para este conjunto de variables, tales como la cartera
promedio por deudor, el sobreendeudamiento de clientes, la cartera en default, la
diversificación geográfica por regiones y los deudores por empleado, estos resultados han
sido validados con entrevistas a profundidad realizados a expertos. El aporte científico de
esta investigación está dirigido a la toma de decisiones estratégicas empresariales que
permitan a este grupo de instituciones a gestionar en mejor nivel, su calidad de cartera de
créditos.
Palabras claves: microfinanzas, riesgo de crédito, cartera de alto riesgo, cajas

municipales de ahorro y crédito
Clasificación JEL: C12, C25, C35, C81, G21, N80, O16
4
Índice
CAPITULO I: INTRUDUCTORIO ......................................................................................... 8

1.1. Introducción General ..................................................................................................... 8
1.2. Realidad problemática ................................................................................................... 8
1.3. Plan de Tesis ............................................................................................................... 12
1.3.1. Formulación del problema ......................................................................................... 12
1.3.2. Objetivo General de la Investigación ........................................................................ 13
1.3.3. Objetivos específicos de trabajo ................................................................................ 13
1.3.4. Hipótesis .................................................................................................................... 14
1.3.5. Justificación ............................................................................................................... 15
1.4. Matriz de consistencia ................................................................................................. 18
CAPITULO II: ANTECEDENTES DE LAS MICROFINANZAS ..................................... 20
2.1. Introducción ..................................................................................................................... 20
2.2. Microfinanzas y Microcrédito .......................................................................................... 22
2.3. Microfinanzas en el Mundo.............................................................................................. 25
2.3.1. Grameen Bank ........................................................................................................... 26
2.3.2. Enfoques de las Microfinanzas en el Mundo............................................................. 29
2.3.3. Enfoque de las Microfinanzas por Regiones ............................................................. 31
2.4. Microfinanzas en América Latina .................................................................................... 36
2.5. Modelos de transformación de instituciones microfinancieras en Latinoamérica ........... 41
2.5.1. Upgrading ................................................................................................................. 41
2.5.2. Downscaling .............................................................................................................. 43
2.5.3. Greenfield .................................................................................................................. 45
2.6. Microfinanzas en el Perú .................................................................................................. 46
2.6.1. Antecedentes.............................................................................................................. 46
2.6.2. Tecnología y Metodología Crediticia en las microfinanzas ...................................... 49
2.6.3. Evolución de las microfinanzas en el Perú ................................................................ 53
2.6.4. Indicadores de las instituciones de microfinanzas en el Perú - 2019......................... 56
2.7. Cajas Municipales de Ahorro y Créditos ......................................................................... 60
2.7.1. Antecedentes.............................................................................................................. 60
2.7.2. Indicadores Cajas Municipales de Ahorro y Crédito................................................. 61
2.7.3. Aspectos Legales y Jurídicos..................................................................................... 65
2.8. Resumen del capítulo ....................................................................................................... 72
5
CAPITULO III: MARCO TEORICO ................................................................................... 73
3.1. Bases Teóricas .................................................................................................................. 73
3.1.1. Riesgo de Crédito ...................................................................................................... 75
3.1.2. Factores propuestos como determinantes del Riesgo de Crédito .............................. 79
3.1.3. Matriz de transición ................................................................................................... 93
3.1.4. Modelo Estadístico - CRISP-DM .............................................................................. 95
3.2. Estado de la Cuestión. .................................................................................................... 106
3.3. Resumen del capítulo ..................................................................................................... 119
CAPITULO IV: DISEÑO Y METODOLOGÍA DE LA INVESTIGACIÓN. .................. 120
4.1. Enfoque y Alcance de la Investigación .......................................................................... 120
4.2. Diseño de la investigación.............................................................................................. 121
4.3. Población y muestra ....................................................................................................... 123
4.4. Recolección de datos ...................................................................................................... 123
4.5. Operacionalización de Variables .................................................................................... 124
4.6. Metodología de Herramientas Estadísticas .................................................................... 125
4.6.1. Metodología de Matriz de Transición ..................................................................... 126
4.6.2. Metodología de Herramienta Estadística CRISP-DM ............................................. 129
CAPITULO V: DESARROLLO Y ANÁLISIS DE LA INVESTIGACIÓN ..................... 139
5.1. Construcción de la Matriz de Transición ....................................................................... 139
5.2. Construcción de probabilidad Condicional .................................................................... 142
5.3. Descripción y Análisis de Resultados Matriz de Transición .......................................... 143
5.3.1. Matriz de Transición 2016....................................................................................... 143
5.3.5. Análisis matriz de transición promedio CMAC ..................................................... 150
5.4. Análisis de probabilidad condicional CMAC ................................................................ 152
5.5. Análisis comparativo: Matriz de Transición CMAC y demás instituciones .................. 155
5.6. Resumen de hallazgos Matriz de transición ................................................................... 162
5.7. Desarrollo y Análisis Estadístico Modelo CRISP - DM ................................................ 164
5.7.1. Comprensión del Negocio ....................................................................................... 164
5.7.1.1. Determinar los Objetivos del Negocio ............................................................. 165
5.7.1.2. Evaluación de la Situación. .............................................................................. 166
5.7.1.3. Determinar los objetivos de la minería de datos .............................................. 167
5.7.1.4. Realizar plan de proyecto ................................................................................. 168
6
5.7.2. Análisis de los datos ................................................................................................ 168
5.7.2.1. Recolectar los datos iniciales ........................................................................... 168
5.7.2.2. Descripción de los datos ................................................................................... 171
5.7.2.3. Exploración de los datos .................................................................................. 184
5.7.2.4. Verificar la calidad de los datos ....................................................................... 194
5.7.3. Preparación de los datos. ......................................................................................... 195
5.7.3.1. Selección de datos ............................................................................................ 195
5.7.3.2. Construcción de los datos ................................................................................. 196
5.7.3.3. Integración de datos ......................................................................................... 200
5.7.3.4. Formateo de los Datos ...................................................................................... 200
5.7.4. Modelamiento .......................................................................................................... 201
5.7.4.1. Técnica de modelado ........................................................................................ 201
5.7.4.2. Construcción del Modelo ................................................................................. 204
5.7.4.3. Resultados del modelo ..................................................................................... 209
5.7.4.4. Evaluación del modelo ..................................................................................... 216
5.7.5. Evaluación ............................................................................................................... 219
5.7.5.1. Evaluación de los resultados ............................................................................ 219
5.7.5.2. Revisar el proceso ............................................................................................ 229
5.7.5.3. Determinar los próximos pasos ........................................................................ 229
CAPITULO VI: CONCLUSIONES ...................................................................................... 230
RECOMENDACIONES ......................................................................................................... 235
Referencias Bibliográficas ........................................................................................................ 237
Índice de Gráficos ..................................................................................................................... 246
Índice de Figuras ....................................................................................................................... 247
Índice de Tablas ........................................................................................................................ 248
Índice de Anexos ....................................................................................................................... 249
7
CAPITULO I: INTRUDUCTORIO
1.1. Introducción General
El objetivo de esta tesis es identificar cuáles son los factores determinantes que influyen
en el Riesgo de Crédito de las Cajas Municipales de Ahorro y Crédito en el Perú durante
el periodo 2016 – 2019. Los hallazgos de este trabajo, permitirán que este conjunto de
instituciones financieras peruanas, especializadas en el otorgamiento de créditos a la
micro y pequeña empresa puedan mejorar el control de la morosidad1y sus consecuencias
negativas que estas puedan traer en sus instituciones.
En ese sentido, este trabajo de investigación se centrará en validar los principales

determinantes del riesgo de crédito de este conjunto de entidades seleccionadas, medido
como resultado de la influencia de variables debidamente identificadas, que impactan en
el riesgo de crédito, (indicador definido como el porcentaje de la sumatoria de las carteras
vencidas, refinanciada/reestructurada y en cobranza judicial entre el saldo de crédito).
Esta investigación es de carácter cuantitativo, cualitativo utilizando para su realización,

metodologías estadísticas, analíticas que mejor se adapten a este trabajo, así como
encuestas a profundidad a expertos en el tema. Para obtener los resultados deseados, se
utilizará la información disponible del sistema de cajas municipales, (data de 48 meses,
periodos 2016-2019) reportadas por la Superintendencia de Banca y Seguros.
1.2. Realidad problemática
Rodriguez (2020), indica que una realidad problemática, consiste en presentar en forma
descriptiva, como se manifiesta el problema de investigación en el ámbito social donde
acontece. Es decir, narra en forma objetiva los efectos y sus consecuencias en la población
y sus implicancias en el desarrollo normal de sus procesos.
1
Morosidad: en la práctica es cuando un deudor, sea persona natural o jurídica, no cumple con el pago
de sus obligaciones, se convierte en moroso cuando no afronta su deuda al vencimiento de su cuota.
8
En ese sentido empiezo indicando que la micro y la pequeña empresa en el Perú ha venido
desarrollándose en forma creciente y escalonada en las últimas décadas, siendo
fundamentalmente el factor de crecimiento el acceso al crédito, estas microempresas
representan más del 98% de total de empresas en el Perú y es fundamental su participación
en los niveles de empleo. Esta información se presentará en reportes propios y diversos
elaborados con información emitidos por la Superintendencia de Banca, Seguro y AFP
(SBS) y diversas instituciones que realizan estudios sobre este sector.
En un artículo de mi autoría, “Microfinanzas en el Perú y los desafíos de la Bancarización”

publicado en una revista brasilera indexada en el 2018, pongo en manifiesto, como este
mercado microfinanciero es de gran importancia para el desarrollo de nuestra economía,
puesto que viene desarrollando actividades empresariales a pequeña escala y logra
participar en gran porcentaje en nuestros indicadores macroeconómicos, fomentando de
esta manera el empleo en los sectores de bajos ingresos con personas que no eran sujeto
de crédito en las instituciones financieras tradicionales (Toledo, 2018).
Las instituciones financieras que atienden a la micro y a la pequeña empresa son

conocidas como instituciones microfinancieras (IMF), los servicios financieros que
brindan las IMF , representan una importante fuente de financiamiento para el sector de
la pequeña y micro empresa, otorgan montos menores de la banca tradicional, sin
garantías, pero con un mayor número de clientes (Aguilar y Camargo, 2004)
En el mercado peruano participan diversas instituciones especializadas en la atención de

este sector, dentro de las empresas reguladas por la SBS se tiene a: Mibanco (El banco de
la microempresa), las Cajas Municipales de Ahorro y Crédito (CMAC), las Cajas Rurales
de Ahorro y Crédito (CRAC), las Empresas de desarrollo de pequeñas y microempresa o
también llamadas (EDPYMES), las Financieras especializadas; y como instituciones no
reguladas, se tiene a las cooperativas de ahorro y crédito (CAC) y a los Organismos no
Gubernamentales (ONG).
La sobreoferta de instituciones en el mercado microfinanciero, ha originado la búsqueda

de mejora en sus procesos, su eficiencia y por consiguiente en sus resultados, y siendo la
9
cartera de créditos2 el principal activo, es fundamental el adecuado manejo del riesgo de
crédito. El incremento de la morosidad, está directamente relacionado con el aumento de
sus provisiones por ende en la disminución de sus resultados, llevando a estas
instituciones a poner en riesgo su sostenibilidad financiera.
La administración de la calidad de la cartera de créditos 3 ha venido tomando mucha

importancia en los últimos años, porque de acuerdo con lo presentado en el siguiente
capítulo, esta morosidad viene en constante aumento, y la recuperación de estos créditos
es fundamental para la continuidad y autosostenibilidad en el largo plazo.
Es importante mencionar lo señalado por Aguilar y Camargo (2004), acerca de la

importancia en el manejo de la morosidad en las instituciones microfinancieras:
Por otro lado, es importante no perder de vista el hecho de que las altas
tasas de morosidad presentadas por algunas instituciones,
probablemente como reflejo de una mayor ineficiencia en su gestión,
pueden generar, de mantenerse en el largo plazo, efectos perversos
sobre la sostenibilidad y viabilidad del sistema microfinanciero en su
conjunto (p.6).
El otorgamiento de préstamos a los microempresarios, lleva un gran riesgo de crédito,

mucho mayor que la banca tradicional, porque son clientes que viven del día a día de sus
negocios, muchos de ellos informales, son muy vulnerables económicamente y no
presentan garantías. El conocer los factores determinantes que afectan este riesgo de
crédito ayudaría a las instituciones a tener una mejor gestión de riegos y controlar sus
niveles de morosidad.
Esta investigación alcanza a identificar los determinantes del riesgo de crédito de las
Cajas Municipales de Ahorro y Crédito en adelante (CMAC), que son un grupo de
instituciones reguladas y creadas con el fin de promover el acceso al crédito a este sector
que comúnmente no es atendido por la banca tradicional; en el Perú, estas CMAC se
2
Durante la investigación, se le denominará, cartera de créditos o saldo de cartera o saldo de
colocaciones.
3
Durante la investigación, se le denominará, calidad de cartera de créditos, o calidad de cartera de
colocaciones, o simplemente calidad de cartera.
10
formaron a partir de la década de los ochenta y desde entonces su participación es
fundamental en el desarrollo de este sector.
Estas CMAC, tienen importante representatividad (50%) del saldo total de cartera de todo
el sistema microfinanciero peruano. Sin embargo, sus tasas de morosidad, de acuerdo con
lo observado, se han venido incrementado, alcanzado los más altos niveles de morosidad
en su promedio histórico, sus tasas de interés han venido a la baja y todo esto puede
comprometer su sostenibilidad financiera en el tiempo. En el gráfico 1, se observa el
comportamiento de algunos indicadores del sistema microfinanciero en el Perú, donde las
CMAC tienen la menor rentabilidad sobre el patrimonio (ROE) y una menor rentabilidad
sobre los activos (ROA) con respecto a las demás instituciones financieras especializadas
en este sector, (por debajo de estas CMAC se encuentran las Cajas Rurales, sin embargo,
la participación de cartera de estas últimas son del 3%), asimismo, con respecto a los
ingresos financieros sobre el saldo de cartera, todas las demás instituciones especializadas
en este sector, a excepto de las CMAC, tienen un mayor indicador de ingreso.
Gráfico 1: Indicadores financieros de las entidades especializadas en microfinanzas en

el Perú
Elaboración propia: Fuente – información de COPEME – con cifras SBS dic.2019
En síntesis, es de gran importancia la participación de las Cajas Municipales de Ahorro y

Crédito, en el funcionamiento del sistema microfinanciero, al tener participación del 50%
del total de activos de este sector financiero, se ha observado incrementos en su morosidad,
11
situación que puede poner en peligro su presencia y sostenibilidad económica financiera
y tener un impacto negativo en todo el sector financiero, y considerando que estas CMAC
tienen alta diversidad geográfica en el todo el país.
1.3. Plan de Tesis
1.3.1. Formulación del problema
Según Wynarczyk (2017) en su publicación “Caja de herramientas para hacer la tesis”,

menciona que “la tesis trata de responder a preguntas sobre porque ocurre determinado
fenómeno, la dinámica del fenómeno, de qué modo se comportan ciertas variables o
factores, como se relacionan entre sí. Y también, hasta qué punto una teoría explica ciertos
fenómenos” (p. 17). Por su parte, Hernández y Mendoza (2014) mencionan como criterios
para plantear un problema de investigación, que este problema debe de estar formulado
como pregunta, claramente y sin ambigüedad.
De acuerdo con lo observado en el gráfico 2, la cartera en riesgo, de las Cajas Municipales

de Ahorro y Crédito están por encima del promedio de todo el sistema microfinanciero,
incrementando su morosidad desde el 2016 en adelante, esto impacta directamente en el
requerimiento de provisiones y por ende en la disminución de sus rentabilidades.
Gráfico 2: Evolución de cartera en riesgo CMAC y Sistema microfinanciero
Elaboración propia: adecuada de la información de la SBS
12
De acuerdo con la información presentada y tomando en consideración la realidad
problemática, se plantea el siguiente problema de investigación.
Problema General
• ¿Qué factores determinantes influyen directamente en el Riesgo de Crédito de las

Cajas Municipales de Ahorro y Crédito en el Perú, considerando los periodos
2016 – 2019?
1.3.2. Objetivo General de la Investigación
De acuerdo con lo establecido por Cesar Bernal en su libro “Metodología de la

Investigación”, hace referencia a que un aspecto definitivo a considerarse en una
investigación, es la definición de los objetivos; estos son los propósitos del estudio y
expresan lo que se pretende alcanzar, deben de ser claros, precisos y se plantean dos
niveles en los objetivos: el general y el específico (Bernal, 2006). Bajo este esquema se
busca como objetivo general en la presente investigación:
• Determinar los factores que influyen en el Riesgo de Crédito de las instituciones

microfinancieras, caso peruano: Cajas municipales de ahorro y crédito, periodo
de análisis 2016-2019.
1.3.3. Objetivos específicos de trabajo
Los objetivos específicos del trabajo son:
• Objetivo específico 1.- Analizar el impacto que tiene la cartera promedio por
deudor en el riesgo de crédito de las CMAC.
• Objetivo específico 2.- Analizar cómo el sobreendeudamiento de los clientes,
afecta el riesgo crediticio de las CMAC.
• Objetivo específico 3.- Determinar la probabilidad de default de las carteras de
crédito de las CMAC y su impacto en el riesgo de crédito.
• Objetivo específico 4.- Analizar el impacto que tiene la segmentación geográfica
por regiones en el riesgo de crédito de las CMAC.
13
• Objetivo específico 5.- Evaluar de qué manera la cantidad de deudores por
empleado, impacta en el riesgo de crédito de las CMAC.
1.3.4. Hipótesis
Según Wynarczyk (2017), “ Las hipótesis son enunciados que afirman la existencia de
relaciones de causas y efectos entre variables, factores, fenómenos, colectivos, sistemas,
procesos. Para fines prácticos del autor, sostiene simplemente que las hipótesis enuncian
la existencia de relaciones causas-efecto entre variables” (p.71).
Como anticipo de respuesta al problema que se ha planteado, se puede evidenciar que

existe un incremento en la morosidad de las CMAC, este incremento conlleva a constituir
mayores provisiones o cobertura por los préstamos impagos, por ende, la reducción de su
rentabilidad, poniendo en riesgo el inadecuado manejo de la Gestión del Riesgo de crédito
y no asegurar la viabilidad de la institución.
Hipótesis General
Esta tesis pretende establecer que: Existen factores internos determinantes en el Riesgo
de crédito de las Cajas municipales de ahorro y crédito, producto del análisis del
comportamiento de diversas variables por la información presentado de 2016 al 2019. El
resultado de esta investigación será confrontado con la opinión de expertos en la gestión
del riesgo de crédito de diversas entidades especializadas en el otorgamiento de crédito a
la micro y pequeña empresa.
Hipótesis Específicas
• Respuesta a objetivo 1.- Se pretende demostrar que la cartera promedio por deudor,
tiene una relación positiva con el Riesgo de Crédito de las CMAC.
• Respuesta a objetivo 2.- Se pretende demostrar que el sobreendeudamiento de
clientes, tiene una relación positiva en el Riesgo de Crédito de las CMAC.
14
• Respuesta a objetivo 3.- Se pretende demostrar que, al determinar la probabilidad
de default de las carteras de crédito de las CMAC, su impacto sería positivo en el
Riesgo de Crédito.
• Respuesta a objetivo 4.- Se pretende demostrar que una segmentación geográfica
por regiones tiene una relación negativa en el Riesgo de Crédito de las CMAC.
• Respuesta a objetivo 5.- Se pretende demostrar que la cantidad de deudores
atendidos por empleado, tiene una relación positiva en el Riesgo de Crédito de las
CMAC.
1.3.5. Justificación
Hernández et al.(2010), indica que además del problema y de los objetivos “es necesario
justificar el estudio mediante la exposición de sus razones (el para qué y/o el porqué)”
(p.39). Para Arbaiza (2014), igualmente menciona que en “la justificación del problema
se expone la razón de ser del estudio, mediante argumentos que explican para que se
realiza y porque es importante hacerlo”(p.72).
Por lo tanto, la presente investigación identifica aspectos fundamentales que justifican su

realización:
• Perú un país de microfinanzas. - El Perú al 2019, es el segundo país, seguido de

Colombia (de un total de 55 países) en ofrecer un entorno muy propicio para el
desarrollo del sector microfinanciero. (Perú estuvo en primer lugar por 8 años
consecutivos hasta el 2017), asimismo, Perú y Colombia lideran el índice de
políticas públicas y apoyo del gobierno para lo que es la inclusión financiera.
(Microscopio global de 2019: El entorno propicio para la inclusión financiera y la
expansión de los servicios financieros digitales, 2019).
• Brindan acceso al financiamiento de las micro y pequeñas empresas. - El

crecimiento y evolución de la cartera de colocaciones de las CMAC (COPEME -
Microfinanzas, 2019), muestra el crecimiento sostenido en las instituciones
especializadas en el otorgamiento de crédito a la micro y pequeña empresa. La
15
presencia de las CMAC se ha consolidado convirtiéndose en un conjunto de
instituciones relevantes en la provisión de servicios financieros.
• Mejora la descentralización e inclusión financiera. - Tomamos en

consideración a las CMAC puesto que estas se encuentran descentralizadas a
nivel nacional y ayudan con la Estrategia nacional de inclusión Financiera en el
Perú (ENIF), que es donde se busca fomentar el financiamiento como parte del
desarrollo económico del país, con políticas públicas que oriente a tener mejores
mecanismos en la atención de préstamos en el sistema financiero peruano, más
aún que el Perú es un referente a nivel global respecto al desarrollo de las
microfinanzas (ENIF, 2015).
• Controlar el riesgo de crédito. - El otorgamiento de créditos a la micro y pequeña

empresa conlleva a tener mayor riesgo de crédito que el de la banca tradicional y
las instituciones especializadas en la atención de este sector deben de tener un
buen manejo de este indicador. El inadecuado manejo del riesgo de crédito, puede
traer consecuencias negativas a largo plazo, viendo comprometidas su continuidad
y sostenibilidad y poner en riesgo a todo el sistema financiero, y sobre todo al
retorno esperado de los millones de ahorristas que han confiado su dinero en estas
instituciones.
• El principal riesgo de las IMF es el crediticio. - Este crecimiento viene

acompañado de indicadores de morosidad que afectan los resultados de las
empresas, en este caso a las CMAC, estos indicadores son consecuencia del
comportamiento de factores que afectan o inciden en el riesgo de crédito, tal como
se menciona en un artículo publicado por Pablo Ticona donde se refiere a la
calidad de la cartera de una institución microfinanciera, Ticona (2017) menciona
“el deterioro de la calidad de cartera de créditos de las cooperativas de ahorro y
crédito en la región Puno, es el resultado de un conjunto de factores, internos y
externos” (p.136).
16
• El trabajo de investigación busca propiciar, que, con los resultados obtenidos,
tener mejores prácticas de la gestión de riesgo de crédito. - Que permita a las
CMAC tener un mejor performance financiero y así cumplir con sus objetivos. Es
muy importante tener una buena planificación de la Gestión de Riesgos, como
hacen referencia Mike Golberg y Erick Palladini en un libro publicado por el
Banco Mundial las instituciones deben de estar preparados para eventos
inesperados, asimismo refieren que la planificación de riesgos es muy importante
para los grandes negocios e instituciones financieras y con mucho mayor énfasis
en las instituciones microfinancieras. (Goldberg y Palladini, 2011).
En ese sentido, se ha encontrado diversa literatura que pueda justificar la realización del
presente trabajo, se han revisado, tesis, trabajos de investigaciones anteriores,
publicaciones y se ha encontrado bibliografía referido a este tema de investigación, lo que
permitirá tener la base que pueda soportar el marco teórico, el diseño metodológico, y
demostrar la hipótesis planteada y llegar a los objetivos establecidos.
Los resultados de este proyecto de investigación contribuirán al desarrollo de nuevos

juicios y elementos de análisis que permitan entender mejor el riesgo de crédito de las
instituciones financieras seleccionadas para este trabajo de tal manera que permitan tener
mejores decisiones estratégicas y por ende mejorar su gestión de riesgos.
17
1.4. Matriz de consistencia
Problema General Objetivo General Hipótesis General Variables Metodología de

Investigación
¿Qué factores Determinar los factores Existen factores internos determinantes en Variable explicada: Tipo de investigación:
determinantes determinantes que influyen en el el Riesgo de crédito de las Cajas Riesgo de crédito.
influyen directamente Riesgo de Crédito de las municipales de ahorro y crédito, producto Indicador: (Cartera de Cuantitativo:
en el Riesgo de instituciones microfinancieras, caso del análisis del comportamiento de
alto riesgo) que conforma:
Crédito de las Cajas peruano: Cajas municipales de diversas variables por la información Metodología de Matriz de
Municipales de ahorro y crédito, periodo 2016-2019 presentado de 2016 al 2019. cartera vencida, más
Transición
Ahorro y Crédito en el cartera refinanciada /
Perú, considerando reestructurada, más Metodología estadística a
los periodos 2016 – cartera en judicial sobre el utilizar: CRISP-DM. (es
2019? total de cartera) adecuado cuando se trata
de manejar una minería de
Objetivos Específicos Hipótesis Especificas
datos, data mining)
1.- Analizar el impacto que tiene la Respuesta a objetivo 1.- Se pretende Variable:
Aplicación de técnica
cartera promedio por deudor en el demostrar que la cartera promedio por Cartera promedio por
deudor, tiene una relación positiva con el regresión logística.
Riesgo de Crédito de las CMAC. deudor
Riesgo de Crédito de las CMAC.
Indicador: cartera total / Correlación y Causalidad
total prestatarios
Tipo de Investigación
2.-Analizar cómo el Respuesta a objetivo 2.- Se pretende Variable:
sobreendeudamiento de los demostrar que el sobreendeudamiento de Sobreendeudamiento de Cualitativa: Entrevistas a
clientes, afecta el riesgo crediticio clientes, tiene una relación positiva en el clientes expertos
de las CMAC. Indicador: n° de clientes
Fuentes de información:
sobreendeudados
(cliente sobreendeudado Secundarias y primarias
igual a clientes con 4 o
18
más entidades Diseño de investigación:
financieras) no experimental de
profundidad transversal
3.- Determinar la probabilidad de Respuesta a objetivo 3.- Se pretende Variable Probabilidad de
default de las carteras de crédito de demostrar que, al determinar la default.
las CMAC y su impacto en el Riesgo probabilidad de default de las carteras de Indicador: Resultado de
crédito de las CMAC, su impacto sería
de Crédito. la matriz de transición
positivo en el Riesgo de Crédito.
(probabilidad de default)
4.- Analizar el impacto que tiene una Respuesta a objetivo 4.- Se pretende Variable Segmentación
adecuada segmentación geográfica demostrar que una adecuada geográfica regiones.
por regiones en el Riesgo de Crédito segmentación geográfica por regiones Indicador:
tiene una relación negativa en el Riesgo de
de las CMAC. Región norte, región sur,
Crédito de las CMAC.
región centro-oriente,
región Lima (cada región)
/ total de cartera.
5.-Evaluar de qué manera la Respuesta a objetivo 5.- Se pretende Variable: Cantidad de
cantidad de deudores atendidos por demostrar que la cantidad de deudores deudores atendidos por
empleado, impacta en el Riesgo de atendidos por cada empleado, tiene una empleado.
Crédito de las CMAC. relación positiva con el Riesgo de Crédito
Indicador: Total de
de las CMAC.
deudores / total de
empleados.
19
CAPITULO II: ANTECEDENTES DE LAS MICROFINANZAS
2.1. Introducción
El otorgamiento de créditos a la micro y a la pequeña empresa, se ha convertido en uno

de los mecanismos más efectivos para acabar con la pobreza en el mundo, convirtiéndose
en el eje principal de la economía de los países emergentes o en vía de desarrollo. Las
microfinanzas tienen como origen en la autoayuda colectiva, donde los personas con
menos recursos o ingresos no podían acceder al crédito tradicional para poder llevar a
cabo un negocio que le permita subsistir y salir de la pobreza.
En muchos casos las personas con bajos ingresos permanecen en el circuito de la miseria,
no porque no pueden generar fuentes de trabajo que les permita tener ahorro, sino porque
no tienen oportunidad ni acceso a la intermediación financiera que ofrece la banca
tradicional.
Toledo (2018), menciona, entidades benéficas tienen sus orígenes desde los siglos XV
nacidos en España e Italia, así los denominados “Montes de piedad”4, “fueron el lugar
donde nacieron los microcréditos en el mundo, surgieron como una forma de combatir la
usura, donde la atención era exclusiva a las clases sociales más pobres a través de la
concesión de préstamos sin intereses que se garantizaban con alhajas y ropas, con ello se
formaban un fondo común que fue el primer fondo rotatorio de créditos” (p.50).
Existen muchas oportunidades en el mundo para salir de la pobreza, en este sentido, el

desarrollo y el emprendedurismo de la población, hacen que se creen millones de empleos
en el mundo. Estas microempresas son parte fundamental del sistema económico de
muchos países. Por supuesto, que requerirá de mucho apoyo de los gobiernos para su
buen desarrollo, requerirá de iniciativas organizativas; por lo tanto, se indica que la
microempresa es una de las soluciones para el alivio a la pobreza.
4
Los montes de piedad (Del italiano Monte di Pieta), eran entidades benéficas donde los pobres podían
obtener sumas de metálico empeñando sus pertenencias y así satisfacer sus necesidades primarias.
20
Prahalad (2009), en su publicación “La fortuna en la parte inferior de la pirámide”,
presenta cual es el rol de la microempresa en el mundo, qué resuelve las microfinanzas y
la importancia de que los pobres están dispuestos a aprender, experimentar, cambiar y ser
parte del desarrollo económico en el mundo, lo que llevará a una transformación social.
If we stop thinking of the poor as victims or as a burden and start

recognizing them as resilient and creative entrepreneurs and value-
conscious consumers, a whole new world of opportunity will open up. Four
billion poor can be the engine of the next round of global trade and
prosperity. It can be a source of innovations. Serving the BOP consumers
will demand innovations in technology, products and services, and
business models. More importantly, it will require large firms to work
collaboratively with civil society organizations and local governments
(Prahalad, 2009, p.25).
Si dejamos de pensar en los pobres como víctimas o como una carga y

comienzan a reconocerlos como emprendedores creativos y resilientes y
conscientes del valor consumidores, se abrirá un nuevo mundo de
oportunidades. Cuatro mil millones de pobres pueden ser el motor de la
próxima ronda del comercio mundial y prosperidad. Puede ser una fuente
de innovaciones. Sirviendo a los consumidores BOP exigirá innovaciones
en tecnología, productos y servicios, y Modelos de negocio. Más
importante aún, requerirá que las grandes empresas trabajen en
colaboración con organizaciones de la sociedad civil y gobiernos locales.
(traducción propia).
Figura 1: The Botton of the Pyramid (El Fondo de la Pirámide)
Fuente: The economist pyramid. Prahalad and Stuart Hart 2002: The fortune
at the bottom of the Pyramid.
21
Como podemos apreciar en la figura 1, el autor presenta al mundo social – económico,
como una forma de pirámide, donde en la cima se encuentran los ricos, todos ellos, con
muchas probabilidades de generar alto ingresos económicos y en la base de la pirámide
se encuentran más de 4 billones de personas en el mundo, que viven en pobreza.
Calderón (2001), hace referencia de que, al inicio, los primeros programas ofrecidos no
fueron muy positivos, porque se basaban en fondos subsidiados, los prestatarios no
maximizaban sus beneficios obtenidos, empezando a tener pérdidas que llevaba a no
pagar sus préstamos. Los procedimientos para aprobar créditos se hacían cada vez más
complicado y con mucha burocracia. Menciona que, “Estos programas consideraban que
los pobres, dado que no podían ahorrar, nunca demandarían este tipo de servicios. Todas
estas características dieron lugar una elevada morosidad y a la rápida descapitalización
de las instituciones” (Calderón, 2001, p.126).
De acuerdo con lo revisado, históricamente, estos programas fueron presentando

problemas de morosidad, con indicadores de riesgo mucho mayor a los de la banca
tradicional, donde ya se comienza a tener en cuenta el factor riesgo como variable de la
sostenibilidad financiera de las instituciones dedicadas a este sector, desde un punto de
vista de la recuperación y cumplimiento de pagos de los préstamos.
En secciones más adelante, se mostrará los distintos enfoques que se le ha dado a las
microfinanzas en el mundo, tanto, desde una perspectiva de apoyo social como otra
perspectiva dirigida más a lo comercial.
2.2. Microfinanzas y Microcrédito
Se empieza con las definiciones de lo que es microcrédito y microfinanzas, y en qué se

diferencian, puesto que generalmente se confunden los conceptos ya que ambos hacen
mención a préstamos de pequeña cuantía. Para ello debemos de tener en cuenta que las
microfinanzas nacen de los microcréditos, que son pequeños préstamos realizados a
personas pobres que no pueden acceder a los préstamos que otorga un banco tradicional.
Es decir, son pequeños préstamos que se conceden a las personas pobres, en pequeñas
22
cantidades de dinero, que en muchos casos sus negocios están conformados por una sola
persona.
Nieto (2005) en su publicación, Los antecedentes del microcrédito, menciona:
El microcrédito constituye una innovación surgida aparentemente en el

siglo XX en una búsqueda de la extensión de los servicios de préstamo a
los pobres y excluidos financieros. Se considera como creador del mismo
a Muhammad Yunus y el Grameen Bank que preside como la institución
pionera, nacida a finales de los años 70 (p. 27 ).
Calderón (2001) manifestó que “los microcréditos nacen para solucionar el problema de
la falta de financiación con el que se enfrentan la gran mayoría de los pobres y de las
microempresas del sector informal de las sociedades del tercer mundo” (p.121). Donde
hace referencia a que muchas personas pobres necesitaban materia prima para la
elaboración de sus productos y puedan llevar a cabo su emprendedurismo.
De lo mencionado, se puede afirmar que el microcrédito se constituyó como un

instrumento para financiar la lucha contra la pobreza, con un fin fundamental de luchar
contra la usura, donde al no contar con una fuente de financiación recurrían al prestamista
informal, todo ello a cambio de elevadas tasas de interés. El microcrédito nace como una
ayuda al desarrollo de las personas, en lugar de obtener fondos no reembolsables o
subsidiados, buscó que las propias personas, con su uso, puedan salir de la pobreza.
Sin embargo, las microfinanzas constituyen prestación de servicios financieros, donde

desarrollan mucho más que los préstamos directos, Joanna Ledgerwood, en una revista
publicada en Ebsco, menciona la forma de como las microfinanzas han evolucionado con
un enfoque del desarrollo económico que beneficia a personas de bajos ingresos, y no
solo con el préstamo de créditos directos sino, con servicios financieros que incluyen
ahorros, ofrecen seguros etc. Por lo tanto se entiende a las microfinanzas, no solo como
una intermediación financiera directa, sino como intermediación social, asimismo
Ledgerwood presenta algunas características de las microfinanzas, definidos como
pequeños préstamos, dirigido a incrementar su capital de trabajo en mejora de sus
emprendimientos; en muchas ocasiones la evaluación de los prestatarios es informal, el
23
acceso al incremento de sus préstamos es gradual, donde se toma en cuenta el historial
crediticio, con préstamos racionalizados y monitoreo del mismo. Ofrecen servicios de
ahorros, seguros, capacitación y enseñan las destrezas en el manejo de sus negocios.
(Ledgerwood, 2000).
Berger, Golmark y Sanabria (2007), definen a las microfinanzas como “los servicios
financieros destinados principalmente a las microempresas, sus propietarios/operadores
y sus empleados” (p.3). Donde se tiene presente el valor fundamental de su desarrollo,
como una capacidad de estimular las iniciativas de los emprendedores, de mejorar la vida
de millones de personas e incentivar el gran espíritu del trabajo, generando muchas
oportunidades de crecimientos económicos que puedan ser sostenibles para millones de
familias.
Rahman (2020), como se citó en Lara (2010), hace referencia a que las microfinanzas
representan un conjunto de innovadores mecanismos para la provisión de créditos y de
esta manera otorgarles las facilidades de ahorro destinados a los pobres que se encuentran
excluido de los créditos tradicionales; sin embardo esta exclusión se debe a diferentes
factores, principalmente porque representan un alto riesgo crediticio, las cantidades de
préstamos son muy pequeñas para las rentabilidades que esperan las instituciones y con
respecto a que no presentan garantías.
Asimismo, (Ledgerwood, 2000, p.4), hace referencia a que las microfinanzas vienen
creciendo por varias razones:
- La promesa de llegar a los pobres.

- La promesa de la sostenibilidad financiera.
- La potencialidad de desarrollar intermediación financiera.
- La contribución de las microfinanzas para fortalecer y expandir los sistemas
financieros formales existentes.
- Las múltiples historias de crecimiento de éxitos.
- La disponibilidad de mejores productos financieros, como resultado de la
experimentación y la innovación.
24
Por lo tanto, se puede concluir que el microcrédito, es el producto financiero principal de
donde se basa las microfinanzas, estos préstamos estaban dirigidos a millones de personas
que no podían acceder al crédito y que vivían en la pobreza. Sin embargo, el termino
microfinanzas incluye además un conjunto de servicios financieros dirigidos a la
población con bajos ingresos, como son, los ahorros, los micro seguros, participan en la
intermediación financiera, con préstamos para poder hacer crecer su negocio, no ofrecen
garantías, participan de programas de servicio social, son un factor fundamental en la
lucha contra la falta de trabajo y complementa el crecimiento en el sistema financiero.
Asimismo, se puede indicar que uno de los motivos por el cual estos clientes no accedían
al crédito, era porque estos préstamos, para muchas entidades, representaban un alto
riesgo crediticio, puesto que era dirigido a clientes muy pobres y que no presentaban
ninguna garantía.
2.3. Microfinanzas en el Mundo
Según el portal Findev, un programa de CGAP 5 , las microfinanzas se originaron en

Bangladesh, aproximadamente en la época de los setenta, con el fin de poder conceder
créditos a los más pobres, que comúnmente no podían tener acceso a los servicios
financieros. Delfiner, Pailhé y Peró (2006), hacen referencia a Bangladesh como el país
precursor de las microfinanzas, que se encontró por encima de los demás países en el
mundo en la atención a este sector, ofreciendo una diversidad de necesidades financieras
a las personas más pobres, ubicadas en zonas urbanas y rurales, llegando a tener, el mayor
volumen de cartera, asimismo, destacando con el más bajo préstamo promedio del mundo,
(US$ 78 por prestatario). A continuación, se presenta información sobre el primer banco,
exclusivo para la atención de los más pobres, el más importante.
5
CGAP es un grupo consultivo de ayuda al pobre, siendo un centro de investigación independiente,
focalizado en la promoción de políticas para que los más pobres tengan acceso a los servicios financieros
25
2.3.1. Grameen Bank
Hace más de 45 años, el Dr. Muhammad Yunus6, en su lucha contra la pobreza, funda la
primera institución dirigida a los clientes sin acceso al sistema bancario, el Grameen
Bank 7 , fue la primera entidad organizativa en ofrecer créditos a los pobres, desde
entonces han surgido muchas entidades la cuales se han convertido en el eje fundamental
del crecimiento de la economía en muchos países. Llego a obtener el premio Nobel de la
paz en el 2006, por su constante esfuerzo en lograr el desarrollo económico, inclusivo y
social desde los más pobres, llegando a otorgar créditos desde US$ 25 a mujeres pobres,
en su mayoría de zonas rurales.
Figura 2: Mapa de la ubicación del Grameen bank
En la figura 2, podemos apreciar la fecha de creación del Grameen Bank en Bangladesh

y de ACCIÓN International en América Latina, quien, en un inicio, apoyó el desarrollo
de préstamos colectivos de solidaridad para vendedores callejeros. (Ledgerwood, 2000)
6
Muhammad Yunus, considerado el padre de los microcréditos, nació en 1940, Economista en
Bangladesh. Llevo a sus estudiantes a una aldea y descubrieron que una mujer, para poder fabricar
taburetes de bambú, tenía que pedir prestado 15 peniques, después al intermediario tenía que pagarle
tasas hasta de 10% a la semana, y se quedaba con un margen de ganancia de 1 centavo. Fuente:
http://www.grameen.com/founder-2/
7
http://www.grameen.com/: Grameen Bank – El Banco de los pobres.
26
El Grameen Bank, está dirigido principalmente a las mujeres, tal como apreciamos en
tabla 1, se observa que ellas representan aproximadamente el 97% del total de sus clientes.
La creación de este banco es tan importante porque pone a las microfinanzas como un
mecanismo para promover el desarrollo de sus economías y sobre todo apoyar a una gran
cantidad de personas a escapar de la miseria y la pobreza.
Banerjee y Jackson (2017), en su publicación las microfinanzas y el negocio de la

reducción de la pobreza, mencionan de qué manera esta fundación logró aliviar de la
pobreza a las personas proporcionando el acceso a servicios financieros, para que puedan
lograr generar ingresos.
Grameen Bank, Association for Social Advancement (ASA) and Krishi

Bank. All the individuals and households that constituted our sample can
be classified as ‘chronically and extreme poor’ based on the $1 and $2 a
day consumption thresholds (Banerjee y Jackson, 2017, p.70)
Grameen Bank, Association for Social Advancement (ASA) y Krishi Bank.

Todos los individuos y hogares que componen nuestra muestra pueden
clasificarse como "pobres crónicos y extremadamente pobres" según los
umbrales de consumo de $ 1 y $ 2 por día (traducción propia).
Yunus, Julis y Morshed (2006), en su libro publicado, el banquero de los pobres, los
autores hacen referencia, a que el Grameen Bank, es un banco donde los pobres no
necesitan garantías para sus préstamos, es más, refieren que estos préstamos, deberían
ser aceptados como un derecho más. Advierten, que este banco no tiene su fundamento
en la capacidad de bienes que tenga la persona, sino, en el empuje de su proyecto y
potencial del mismo.
27
Figura 3: Desembolso de un Préstamo - Bangladesh
Fuente: Fotografía del libro “El banquero de los pobres” – Yunus
Como se indicó, el Grameen Bank otorga su prioridad de préstamos a las mujeres y tiene
sus agencias en las zonas rurales, a diferencia de los bancos tradicionales que están más
concentrados en las zonas urbanas. Hoy en día, este banco está considerado como una de
las instituciones más sólidas en la atención de las microfinanzas. De ello, la importancia
de la mención de esta institución en este trabajo de investigación.
Para tener en cuenta sobre sus principales indicadores, se ha preparado, un resumen

adjunto, con información obtenida de la página oficial del mismo banco, al cierre del
2018. En este resumen, se observa, que tiene casi 2,900 oficinas, 18mil empleados y más
de 7 millones de deudores, de los cuales aproximadamente, el 97% de ellos, son mujeres
asimismo un crecimiento contante en sus colocaciones.
Los últimos años, presenta un ratio de rentabilidad sobre el patrimonio (ROE), entre el
17% y 22% y en forma creciente, lo que indica que, en adición, es muy rentable.
Pongo mucho énfasis en la ratio de cartera en riesgo, un indicador que mide la morosidad
del banco, por ahora, solo mencionaré que está en un promedio menor al 1.5%, siendo
uno de los más bajos en el mundo.
28
Tabla 1: Evolución de los indicadores del Grameen Bank
Concepto 2015 2016 2017 2018
Activos totales (en millones de USD) 2,804 2,920 2,903 3,141
Número de Oficinas 2,914 2,906 2,893 2,881
Número de empleados 21,651 21,043 18,185 18,105
Número de prestatarios (en millones) 7.18 7.29 7.23 7.12
Porcentaje de miembros mujeres 96.5% 96.5% 96.7% 96.7%
Tasa de crecimiento de la cartera 10.2% 22.6% 22.2% 6.3%
Retorno sobre capital (ROE) 0.2% 11.8% 17.1% 22.0%
Índice de cartera en riesgo (PAR) 3.26% 1.66% 1.04% 1.18%
Elaboración propia: Fuente Grameen bank /data-and-report/performance-indicators-
ratio-analysis-december-2018/
Por lo tanto, el éxito del Grameen Bank, se basa en un concepto simple, que es la de
otorgar préstamos a los más pobres, a unas tasas de interés, que equilibren su riesgo y sin
solicitar ningún tipo de garantía. Con ello inyecta financiamiento a las personas con bajos
recursos y les permiten realizar sus diversas actividades económicas, las de comercializar,
producir, u ofrecer diferentes servicios.
2.3.2. Enfoques de las Microfinanzas en el Mundo
De acuerdo con la investigación realizada, se tiene la opinión de diferentes autores que

señalan, que, en el mundo, existen diferentes enfoques en lo que respecta a las
microfinanzas; por un lado, instituciones que tienen como característica principal el estar
orientadas a una labor más social, es decir, encaminados al “alivio de la pobreza”, y por
el otro lado, instituciones más comerciales donde predomina la “autosostenibilidad
financiera y rentabilidad”.
Céspedes y Gómez (2015), identifican que se el microcrédito se presenta con diferentes

tipologías de instituciones, es decir tienen un marcado “enfoque”, sostienen, que en
algunos casos el motor principal de la institución se centra en el desempeño de la
eficiencia y de la productividad, de tal manera que sean sostenibles financieramente, y
por otro lado cuya orientación está dirigido a cumplir una labor más social que permita
aliviar la pobreza. Afirman que “ambos enfoques, a nivel teórico, se desarrollan
29
aparentemente como alternativos el uno del otro, de manera que a priori existiría un trade
off entre ambos, es decir, por un lado, perseguir la sostenibilidad financiera y por otro
orientar la actividad hacia la reducción de la pobreza, lo que rechazaría una posible
complementariedad entre ambos” (p.33).
Yunus por su parte, entendía que el objetivo del Banco Grameen era de proveer a las
personas pobres de servicios financieros, con mucho mayor énfasis en las mujeres y a los
sectores más desatendidos de la población, con el fin de ayudarlos con sus negocios,
(desde un punto de vista financiero) y que, con ello, puedan aliviarse de la pobreza.
(Yunus et al., 2006)
Isem y Porteous (2005), refieren a la evolución de los modelos que han adoptado los
bancos comerciales con respecto a las microfinanzas. Luego de la creación del Grameen
Bank en Bangladesh y Acción en América Latina, (ambos orientados a ayudar a la gente
pobre con los préstamos, y hacerlos partícipes de distintos productos financieros como el
ahorro, los seguros, remesas), comenzaron a aparecer nuevos participantes en el mundo
de las microfinanzas, la banca comercial tradicional, muchos de ellos con mejores
ventajas competitivas, en infraestructura, renombre, sistemas, y con un mejor acceso al
fondeo8 de capital.
Estas instituciones comienzan a ver a las microfinanzas como un negocio donde se puede
obtener mejores rentabilidades, mayores márgenes de utilidad, muy distintos al enfoque
que le pusieron inicialmente, donde el objetivo principal era la reducción de la pobreza y
un cambio social para los más pobres, además permitirle el acceso al crédito en mejores
condiciones, mejores servicios, con una verdadera lógica en su concepción del
microcrédito, así como el tener garantizado la devolución por el esfuerzo que le ponían
al desarrollo de sus negocios (Armendáriz y Morduch, 2007).
A lo largo de la investigación, se ha observado dos enfoques diferenciados, uno referido

al de la sostenibilidad financiera, que es donde el fin era el conseguir mayores prestatarios
ya que de esa manera las instituciones podrían mantenerse financieramente debido a los
8
Referido a líneas de créditos, al inicio, estas líneas provenían de la cooperación internacional.
30
altos costos generados en la atención a los clientes, y de esta manera poder obtener
beneficios económicos. Inclusive, se ha observado, que los gobiernos propician a los
bancos tradicionales a incluirse en la atención de estos clientes, los bancos tienen mayores
fortalezas para otorgar líneas de crédito o préstamos para su capital de trabajo a los
microempresarios, pueden ofrecer capital sin garantías, o solicitar activos en prenda a sus
clientes, por sus préstamos otorgados.
El otro enfoque, es el orientado al alivio de la pobreza en el mundo, es decir, atender a

los más pobres, y poder ofrecerles a estos prestatarios, tantos servicios financieros y no
financieros porque reconoce la gran necesidad de apoyo en el emprendimiento de sus
negocios y ofrecerles una ayuda social, más que estar interesados en la sostenibilidad
financiera. En la tabla 2 se puede apreciar los diferentes tipos de objetivos de las
instituciones.
Tabla 2 : Enfoque de las Microfinanzas

Objetivos sociales para combatir la Objetivos de sostenibilidad
pobreza financiera
Mayor énfasis en el impacto social Mucho énfasis en los costos de
operación
No hay mayor preocupación por la Enfoque en la sostenibilidad de la
sostenibilidad (puede haber subsidios) institución.
Dirigido a los más pobres. Negocios de En adición a clientes con negocios no
subsistencia de subsistencia.
Elaboración propia
2.3.3. Enfoque de las Microfinanzas por Regiones
En base a la bibliografía revisada, se puede apreciar dos enfoques que se les ha dado a las
microfinanzas en el mundo. Para ello se ha realizado gráficos donde se permitan apreciar
cual es el desenvolvimiento de los indicadores de sostenibilidad financiera en cada región
donde se ha desarrollado con mayor énfasis las microfinanzas. Esto con el fin de presentar
gráficamente los modelos indicados y poder observar los diferentes enfoques por región
en el mundo.
31
Céspedes y Gómez (2015), concluyen como resultado de sus trabajos presentados en un
artículo, referido al comportamiento mundial de los indicadores de las microfinanzas, que
se puede diferenciar claramente dos tipos de enfoques o dos modelos de ofrecer los
créditos, uno de tipo financiero y otro de tipo social, si bien indica que ambos modelos
persiguen el mismo fin, (de incrementar el acceso a los diferentes servicios financieros
de todas aquellas personas excluidas de la atención de la banca tradicional), encuentran
una marcada diferencia al público que va dirigido. Ambos autores indican que “Mientras
en el modelo social se asiste a los pobres más pobres (Asia Meridional y África) el
enfoque financiero se orienta más bien a los micro, pequeños y medianos empresarios
(América Latina y Oriente Medio/África del Norte)”, (p.55).
He realizado diversos gráficos que se presentan a continuación, tomando como base, las
cifras actualizadas al 2018, presentadas en el informe del desempeño global y alcance
financiero, o también llamado en ingles Global Outreach y Financial Performance
Benchmark Report - 2017-2018 , preparado por: FinDev Gateway- Financial inclusion
for development9 (Inclusión financiera para el desarrollo), (Market y Khamar, 2019).
Esto, con el fin de observar cual es el comportamiento de ambos enfoques presentados,
teniendo en cuenta, la última actualización de cifras disponibles.
Con respecto al indicador de ingresos financieros sobre activos totales, (entendida como
la medida de la eficiencia con que una institución utiliza sus activos), se observa en el
gráfico 3, que el porcentaje mayor lo tiene el Oriente medio/ África del Norte, seguido
por América Latina y luego con un poco menos el Asia Meridional. Aquí todos
concuerdan en obtener rentabilidades en el desarrollo de este mercado, teniendo América
Latina y el Oriente medio con mayor viabilidad financiera que el Asia Meridional.
9
MIX Market muestra los resultados operativos y financieros del año fiscal 2018 en forma de 'Informe de
referencia de alcance global y desempeño financiero - 2017-2018'. Este informe presenta los aspectos
financieros y operativos, datos de 762 proveedores de servicios financieros (FSP) que han informado a
MIX Market durante el año de referencia.
32
Gráfico 3: Ingresos financieros / Activos totales (por regiones en el mundo)
Fuente: Elaboración propia – considerando cifras de Mix Market 2018
El siguiente gráfico , “Saldo promedio por prestatario” es muy importante, puesto que
refleja la atención de los préstamos promedio a los prestatarios; en este gráfico, se aprecia
que América Latina tiene un saldo promedio por encima de los dos mil dólares, mientras
que en el Asia Meridional se encuentra en menos de quinientos dólares, casi 4 veces
menos que en América Latina, aquí se puede mencionar que el alcance de los préstamos
en América Latina, está dirigido también a clientes que ya tienen un mayor desarrollo de
su economía al poder obtener créditos medianos. Asimismo, se aprecia que los créditos
desembolsados en América Latina, pueden no solamente estar dirigidos a aliviar la
pobreza, sino que también destinados a aquellos que cuentan con una mayor capacidad
de pago.
Gráfico 4: Saldo promedio por prestatario US$ - (por regiones en el mundo)
Elaboración propia – considerando cifras de Mix Market 2018

33
Con respecto a los costos promedio por prestatarios, se observa en el gráfico 5, que
América Latina, se encuentra con un costo promedio mayor a los $ 250 por prestatario,
seguido por África y el Oriente Medio y muy por debajo al Asia Meridional, esto quiere
decir que mayores costos son generados por las instituciones de América Latina y lo que
también demuestra que el Asia Meridional lleva a cabo sus operaciones con muy bajos
costos.
Gráfico 5: Costo promedio por prestatario US$ (por regiones en el mundo)
El siguiente gráfico 6, se muestra la importancia de la participación que tienen las mujeres

en el desarrollo de este sector, la incidencia que tiene el Asia Meridional, es de casi el 90%
de todos los clientes, mientras que América Latina y en las demás regiones con
aproximadamente el 60%. La presencia de las mujeres en particular es fundamental en el
desarrollo de las actividades microfinancieras, en muchos casos son las destinatarias
elegidas por las instituciones microfinancieras. En general, de acuerdo con informes
revisados, son las mujeres las más decididas a sacar a su familia de la pobreza.
34
Gráfico 6: Atención a mujeres prestatarias (por regiones en el mundo)
Con respeto al riesgo por el impago de los créditos (morosidad mayor a los 30 días), se
observa en el gráfico 7, que existe un mayor incumplimiento en África con casi 14%,
seguido de América Latina con un promedio del 6% de cartera en riesgo y al Asia
Meridional con un poco más del 2%, este indicador es muy importante para efectos de
esta investigación, puesto que se explicará cuáles son los principales factores que influyen
en incrementar la morosidad en algunas instituciones en el Perú
Gráfico 7: Portafolio en Riesgo / Mayores a 30 días de atraso
35
Por lo tanto, a pesar de que todas estas instituciones busquen atender a millones de
personas en situación de pobreza, excluidas de la banca tradicional, es muy distinto el
comportamiento de las operaciones de las cuatro regiones presentadas, donde se puede
observar la presencia de dos enfoques de las microfinanzas, en la que se muestra que, el
acceso al crédito en el Asia Meridional esta mayormente dirigido hacia un enfoque social,
donde es más evidente el funcionamiento de estas instituciones en ayudar a los más pobres,
mientras que en América Latina tiene un enfoque más financiero, más comercial, es decir,
está mayormente dirigido, no solo a clientes pobres, sino también a clientes pequeños y
medianos, que no se encuentran necesariamente en una situación de pobreza extrema.
Lo que corresponde a continuación, con esta investigación, es presentar la manera en la

que se han venido formando las diferentes entidades microfinancieras en América Latina.
2.4. Microfinanzas en América Latina
El desarrollo de las microfinanzas en América Latina ha tenido un crecimiento constante,

debido a su inmenso potencial de desarrollo, en la atención de este mercado emergente;
existen millones de personas en América Latina que se encuentran desatendidas por los
diversos sistemas financieros, sin embargo, ahora otorgan préstamos a personas de bajos
recurso, sin solicitar garantías, o a lo más con una garantía solidaria (presentación de un
aval).
Actualmente en Latinoamérica, las instituciones ofrecen servicios financieros, incluyendo

créditos a largo plazo para su capital de trabajo, ofrecen créditos para la compra de activos
fijos, para el consumo de los microempresarios, para la refacción de sus viviendas, envió
de remesas, diversos tipos de ahorros, micro seguros e inclusive ya como parte de la banca
electrónica. Las instituciones realizan un gran aporte al desarrollo financiero,
sociocultural y socioeconómico.
Berger, Goldmark y Sanabria (2007) mencionan que Latinoamérica, al ser característico

por su desigualdad e inestabilidad económica, es un gran escenario para el desarrollo de
las microfinanzas.
36
Las microfinanzas son un negocio en marcha en América Latina. Como
propuesta comercial y como actividad, pretenden brindar servicio a
personas que no eran consideradas solventes por la industria bancaria
tradicional. Esto ha sido posible gracias al desarrollo de sistemas para
evaluar y gestionar el riesgo de otorgar préstamos a individuos con pocos
bienes, sin documentación formal de ingresos y sin historial formal de
crédito (p.14).
Por su parte, el Fondo Multilateral de Inversiones, (FOMIN), hace referencia, a que el

desarrollo de las instituciones microfinancieras en la región latinoamericana, constituyen
una fuente de mucha importancia para continuar con el conocimiento práctico de este
negocio, y suele ser esta región donde muchas instituciones concentran la mayor atención
a los resultados financieros antes que el alivio a la pobreza.
Berger et al. (2007), indican que la industria microfinanciera en Latinoamérica tiene

distintas características a las de otras regiones como Asia. “América Latina no ha tenido
un enfoque exclusivo en los pobres, como sucede en muchas instituciones asiáticas y
africanas. En el continente latinoamericano, se ha hecho especial hincapié en prestar
servicios a empresas sin suficiente acceso a los servicios financieros y al público no
bancarizado en general” (p.2).
Al 2018, en América Latina, según cifras del Banco Interamericano de Desarrollo (BID)10,
han otorgado préstamos alrededor de los US$ 12 mil millones, dirigidos a más de diez
millones de prestatarios en condición de bajos ingresos.
En el reporte del desempeño global financiero, Mix Market 2018, se presentan

indicadores para las microfinanzas en Latinoamérica; en ella se muestra que el 77% de
los prestatarios se encuentran en zonas urbanas, mientras que solo el 23% en zonas rurales,
este indicador muestra que las instituciones en Latinoamérica tienen un gran desafío de
penetrar a las zonas rurales, donde mayormente se concentran las personas con menos
oportunidades para acceder al crédito.
10
El BID, es una organización financiera internacional, con sede en Estados Unidos, fundada en el año de
1959 cuyo objetivo es financiar proyectos de desarrollo que sean viables; en la zona de América Latina y
el Caribe. https://www.iadb.org/es/temas/microfinance/las-microfinanzas-en-america-latina-y-el-
caribe-181
37
Asimismo, muestra que el promedio del crédito directo se encuentra en US$ 2,092, y el
promedio de los ahorristas en este sector, está en US$ 1,227. Lo que me lleva a mencionar
que los préstamos no solo están dirigidos a los más pobres, sino que también tiene una
gran parte de atención a empresarios con un mayor nivel de capacidad de pago.
En la Figura 4, se observa que el Perú se encuentra en segundo lugar como el país que
tiene el mayor número de clientes atendidos en la banca microfinanciera, y con el mayor
saldo de cartera de créditos de toda Latinoamérica, con más de US$ 12mil millones, de
allí la importancia de la evolución de las microfinanzas en el Perú, y el afán de realizar
una investigación sobre este mercado, con énfasis en la cartera en riesgo de un conjunto
de empresas financieras que operan en este país.
La importancia de la participación de países como México y Colombia, en número de

prestamistas y saldo de cartera, sin embargo, no se muestra en la figura, pero tenemos a
Bolivia con un saldo de cartera al 2018, de más de US$10 mil millones (segundo en toda
la región con respeto al saldo de cartera de colocaciones), tiene un poco más de
1,1millones de clientes y la figura está ordenada de mayor a menor número de clientes
prestatarios de esta región, (mayores a los 1.3millones).
Figura 4: Los primeros cinco países en Latinoamérica, por clientes y saldo de cartera de
créditos microfinancieros
Fuente: Reporte Mix Market 2018
38
En la figura 5, respecto al número de ahorristas en la banca microempresarial, igualmente
que, en el gráfico anterior, el Perú se encuentra en segundo lugar en todo Latinoamérica,
con 6.7 millones de clientes, y con un saldo promedio de US$ 10,200 millones. Si bien
se muestra a Colombia con el mayor número de ahorristas, tiene un saldo menor que otros
países; por su parte, Bolivia presenta un saldo superior, incluso con respecto a Perú.
Ecuador y México también son países de América Latina, con representatividad en este
sector microfinanciero. Cabe recalcar que el Perú estuvo, por 8 años consecutivos (hasta
el 2014) como líder en microfinanzas en toda Latinoamérica 11 . Este indicador está
relacionado a la inclusión social financiera de países en desarrollo.
Figura 5: Los primeros cinco países en Latinoamérica en ahorros microempresa
Fuente: Reporte Mix Market 2018
En el siguiente gráfico 8, se presenta el número de instituciones microfinancieras en

Latinoamérica, de acuerdo con el reporte presentado por Mix Market 2018, donde
encabezan la lista, México, Ecuador y Perú. Asimismo, se observa el ranking de los demás
países de la región.
11
Información Asbanc: Asociación de bancos del Perú.
https://www.asbanc.com.pe/Paginas/Noticias/DetalleNoticia.aspx?ItemID=186
39
Gráfico 8: Número de Instituciones microfinancieras indicadas por países en
Latinoamérica
Con la información de Mix Market, se ha elaborado el siguiente gráfico 9, donde presento

cual es el comportamiento de la cartera en riesgo, medido como los pagos de cuotas
mayores a 30 días de atraso, de los principales países de Latinoamérica donde opera las
microfinanzas. En el gráfico 9, Perú se presenta como el tercer país en la región con
problemas en este indicador, por debajo de México y Colombia, sin embargo, Perú, como
se mencionó en gráficos anteriores, cuenta con una cartera de créditos superior a los
US$ 12mil millones.
Considero esta información, como importante en la realización del presente trabajo de

investigación, puesto que se centrará en el tema del riesgo de crédito y cuáles son los
factores que lo afectan, para un conjunto de instituciones microfinancieras que operan en
Perú. Cabe indicar que en el negocio de microfinanzas se asumen muchos riesgos, pero
todo con el fin de apoyar y construir fuentes generadoras de empleo para todos aquellos
excluidos del sistema financiero.
40
Gráfico 9 : Cartera de microfinanzas en riesgo por atraso en sus pagos (mayor a 30 días)
2.5. Modelos de transformación de instituciones microfinancieras en

Latinoamérica
Como se ha presentado, las microfinanzas se crearon como una oportunidad para que
pequeños emprendedores tengan la posibilidad de salir de la pobreza. En Latinoamérica
las instituciones han ofrecido préstamos a millones de deudores, para su capital de trabajo
o la compra de pequeños activos. A continuación, presentaré tres distintos modelos, de
cómo se han evolucionado las instituciones de microfinanzas en Latinoamérica.
2.5.1. Upgrading
Referidas a la transformación de organizaciones microfinancieras no reguladas o también

llamadas ONG, en entidades financieras supervisadas por entes reguladores. Como
ejemplo tenemos a Banco Sol de Bolivia que provino de la ONG Prodem, o Mibanco en
Perú que provino de la ONG ACCIÓN internacional. Tuve la oportunidad de empezar a
trabajar en Mibanco por el año 2000, cuando recién habían pasado dos años desde que la
ONG Acción, pasó a ser una institución financiera regulada, nos enfrentamos a muchos
desafíos en esta transformación, con el objetivo de no distorsionar el producto básico que
era el microcrédito y el atender a las personas sin acceso a este sistema.
41
Berger, Otero y Scot (2006) mencionan que se le denominan “Upgrading” a la
“transformación de organizaciones no gubernamentales de microfinanzas (ONG) en
instituciones financieras formales, bajo la supervisión de las autoridades bancarias, les ha
permitido brindar servicios financieros a microempresarios, a pequeñas y medianas
empresas, y a hogares de bajo ingreso” (p.43).
Figura 6: Descripción del modelo Upgrading
Fuente: Libro el boom de las microfinanzas. (p.46)
En la figura 6, se puede observar, como ha sido la evolución de este modelo Upgrading,

donde las ONG pasaron a convertirse en instituciones financieras formales y reguladas,
empezando con la autorización de recibir depósitos de clientes hasta terminar siendo un
banco comercial. En la misma figura, se presentan los casos más representativos en
Latinoamérica, sobre las instituciones que evolucionario con este modelo.
Sigue siendo un desafío para estas instituciones, el impulsar el desarrollo de este sector
financiero, continuar colaborando con la bancarización, educar financieramente a los
clientes a través de programas de capacitación, todo ello sin perder de vista el foco de su
atención, ayudar a los más necesitados a salir de la pobreza. A mi opinión este es el
modelo que más desafíos va a tener este sistema.
42
2.5.2. Downscaling
Las instituciones de microfinanzas señaladas en este modelo, están referidas a aquellas

cuyas instituciones financieras formales y reguladas han incursionado en el segmento
microfinanciero. De acuerdo con las investigaciones realizadas, este modelo ha sido un
gran reto para aquellas entidades financieras que han sido persuadidas para ingresar a la
atención del sector microfinanciero, pudiendo así ampliar su gama de productos a ofrecer.
Estas instituciones tuvieron que hacer muchos cambios en sus procesos, mejorar
infraestructura, adecuar sus plataformas ya que en un inicio estuvieron diseñados solo
para atender un menor número de usuarios, este negocio de las microfinanzas es a gran
escala, asimismo, abrir nuevas agencias en las zonas requeridas por este segmento de
clientes.
Marulanda (2006), en su publicación hace referencia a lo complicado que ha sido el

ingreso de las entidades financieras tradicionales ingresar a la atención de este mercado
desatendido; indica que “Las instituciones financieras formales de América Latina y el
Caribe han tardado en incluir el crédito para microempresas en sus servicios,
especialmente si se compara este proceso con la proliferación de instituciones de
microcrédito no formales. Estas instituciones han crecido rápidamente, transformándose
en intermediarios financieros regulados” (p.91)
Wenner y Campos (1998) presentan una investigación sobre el caso de un banco de

Colombia que ingresó a la atención del segmento microfinanciero, utilizando líneas de
créditos otorgadas por el banco central de Colombia:
In 1986, the IDB launched a pilot program in Colombia that established a

redistribution of line of credit through Central Bank to commercial banks.
This program is exclusively for micro and small entrepreneurs to attract
commercial banks to serve the target sector proving that microcredit could
be profitable and sustainable. (Wenner y Campos, 1998, p.2)
En 1986, el BID lanzó un programa piloto en Colombia, que estableció

una redistribución de líneas de créditos a través del Banco Central a los
bancos comerciales. Este programa es exclusivo para micro y pequeños
empresarios para atraer bancos comerciales para servir al sector objetivo
43
demostrando que el microcrédito podría ser rentable y sostenible.
(traducción propia).
En un inicio, estas instituciones financieras reguladas no tuvieron la necesidad de

incorporar clientes desatendidos por estas mismas bancas, no participaban de la
bancarización de personas, tema muy importante hasta la actualidad, no tuvieron la
necesidad de crear nuevos productos, es decir, hubo un tiempo en que estas entidades no
se vieran atraídas a atender a los microempresarios ni a personas pobres, pues es de
entendido que era un negocio de alto riesgo y costos de atención elevados.
Por lo tanto, ¿Qué razones llevaron a los bancos a ingresar al mundo microfinanciero?, al
respecto puedo indicar: las altas tasas de rentabilidad con las que se atendían a los
microempresarios, estas, fueron llamando la atención de la banca tradicional, porque a su
vez podía diversificarse más, incrementar sus clientes, crear más productos y tener una
mayor presencia en su territorio. Es así como, Marulanda (2006), entiende que el ingreso
de estas instituciones financieras, formales reguladas, estuvo impulsado por tres factores
fundamentales, que fueron la rentabilidad que ofrecían la atención a este mercado, su
diversificación y la de cumplir adicionalmente con un rol social.
Como ejemplos en Latinoamérica, tenemos a diversas instituciones que ingresaron al

sector microfinanciero, con buenos resultados: En Perú, tenemos al Banco de Crédito que
incursionó con Financiera Solución; el Banco Financiero, (ahora Banco Pichincha Perú),
asimismo el Banco del Trabajo; en Ecuador tenemos: el Banco Solidario, Sociedad
Financiera Ecuatorial (Banco Procredit), el Banco Pichincha con Credifé; en Paraguay,
Financiera Visión entre otros.
Siendo así la demostración, de que muchos bancos comerciales tradicionales tuvieron el

interés de prestar servicios financieros a este segmento, por supuesto, con distintos
intereses, entre los cuales se menciona, la rentabilidad; estas instituciones, tuvieron que
adecuar sus modelos y aprender la tecnología y metodología crediticia microfinanciera.
44
2.5.3. Greenfield
En este caso, se trata de la formación de instituciones totalmente nuevas, donde muchas

veces cuentan con el apoyo de redes internacionales. A estas instituciones especializadas,
supervisadas que se crean desde cero se les conoce como Greenfield.
Earne, Jansson, Koning y Flaming (2014), mencionan como modelo “Greenfield, a

aquellas instituciones microfinancieras nuevas, recién creadas sin infraestructura, sin
personal, sin clientes y sin carteras pre existentes, las mismas que utilizan procedimientos
operativos estándar difundidos a menudo por un grupo central” (p.33).
Desde hace ya más, de 45 años que se originó las microfinanzas, la misma que ha venido
desarrollándose por todo el mundo, teniendo como objetivo, aliviar la pobreza en los más
necesitados, su evolución ha sido constante y su presencia en Latinoamérica, fundamental
para combatir este fin. Se ha presentado la evolución de los diferentes modelos, de cómo
surgieron las instituciones de microfinanzas en Latinoamérica, unas que evolucionaron
desde una ONG y se vieron obligadas a ser reguladas por órganos competentes, otras
donde algunos bancos tradicionales vieron atractivo este negocio por muchos motivos, y
entraron en su atención, incrementando su gama de productos, adecuando sus procesos,
otras instituciones que fueron creadas desde cero; pero todas llevan, como uno de sus
objetivos, el atender a aquellos microempresarios que no podían acceder a un crédito.
Los gobiernos vienen cumpliendo un rol fundamental en la parte normativa y regulatoria.

Asimismo, señalo la importancia de la presencia de las microfinanzas en los países como
Perú, Bolivia, Colombia, Ecuador, México, Brasil entre otros y doy énfasis a los
problemas presentados en la gestión de la cartera en riesgo. A continuación, se presenta
el desarrollo de las microfinanzas en el Perú.
45
2.6. Microfinanzas en el Perú
2.6.1. Antecedentes
La microempresa y las microfinanzas en el Perú, ha venido desarrollándose en forma

creciente y a grandes pasos, durante las últimas décadas, el empuje de los peruanos
emprendedores, la constante innovación de los marcos regulatorios, la evolución de los
sistemas de supervisión y regulación, construyeron un sistema microfinanciero modelo
en el mundo, permitiendo la creación de mecanismos que genera riqueza y beneficia a
muchos peruanos antes excluidos del empleo, del acceso al crédito y de la posibilidad de
superación.
Donde no sólo las instituciones dirigidas a este sector, concentraron sus esfuerzos, en
ofrecer productos financieros a los microempresarios, sino que la pluralidad de los
llamados clásicos bancos comerciales enfocaron su atención a este mercado emergente,
y que utilizando el “know how” (saber cómo) de la tecnología crediticia, buscaron la
bancarización trabajando con personas con bajos sectores de ingresos que puedan
desarrollar sus emprendimientos y/o negocios y a consecuencia de ello mejorar su calidad
de vida.
Conger, Inga y Webb (2009), en el libro “Árbol de la mostaza”, mencionan como se

fueron formando las microfinanzas en el Perú:
El crédito bancario nunca había existido para los pobres. Pero hace veinte
años, el panorama empezó a cambiar radicalmente. Hoy, una
extraordinaria cantidad y variedad de instituciones de crédito ofrece
préstamos, depósitos y otros servicios financieros a millones de hogares
pobres. Muchos funcionarios de bancos multinacionales y organizaciones
no gubernamentales (ONG) escalan cerros arenosos o cruzan zonas
desérticas para alcanzar los cinturones de pobreza de las ciudades y
competir por el negocio de captar a los nuevos inmigrantes: familias que
apenas acaban de armar sus chozas de esteras (pg. 13).
Por su parte Portocarrero (2003), en su libro “Microfinanzas en el Perú Experiencias y

Perspectivas”, menciona que el financiamiento a la microempresa asume una gran
importancia en el Perú, puesto que constituye una de las herramientas más significativas
46
para asignar capital a estos negocios de reducida envergadura, contribuyendo de esa
manera a mejorar el ingreso y el empleo a los sectores de menor recursos.
El desarrollo de las instituciones dedicadas al sector de la micro y pequeña empresa en el

Perú, tuvo sus inicios en los años ochenta, fueron por esos años, donde se comenzó a
utilizar la metodología crediticia, esos años caracterizados desde un punto de vista
macroeconómico, con una elevada crisis inflacionaria, baja actividad económica producto
del fenómeno del niño, fueron por esos mismos años donde se produjo la salida del Perú
de los fondos internacionales. Quispe et al. (2012) indicaron, “La severidad de la crisis
de finales de los ochenta se reflejó en la desaparición de buena parte de instituciones
orientadas al segmento de las microfinanzas como cooperativas de ahorro y crédito,
mutuales, programas financieros de reciente creación e incluso la banca de fomento”
(p.14).
Desde entonces, fueron surgiendo instituciones, más consolidadas, con mayor

patrimonio, propiciando un buen clima para la atracción de capitales de fondos
extranjeros, especializados en el otorgamiento de créditos a este sector; con ayuda de los
gobiernos municipales de cada región, e inclusive, comenzaron a ser regulados por el ente
supervisor de las instituciones financieras comerciales tradicionales. Fueron así que en
los años ochenta, se crearon las Cajas Municipales de Ahorro y Crédito (CMAC), en los
años noventa, se crearon las Cajas Rurales de Ahorro y Crédito (CRAC), asimismo
nacieron Financieras especializadas, que en un inicio fue para apoyar al sector agrario;
también se crearon las Empresas de Desarrollo de la Pequeña y Microempresa, conocidas
como, (EDPYMES). Todas ellas con un mismo fin, cubrir la atención del segmento
desatendido, otorgándoles oportunidad de créditos.
Las microfinanzas siempre han sido un negocio donde el riesgo de incumplimiento del
pago, está presente, de ello las altas tasas de interés que se cobraron al inicio,
precisamente por la concepción de que es un negocio de alto riesgo. Conger et al. ( 2009),
mencionan, “Como resultado, los reportes crediticios en el Perú, incluyen el llamado
historial positivo y un historial negativo, en otras palabras, una historia crediticia incluye
tanto el récord positivo de los pagos puntuales como la historia negativa de los pagos
atrasados e incumplimiento” (p.109).
47
De acuerdo con las cifras estadísticas macroeconómicas, presentadas por Mipyme, oficina
de estudios perteneciente al Ministerio de la Producción12, el 99% de las empresas en el
Perú, corresponden a la micro y pequeña empresa, (88% en el sector comercio y servicios
y 12% en la actividad productiva), participa del 60% del total de la población
económicamente activa (PEA), y del 40% del producto bruto interno (PBI). Asimismo,
como se muestra en el gráfico 10, el Perú, es el séptimo país en el mundo, con mayor
número de prestatarios y el segundo en tamaño de colocaciones en este sector.
Gráfico 10: Principales países por prestatarios y cartera en el mundo
Con lo anteriormente desarrollado, he presentado los antecedentes de las microfinanzas

en el Perú, desde la época de los ochenta, con la aparición de las primeras instituciones
financieras especializadas en este sector, la importancia de las microempresas en la
participación de algunos indicadores macroeconómicos, y el sitial ganado en el mundo,
con respecto al número de prestatarios. Asimismo, hago referencia a la importancia del
manejo del riesgo debido al incumplimiento de pago por parte del cliente, el mismo que
puede poner en peligro la sostenibilidad financiera de estas instituciones. A continuación,
presentaré, cuál ha sido la evolución de las microfinanzas en el Perú en los últimos años.
12
El Ministerio de la Producción es un órgano del poder ejecutivo en el Perú, que se encarga de
formular, aprobar, ejecutar y supervisar los niveles de producción, industria, manufacturera y pesquera.
48
2.6.2. Tecnología y Metodología Crediticia en las microfinanzas
Toledo (2009), indica que la “tecnología crediticia de microcréditos está referida a un

conjunto de principios, procedimientos, políticas desarrolladas por una institución que se
propone penetrar en el mercado financiero de la microempresa” (p.29). Es decir, es el
know how (saber cómo) y busca fundamentalmente sustituir las garantías tradicionales
que no tienen los microempresarios por un conjunto de prácticas que permitan equilibrar
los riesgos del negocio.
En base a la tecnología crediticia se utilizan mecanismos de selección y retención de

clientes, basándose en una evaluación del sujeto de crédito y de su situación familiar,
sobre la base de lo mencionado con el cliente, se tiene como objetivo establecer una
relación financiera que tiende a ser de largo plazo, con el fin de atender sus necesidades
financieras y del negocio.
Los principios de la Tecnología Crediticia son13:
Accesibilidad al crédito: Este es un principio básico del sector, para atender al mercado
de los clientes Independientes y responde al hecho que los microempresarios tienen
dificultades para acceder al crédito de la banca tradicional. Este principio se fundamenta
en poder tener un mejor conocimiento de las condiciones en la cual los clientes realizan
sus actividades, muchas veces, no tienen como sustentar la operatividad de su negocio,
por lo que se tiene que establecer condiciones flexibles para su demostración y así pueda
acceder al crédito.
Rapidez en el Servicio: Este es un elemento fundamental para atender al segmento

microempresario. El cliente tiene que aprovechar oportunidades de negocio, para ello es
importante la rapidez en su atención. Hoy en día con el desarrollo de la tecnología los
desembolsos son más rápidos, pudiendo el asesor de negocios tener información del
cliente en línea.
13
Fuente: José A. Ramírez Flores, “Principios de tecnología crediticia para Pymes”.
49
Crecimiento de los préstamos: Sucesión de préstamos crecientes, en función a la
puntualidad en el pago y evolución favorable del negocio y de sus ingresos. Es decir, el
crecimiento debe ser gradual, y empezar con un préstamo de capital de trabajo.
Análisis in situ: Es fundamental que el análisis que realiza el asesor de negocios sea en el
lugar o terreno donde funciona la microempresa.
Relación financiera a largo plazo: Se espera que la relación con el cliente sea a muy largo
plazo, donde se podrá apreciar la evolución del negocio y el cumplimiento de los pagos.
Metodología Crediticia: Referido a la forma básica de evaluar a los clientes del sector. “a
diferencia de la metodología tradicional de evaluación de créditos comerciales la
evaluación de la entidad microfinanciera es realizado por un asesor de negocios, que
determina la capacidad y voluntad de pago para el cumplimiento oportuno de sus
obligaciones”(Toledo, 2009, p.29).
Evaluación de la Voluntad de Pago. - Este aspecto se orienta a evaluar la moral de pago

del cliente, se busca obtener información sobre si es responsable, paga sus deudas, tiene
una vida familiar moderada, a través de terceros, como sus proveedores, propios clientes,
casas comerciales, dirigentes de los centros de abastos/asociación donde se encuentra,
vecinos del lugar de residencia y familiares. Esto, sobre todo es más exigente en los
primeros créditos, cuando no conocemos al cliente; en las renovaciones de préstamos el
cumplimiento de los pagos nos advierte sobre su voluntad de pago. La metodología se
sustenta en una evaluación cualitativa, Toledo (2009), indica:
- “Evaluación del carácter del cliente: donde se revisa la evaluación en las

centrales de riesgos y de personas relacionadas con el cliente, proveedores,
clientes y terceros (vecinos y/o familiares).
- Análisis de la gestión del negocio: consiste en revisar los aspectos
cualitativos del negocio, como la existencia del mismo (a través de la visita
In situ realizada por el Asesor), tiempo en el lugar del negocio, experiencia
como empresario, mejoras de crecimiento de su negocio, cuanto es el
tiempo dedicado al negocio, si cumple con los requisitos exigidos por la
municipalidad respectiva.
50
- Análisis la situación familiar: tiene como objetivo conocer la situación
cualitativa de la unidad familiar del cliente, calidad y tipo de vivienda
(propia o alquilada), número de dependientes a su cargo, situación de salud
de sus integrantes” (p.30).
Evaluación de la Capacidad de Pago.
Esta evaluación se focaliza en el análisis cuantitativo de la microempresa y de toda la

unidad familiar del cliente, con el fin de demostrar la factibilidad del crédito sobre la base
del cálculo del excedente familiar mensual14. El asesor procede a la elaboración del estado
de situación financiera y del estado de resultados del negocio, en algunos casos y depende
del monto el asesor tendrá que elaborar un estado de flujo de efectivo.
Proceso de otorgamiento de créditos
El proceso del otorgamiento de un crédito, ver gráfico 11, empieza:
- Prospección del cliente, es decir cómo se atrae al cliente, de qué manera se capta
al cliente, esto puede ser a través de campañas de ventas, o con el uso de bases de
prospección; estas bases son trabajadas con el uso de información que proporciona
el reporte crediticio de deudores que remite la SBS a las instituciones financieras,
una vez procesada la información, se distribuye a las agencias para que puedan
realizar las visitas respectivas a los clientes seleccionados.
- Solicitud del crédito, donde se realizan los registros correspondientes en los

sistemas de la institución, como el monto solicitado, toma de datos personales y
firma del cliente, consultas a las centrales de riesgos.
14
Excedente Familiar Mensual. - Indicador que mide el promedio total de ingresos mensuales menos el
total de gastos mensuales de la unidad familiar y es fundamental para el cálculo de la cuota mensual.
51
- Evaluación, considerada la parte más importante del proceso, donde el asesor
procede a realizar la evaluación de la operación de préstamo, dirigiéndose al
negocio y al domicilio del posible deudor, aplicando la metodología de evaluación
de capacidad y voluntad de pago mencionada anteriormente (ver anexo 3).
- Aprobación, luego la evaluación, la operación pasa por un comité de aprobación

o comité de crédito donde el asesor expone su caso y el comité puede aprobar,
rechazar u observar la operación. La aprobación de un crédito depende de los
niveles de autonomía de las autoridades en la agencia, (ver anexo 4).
- Formalización, se procede a la formalización del desembolso, normalmente está

etapa está a cargo de los funcionarios de operaciones, quienes toman las firmas de
los deudores en los contratos de préstamos, cronogramas de pago etc. (ver anexo
5), y realizan su contabilización respectiva.
- Desembolso, se procede al otorgamiento del dinero al deudor, puede ser en

efectivo, deposito en cuenta o a través de una línea de crédito; una vez
desembolsada la operación el asesor tiene que hacer seguimiento al cliente hasta
culminar con el pago del total de sus cuotas.
- Cobranzas, etapa donde se debe asegurar el pago de las cuotas, en los días de
atrasos tempranos, es el asesor quien se encarga del cobro, y si los días de impago
aumentan interviene el personal del área de cobranzas.
Como se aprecia en el gráfico 11, en todo el proceso de otorgamiento de créditos se

establecen pautas y controles, los cuales están contemplados en las respectivas normativas
de crédito, reglamentos, metodologías etc. Las cuales, obligatoriamente el asesor lo tiene
que cumplir. (El proceso de otorgamiento de créditos descrito, es en general para todas
las instituciones microfinancieras).
52
Gráfico 11: Proceso de otorgamiento de créditos microfinancieros
Fuente: Elaboración propia
2.6.3. Evolución de las microfinanzas en el Perú
La micro y pequeña empresa en el Perú, desde los años ochenta, ha venido

desarrollándose en forma creciente y escalonada, sobre todo en los últimos años,
utilizando principios de la tecnología crediticia para la evaluación de sus operaciones,
considerando entre ellas, la accesibilidad al crédito, estableciendo una relación a largo
plazo con el cliente y otorgando créditos escalonados sin garantías. En el mercado
peruano participan diversas instituciones reguladas y no reguladas, estas instituciones
fueron creadas con el fin de apoyar en el crecimiento financiero de los pequeños
emprendedores promoviendo el acceso al crédito a este sector que comúnmente no era
atendido por la banca tradicional.
El sector de instituciones microfinancieras (IMF) en el Perú, según información de la

Superintendencia de Banca Seguros y AFP a diciembre 2019, está conformado por: un
banco comercial especializado: Mibanco, El Banco de la Microempresa, como hemos
indicado anteriormente tuvo su inicio desde una ONG; También por 7 (siete),
instituciones Financieras especializadas, 12 (doce) cajas municipales de ahorro y crédito
53
(CMAC), 6 (seis) cajas rurales de ahorro y crédito (CRAC), 5 (cinco) empresas de
desarrollo de pequeñas y microempresas o también llamados (Edpymes), 47 (cuarenta y
siete) cooperativas de ahorro y crédito especializadas (CAC) y 12 (doce) organismos no
gubernamentales (ONG). Un total de 90 (noventa) entidades especializadas en
microfinanzas. Fuente obtenida del informe del (Consorcio de Organizaciones Privadas
de Promoción al Desarrollo de la Pequeña y Microempresa) (COPEME -Microfinanzas,
2019).
Para efectos de esta investigación consideraré la información que se tiene disponible de

la Superintendencia de Banca y Seguros, donde solo se encuentran registradas las
instituciones reguladas; no se cuenta con información disponible de las ONG ni de las
Cooperativas especializadas, estas últimas, son representadas por una organización de
integración cooperativista FENACREP15
En la figura 7, de acuerdo con la información presentada por (ASOMIF, 2018) 16 se puede

observar el crecimiento de la cartera de colocaciones año tras año, desde el 2015 al 2018,
registrando un incremento del 12.12% entre el 2015 y el 2016, un 13,68% entre el 2016
y 2017 y, aunque con un crecimiento menor, del 8.72%.
Figura 7: Evolución de la cartera microfinanciera 2015 -2018
Fuente: Reporte ejecutivo microfinanciero ASOMIF– diciembre 2018
15
Organización fundada abril 1959, que realiza actividades de representación, defensa, educación,
asistencia técnica a las cooperativas de ahorro y crédito. https://www.fenacrep.org/
16
ASOMIF – Asociación de Instituciones de Microfinanzas en el Perú. Institución que nace por un acuerdo
de los miembros de las Cajas Rurales y Edpymes del Perú, para un fortalecimiento de los gremios.
54
En la figura 8, se observa un incremento constante de los depósitos del microempresario,
teniendo una variación incremental del 12.5% del 2015 al 2016; incremento del 15.8%
del 2016 al 2017 y del 12.88% a diciembre 2018. Los productos ofrecidos por esta banca,
son los depósitos en ahorros, a plazos y CTS (compensación por tiempo de servicios), en
muchos casos está banca presenta atractivas tasas de interés. Vale mencionar, la
importancia de este producto, toda vez que facilita la inclusión financiera de los
microempresarios, permitiéndoles acceder al sistema financiero formal. (Microscopio
global de 2019: El entorno propicio para la inclusión financiera y la expansión de los
servicios financieros digitales, 2019), hace referencia a que el Perú, se encuentra entre
los tres primeros países de Latinoamérica, junto con Colombia y Uruguay con los mejores
desarrollos de su infraestructura para la inclusión financiera.
Figura 8: Evolución de los depósitos en las instituciones microfinancieras
Fuente: Reporte ejecutivo microfinanciero ASOMIF– diciembre 2018
A continuación, en el gráfico 11, se observa la evolución de la calidad de la cartera de las

instituciones microfinancieras entre los años 2015 y 2018; indicador clave para este
trabajo de investigación, donde lo analizaremos a profundidad. Este indicador muestra
que a partir del 2016 en adelante la calidad de la cartera de alto riesgo17, se ha venido
17
Cartera de alto riesgo: Según SBS es la cartera vencida + cartera refinanciada/reestructurada + cartera
en cobranza judicial – Glosario de términos
55
deteriorando en todo el sistema microfinanciero, esto producto de diversos tipos de
factores externos e internos, que será explicados más adelante.
Gráfico 12: Evolución de la calidad de cartera de las microfinanzas en el Perú
Elaboración propia: datos del reporte ejecutivo microfinanciero COPEME
2.6.4. Indicadores de las instituciones de microfinanzas en el Perú - 2019
A continuación, presentaré información de las instituciones microfinancieras al cierre del

2019, estos cuadros los he elaborado, compilando la información del reporte financiero
de (COPEME -Microfinanzas, 2019), donde se va a revisar con varios indicadores, cual
es la situación reciente para este sector y sobre todo recalcar él porque, esta investigación
tiene como alcance a las Cajas Municipales de Ahorro y Crédito, quienes han tenido una
sostenida expansión en las últimas décadas.
En la tabla 3, que se presenta a continuación, se puede aprecia, con respecto a los saldos
de cartera de créditos, que las CMAC, tiene un 50 % del total del mercado microfinanciero,
seguido, muy por debajo por las Financieras especializadas y Mibanco, asimismo, el
porcentaje de participación de las Cajas Rurales de Ahorro y Crédito (CRAC) y de las
Edpymes tienen poca representatividad en el sistema.
56
Llama la atención que siendo el promedio de los créditos S/ 7.5 mil aproximadamente, en
este sector, las CMAC están 1.5 veces más, es decir tienen un crédito promedio mayor
que el resto, este es un indicador importante porque puede dar un indicio del tamaño de
crédito que están ofreciendo. Con respecto a los depósitos vemos que los
microempresarios direccionan más sus capitales a las CMAC, donde poseen el 58% del
total de depósitos del todo el sector.
Tabla 3 : Cartera de créditos y depósitos - 2019
CARTERA Y DEPOSITOS DIC 2019 Mibanco Financieras CMAC CRAC EDPYMES Totales
Saldo créditos Totales (Mill S/.) 10,630 22% 11,429 24% 23,577 50% 1,511 3% 415 1% 47,562
Saldo Crédito Promedio Total (S/.) 10,914 144% 5,041 66% 11,593 153% 8,341 110% 2,078 27% 7,593
Saldo Depósitos Total (Mill S/.) 8,339 21% 7,502 18% 23,393 58% 1,347 3% - 0% 40,581
Elaboración propia: adaptadas de cifras presentadas por la SBS 2019
A continuación, en la tabla 4, se observa los indicadores de solvencia, apalancamiento,

productividad y eficiencia; con respecto al apalancamiento (pasivo/patrimonio), las
empresas están por encima de 4, (a excepción de las Edpymes), esto muestra la posible
gran participación de las cuentas pasivas (depósitos y ahorros), igualmente las CMAC,
son las que tienen un mayor apalancamiento. La composición de los depósitos/pasivos,
en más del 90% las tienen las CMAC, seguida por las Cajas Rurales de Ahorro y Crédito
(CRAC). El ratio, depósitos/cartera total se observa a las CMAC con el 99%, seguida por
las CRAC, esto indica lo involucrado de las cuentas pasivas en el total de colocaciones.
Con respecto a la productividad y eficiencia, se observa, que más de 53 mil personas,

laboran en estas instituciones, lo que es un indicador de empleabilidad en la industria
microfinanciera, de los cuales el 42% laboran en las CMAC, siendo en estas mismas las
que tienen el mayor saldo de créditos por empleado. Con respecto al número de créditos
por empleado, son las Financieras especializadas las que tienen un mayor indicador,
donde se entiende que por cada empleado estas tienen 154 créditos, seguido por las
Edpymes con 127 créditos por empleado.
57
Para algunos autores, como Lozano (2007), indica que “La eficiencia de las
microfinancieras está definida entre otros aspectos por el número de clientes atendidos
por empleado; sin embargo, cuando se tienen deficiencias en la capacitación o
profesionalismo del personal, no se cuenta con la institucionalización adecuada, el
incremento en el número de acreditados atendidos por empleado puede ocasionar que se
pierda el control de la cartera determinando calidad de esta” (p.173).
Si se compara el saldo de depósitos por empleados, son las CMAC las que tienen el mayor
indicador, seguido muy de lejos por las demás instituciones. Esto reafirma la confianza
que tienen los ahorristas en estas CMAC.
Tabla 4 : Indicadores de solvencia y productividad entidades especializadas en

microfinanzas – 2019
Mibanco Financieras CMAC CRAC EDPYMES
SOLVENCIA Y APALANCAMIENTO
Pasivo / Patrimonio (N° veces) 5.7 4.3 6.6 5.1 1.2
Depósitos / Pasivos (%) 74.6 68.8 90.6 87.3 -
Depósitos / Cartera Total (%) 78.4 65.6 99.2 89.1 -
PRODUCTIVIDAD Y EFICIENCIA
N° Empleados 11,663 14,677 22,626 2,450 1,569
Saldo Créditos / Empleado (Miles S/.) 911 779 1,042 617 264
N° Créditos / Empleado 84 154 90 75 127
Saldo Depósitos / Empleado (Miles S/.) 715 511 1034 550 -
Elaboración propia: Cifras presentadas por la SBS 2019
La tabla 5, presentada a continuación, muestra la calidad de la cartera de créditos por

entidad especializada y la cobertura de provisiones; con respecto a la cartera de alto riesgo,
(que se ha indicado, es la cartera vencida, más la cartera refinanciada/reestructurada, más
la cartera en cobranza judicial), se observa, con mayor riesgo a las CRAC con el 11.5%,
sin embargo, ya se ha indicado que estas instituciones participan con muy poco saldo de
créditos en el sistema; seguida de estas, se observa a las CMAC, las que tienen el
indicador de riesgo por impago de créditos, al más elevado con 8.80%.
Adicionalmente, se observa, que estas mismas instituciones no llegan al 100% de

provisiones de cartera, (entiéndase por provisiones a la cobertura que constituyen las
58
instituciones por los préstamos impagados de los clientes), a más cobertura se tenga, más
fortaleza tiene la institución. Se observa a Mibanco y a las Edpymes, que constituyen
mayores coberturas.
Tabla 5 : Calidad de cartera por entidades especializadas en microfinanzas – 2019

CALIDAD DE CARTERA Mibanco Financieras CMAC CRAC EDPYMES Totales
Cartera en Alto Riesgo - Total (%) 6.40 6.90 8.80 11.50 6.40 7.90
Provisiones / Cartera en Alto Riesgo (%) 140 114 99 101 130 110
El siguiente indicador, presentado en la tabla 6, está referido al comportamiento de las

tasas de interés activa promedio de todo el sistema financiero peruano, esta información
se presenta por tipo de crédito según el ente regulador. En este cuadro, se observa que los
créditos de microempresas están en el promedio del 44% y 45%, y el de pequeña empresa
entre el 22% y el 24%; cabe indicar que las instituciones microfinancieras especializadas,
concentran casi toda su cartera entre estos dos tipos de créditos; la sobreoferta de
instituciones, hace que las tasas de interés activas vengan a la baja en todos los tipos de
créditos, tal como se aprecia en el siguiente cuadro entre los años 2018 y 2019.
Tabla 6 : Tasas de interés activas – Sistema Financiero Peruano
Tipo de crédito Tasa Dic -19 -Tasa

% Dic-18 %
Corporativo 3.97% 5.05%
Grandes Emp. 6.09% 6.46%
Medianas Emp. 9.53% 10.39%
Pequeñas Emp. 24.11% 22.20%
Microempresas 44.43% 45.33%
Consumo 45.41% 46.89%
Hipotecario 7.27% 7.95%
De lo presentado, se ha revisado como ha sido la evolución de la microfinanzas en el Perú,

y del comportamiento de las instituciones especializas en este sector, tomando en
consideración las cifras elaboradas y disponibles en la Superintendencia de Banca y
Seguros en el Perú y de instituciones diversas que emiten reportes de interés para esta
59
investigación. A continuación, presentaré información sobre las Cajas Municipales de
Ahorro y Crédito, grupo de instituciones que serán objeto de estudio en el presente trabajo
de investigación.
2.7. Cajas Municipales de Ahorro y Créditos
2.7.1. Antecedentes
En el Perú existen diversas instituciones especializadas en la atención de la micro y

pequeña empresa; como parte de estas, se encuentran las Cajas Municipales de ahorro y
crédito, o con sus siglas (CMAC), estas rigen de acuerdo con la ley 26702, Ley General
del Sistema financiero y del sistema de seguros y del sistema financiero peruano,
aparecieron en los años ochenta. Una caja es una institución financiera regulada por el
estado, de propiedad de los gobiernos municipales de cada provincia, que reciben
depósitos y son especializadas en el otorgamiento de créditos a la micro y pequeña
empresa en el Perú; económicamente buscan un crecimiento constante rentable y
sostenible en el tiempo.
Romero (2010), indica que una Caja Municipal es “aquella institución que capta recursos
del público y cuya especialidad consiste en realizar operaciones de financiamiento,
preferentemente a las pequeñas y micro empresas”. Son entidades sin fines de lucro, todas
ellas tienen autonomía, administrativa, financiera, económica, y participan de la
descentralización de los servicios financieros, contribuyendo al desarrollo económico y
social en el Perú.
Todas las Cajas Municipales de Ahorro y Crédito, tiene representación a través de la

FEPCMAC18 (Federación Peruana de Cajas Municipales de Ahorro y Crédito), la misma
que es una institución formada con autonomía económica, financiera y administrativa.
18
FEPCMAC - Federación Peruana de Cajas Municipales de Ahorro y Crédito, se creó mediante decreto
supremo N° 191 -86, y se rige por DS 157-90, que norma el funcionamiento de las CMAC en todo el país.
60
Esta institución brinda asesoría, apoyo legal y asegura la transparencia de la gestión
operativa y administrativa, promoviendo las economías de escala.
2.7.2. Indicadores Cajas Municipales de Ahorro y Crédito
En total, son 12 instituciones las que conforman las Cajas Municipales de Ahorro y
Crédito; de acuerdo con los estados de situación financiera, mostradas en la tabla 7, tienen
una cartera de créditos totales de 23,577 millones de soles, siendo la más representativa
entre ellas, la Caja Municipal de Arequipa, ubicada en la zona sur del Perú. Sus activos
totales están por los casi 30mil millones de soles, asimismo se observa un que los pasivos
son de casi 26 mil millones, todas ellas con un patrimonio de 3.5mil millones de soles, lo
que correspondería una ratio de 7,26 de apalancamiento financiero, explicado por la gran
cantidad de los depósitos de los ahorristas.
Tabla 7 : Estado de Situación Financiera CMAC - (millones S/.)

ESTADO DE SITUACION FINANCIERA - DIC 2019
ENTIDADES Cartera Activo Pasivo
Patrimonio
Total Total Total
CMAC Arequipa 5,277 6,207 5,426 781
CMAS Cusco 3,101 3,775 3,232 543
CMAC Del Santa 95 172 144 28
CMAC Huancayo 4,505 5,124 4,499 626
CMAC Ica 1,101 1,381 1,166 215
CMAC Lima 365 463 370 93
CMAC Maynas 402 490 406 84
CMAC Paita 115 163 131 32
CMAC Piura 3,860 5,547 4,986 561
CMAC Sullana 2,238 2,934 2,632 302
CMAC Tacna 811 1,047 907 140
CMAC Trujillo 1,707 2,396 1,916 150
Total 23,577 29,699 25,814 3,555
De acuerdo con la tabla 8, Estado de resultados, se observa lo correspondiente a los

ingresos y gastos de cada institución, dos indicadores llaman la atención, el de gastos
operativos, que en promedio representa el 51% del total de los ingresos financieros; estos
gastos incluyen lo concerniente a los de recursos humanos; la administración de los gastos
operativos, se convierte en un pilar fundamental en cada institución microfinanciera;
Lozano (2007), indica que “es recomendable que las microfinancieras cuenten con
61
procesos uniformes bien establecidos, mediante manuales y políticas escritas donde se
expliciten los controles sobre aprobación administración y cobranza; estableciendo un
perfil bien definido para la contratación de personal y manteniendo una capacitación
constante” (p.182).
Este es el gran reto que tienen las cajas municipales, poder administrar correctamente la
gestión de estos gastos, donde la dirección tiene que estar alineada con el fin de mejorar
y optimizar los procesos. El otro indicador que llama la atención, es el de provisiones,
representado por el 16% del total de ingresos, este indicador está relacionado
directamente con el mal comportamiento de pago de los clientes.
Tabla 8 : Estado de resultados CMAC- (Millones S/.)

ESTADO DE RESULTADOS (EGYP) -Diciembre 2019
ENTIDADES Ingreso Gastos Gastos Utilidad
Provisiones
Financiero Financieros Operativo Neta
CMAC Arequipa 1,065 22% 220 21% 478 45% 192 18% 139 13%
CMAS Cusco 568 12% 139 24% 271 48% 70 12% 78 14%
CMAC Del Santa 26 1% 7 28% 21 80% 3 11% -4 -14%
CMAC Huancayo 848 18% 203 24% 431 51% 115 14% 103 12%
CMAC Ica 232 5% 54 23% 115 49% 33 14% 27 11%
CMAC Lima 92 2% 18 20% 56 61% 27 29% 2 2%
CMAC Maynas 90 2% 21 24% 50 56% 11 13% 7 7%
CMAC Paita 38 1% 8 21% 26 67% 6 17% -0 -1%
CMAC Piura 821 17% 220 27% 429 52% 130 16% 66 8%
CMAC Sullana 441 9% 157 36% 237 54% 95 21% 1 0%
CMAC Tacna 162 3% 47 29% 80 49% 47 29% -4 -3%
CMAC Trujillo 361 8% 84 23% 204 57% 49 14% 34 9%
Total 4,744 100% 1,177 25% 2,396 51% 777 16% 447 9%
Elaboración propia: Se toman los datos presentados por la - SBS 2019
Otro indicador que llama la atención es el de provisiones, 16% en promedio del total de
los ingresos, este indicador está relacionado directamente con la morosidad que presentan
las instituciones. La importancia de este indicador está relacionada con el objeto de
estudio de la presente investigación.
En la siguiente tabla 9, se observa la participación de las Cajas Municipales de Ahorro y

Crédito agrupados por sectores económicos, como se ha referido anteriormente, el
objetivo de estas instituciones es el tener un impacto económico y financiero, en los
sectores de producción, comercio y servicios.
62
De lo presentado, se observa que poco más del 83% de sus operaciones de créditos, se
concentran en los sectores de comercio y servicios, y con una participación en el sector
producción del 9.1%, y agropecuario con el 7.8%. Se observa, una gran oportunidad para
que estas instituciones puedan dirigir sus operaciones en apoyar más la agroindustria y el
sector producción, toda vez que en son en las provincias donde se tiene mayor actividad
agropecuaria y productiva.
Tabla 9 : Participación - Sector Económico CMAC

SECTORES ECONÓMICOS - DIC 2019
ENTIDADES
Agropecuario Producción Comercio Servicios
CMAC Arequipa 5.0% 9.8% 45.0% 40.2%
CMAS Cusco 6.1% 10.3% 38.6% 45.1%
CMAC Del Santa 13.2% 5.3% 52.1% 29.4%
CMAC Huancayo 4.9% 13.1% 33.5% 48.4%
CMAC Ica 9.4% 5.9% 22.0% 62.7%
CMAC Lima 2.1% 7.5% 40.9% 49.5%
CMAC Maynas 4.2% 5.2% 45.9% 44.7%
CMAC Paita 15.0% 13.5% 51.2% 20.3%
CMAC Piura 9.5% 10.7% 41.5% 38.3%
CMAC Sullana 11.8% 11.3% 51.1% 25.7%
CMAC Tacna 7.0% 9.4% 47.2% 36.3%
CMAC Trujillo 5.6% 7.1% 41.4% 46.0%
Total 7.8% 9.1% 42.5% 40.6%
A continuación, se presenta en la tabla 12, la evolución de la cartera de alto riesgo en las

CMAC, (considerando a los créditos vencidos, los créditos refinanciados y los créditos
en cobranza judicial); el incremento de este indicador de riesgo es constante durante los
últimos cuatro años. Precisamente el fin de esta investigación es determinar, cuáles son
los principales factores que impactan en el crecimiento de este indicador de estas
instituciones.
Se entiende que esta cartera en riesgo, traducida en un indicador por incumplimiento de

pago, puede llevar a las instituciones a tener problemas en su sostenibilidad financiera y
económica ya que se incrementaría su nivel de gastos por provisiones de créditos. El
conocer estos indicadores y al analizar cuáles son factores determinantes, llevará a tener
una mejor gestión de riesgos y por ende mejor toma de decisiones empresariales.
63
Gráfico 13: Cartera de Alto Riesgo – evolución CMAC
En el gráfico14, se presenta un organigrama modelo de cómo es la estructura interna de

una CMAC, en ellas, a diferencia de las instituciones financieras tradicionales, donde la
empresa está dirigida por una gerencia general, en este tipo de empresas se presenta una
gerencia mancomunada 19 , trabajando en modo coparticipativo entre las gerencias de
negocios, administración y finanzas-operaciones, todas orientas a un solo fin.
Osorio (2015), en una investigación publicada indica una conclusión para tener en cuenta,
“la elevada rotación de la gerencia mancomunada en una caja municipal de ahorro y
crédito, no permite un adecuado planeamiento a largo plazo, debido al bajo cumplimiento
del plan estratégico” (p.117).
19
Mancomunado está referido a la acción de mancomunar, proviene del latín “mancomun”, cuyo
significado es manos comunes o conjuntas, aludiendo a lo que se hace de modo coparticipativo en vistas
de un único fin. Fuente: https://deconceptos.com/ciencias-juridicas/mancomunado
64
Gráfico 14: Organigrama Cajas Municipales de Ahorro y Crédito
Junta General de
Accionistas
Comité de
Directorio Riesgos
Asesoría
Legal Auditoría
Gerencia
Mancomunada
Gerencia de Operaciones
Gerencia de Administración Gerencia de Negocios
y Finanzas
Talento
Finanzas Comercial
Humano
Recursos
Logistica Tecnología
Humanos
Contabilidad Procesos Marketing
Elaboración propia: Adaptado de diferentes organigramas revisados CMAC
2.7.3. Aspectos Legales y Jurídicos
Desde 1976, el estado peruano ha establecido un Marco Legal para las micro y pequeñas
empresas, tendiendo constantes cambios en su evolución, ver (Anexo 1), de acuerdo con
el último Decreto Legislativo 28015 20 , emitido el 2003, se menciona que La ley de
promoción y formalización de la micro y pequeña empresa, “es la ley marco vigente que
tiene por objeto la promoción de la competitividad, formalización y desarrollo de las
micro y pequeñas empresas para incrementar el empleo sostenible, su productividad y
rentabilidad, su contribución al producto bruto interno, la ampliación del mercado interno
y las exportaciones y las exportaciones a la recaudación tributaria”.
Respecto a las Cajas Municipales de Ahorro y Crédito, se crearon en mayo de 1980,

publicado en Decreto Ley n° 23039, donde sus actividades se rigen por Decreto Supremo
n° 157-90, el cual tiene un rango de ley, asimismo se rigen por la Ley General del Sistema
Financiero y del Sistema de Seguros y Orgánica de la Superintendencia de Banca y
20
Ley de promoción y formalización de la micro y pequeña empresa a sus inicios fue una ley muy limitada
por lo que posteriormente se modificó para que las microempresas aseguren competitividad y se puedan
otorgar empleos en buenas condiciones.
65
Seguro, Ley 26702 y todas sus normas modificatorias 21 . Desde los años ochenta, las
diversas instituciones municipales en todo el país, constituyeron las CMAC, las cuales
operan en el sistema financiero peruano, el mismo que está regulado. A continuación,
presentaré las leyes, resoluciones, normas que rigen para las CMAC.
Ley de Bancos 26702
Ley general del sistema financiero y del sistema de seguros y orgánica de la

Superintendencia de Banca y Seguros. Creada con la finalidad de permitir las condiciones
favorables que puedan propiciar el sistema financiero peruano, sólido y competitivo.
Entre los artículos que hace referencia a las CMAC indican.
- Artículo 13: Las Cajas Municipales de Ahorro y Crédito y Cajas Municipales de

Crédito Popular se regirán por la legislación que les es propia y las normas que
señala la presente ley.
- Artículo 286.- Operaciones Realizables: Las Cajas Municipales de Ahorro y
Crédito pueden realizar las operaciones autorizadas por sus leyes especiales; entre
otras las de captar ahorros del público y otorgar préstamos.
Resolución SBS 11356 – 2008 – Reglamento para la evaluación y clasificación del

deudor y la exigencia de provisiones.
En el Perú, se tiene al ente regulador de todas las instituciones financieras, incluidas las
CMAC, la Superintendencia de Banca, Seguro y AFP, en su “Reglamento para las
evaluación y clasificación del deudor y la exigencia de provisiones”22 , presenta, tomando
en consideración a los días de atraso, la calificación crediticia que cada deudor debe de
tener. A mayor días de incumplimiento de pago, mayor será la constitución de provisiones
que cada institución deba hacer; así por ejemplo en las tablas 10 y 12, que se muestran a
continuación, se observa la información correspondiente indicada por la norma para los
clientes de la micro y pequeña empresa en el Perú.
21
Oficio 9017 – 2017 – Superintendencia de Banca Seguros y AFP – República del Perú.
22
Resolución Superintendencia de Banca, Seguro y AFP – N° - 11356. Recuperado en:
http://www.sbs.gob.pe/Portals/0/jer/pfrpv_normatividad/20160719_Res-11356-2008.pdf
66
La presente norma, muestra a dos grandes grupos de tipos de créditos:
• Deudor Minorista: Denominado a la persona natural o jurídica que cuente con

créditos directos o indirectos clasificados como de consumo (revolventes y no
revolventes), Microempresas, Pequeñas empresas o Hipotecarios para vivienda.
Aquí se encuentra el microempresario.
• Deudor No Minorista: Persona natural o jurídica que cuenta con créditos directos
o indirectos a Corporativos, a Grandes Empresas o a Medianas Empresas.
Tabla 10 : Resolución SBS n° 11356-2008 – Según tipo de crédito.

Tipos de crédito Características
Personas naturales o jurídicas.
Pequeñas empresas Nivel de endeudamiento en sistema financiero es ˃ S/ 20,000 pero no

˂ S/ 300,000
en los últimos seis meses.
Personas naturales o jurídicas.

Microempresas
Nivel de endeudamiento en sistema financiero es no ˂ S/ 20,000 en
los últimos seis meses.
Elaboración propia. Adaptado de Resolución SBS n° 11356-2008. Se ha tomado en cuenta solo a lo
correspondiente a la micro y a la pequeña empresa, tener en cuenta que se tiene otros tipos de créditos,
como, la banca corporativa, la gran empresa, mediana empresa, créditos de consumo e hipotecario para
vivienda.
En la tabla 11, se menciona cual es la estructura de los préstamos por tipo de crédito de
todas las CMAC, según la clasificación de la SBS, en ella se observa que los créditos de
microempresa y pequeña empresa, suman un 62%, (dentro de estos tipos de créditos se
encuentran los destinados al capital de trabajo), asimismo un 21.4% de los
microempresarios destina la deuda al consumo, y un 6.4%, es destinado a las compras de
sus viviendas. Parte de esta investigación es analizar porque las CMAC, están entregando,
en algunos casos, créditos de montos altos, clasificados por la SBS como los deudores no
minoristas, que es precisamente una de las variables que se va a considerar en este trabajo.
67
Tabla 11 : Estructura por tipo de crédito - CMAC
TIPO DE CRÉDITO - ESTRUCTURA DICIEMBRE 2019
ENTIDADES Corpora Gran Mediana Pequeña Micro Hipotec
Consumo
tivo Empresa Empresa Empresa empre ario
CMAC Arequipa 4.8% 0.0% 3.6% 43.4% 21.9% 21.7% 4.5%
CMAS Cusco - 0.3% 10.1% 40.7% 17.6% 26.6% 4.7%
CMAC Del Santa - - 11.4% 43.7% 25.7% 19.2% -
CMAC Huancayo 0.9% 0.1% 4.7% 39.1% 22.4% 24.0% 8.8%
CMAC Ica 0.3% 0.0% 3.3% 45.0% 18.6% 27.7% 5.1%
CMAC Lima 0.2% - 19.1% 26.3% 10.5% 35.1% 8.8%
CMAC Maynas 4.8% 0.5% 11.6% 38.1% 16.4% 24.0% 4.6%
CMAC Paita - - 4.0% 38.3% 36.2% 21.5% -
CMAC Piura - 1.2% 19.9% 42.6% 18.8% 12.2% 5.3%
CMAC Sullana - 0.4% 8.8% 48.1% 17.3% 15.7% 9.7%
CMAC Tacna - 0.1% 5.4% 47.1% 17.0% 29.0% 1.3%
CMAC Trujillo 2.6% 0.0% 5.1% 44.0% 16.9% 20.3% 11.1%
Total 1.5% 0.3% 8.4% 42.4% 19.6% 21.4% 6.4%
Elaboración propia: Se toman los datos presentados - SBS 2019
La Resolución 11356, también indica sobre las provisiones que deben de constituir las
empresas del sistema financiero por cada tipo de crédito (estas provisiones se constituyen
según la clasificación del cliente), se entiende por provisión, a la cantidad de dinero que
debe de “guardar” la empresa, como cobertura de un no pago del crédito y este debe de
ser considerado como un gasto en los estados de resultados de las entidades financieras.
Estar provisiones pueden ser:
- Provisión Genérica: Las provisiones genéricas son aquellas que se constituyen de

manera preventiva, con relación a créditos directos clasificados en categoría
normal.
- Provisión Específica: Son aquellas que se constituyen de manera preventiva con

relación a los créditos directos y se aplican a los créditos de clientes clasificados
en categorías de riesgo mayor a Normal.
- Provisión Procíclica: Se trata de un componente en porcentaje adicional que se le

aplica a la categoría normal, siempre y cuando, el promedio de variación en
porcentaje del Producto Bruto Interno (PBI)23 en los últimos años sea mayor a 5%.
23
PBI. - es el valor de todos los bienes y servicios que se producen en un período de tiempo en el país.
68
Cabe indicar que este componente a pesar de estar vigente no está activo por que
la economía en el Perú se encuentra muy por debajo del 5% del PBI.
Tabla 12 : Clasificación Crediticia según Resolución SBS n° 11356 - 2008

Tasa de provisión
Categorías de clasificación crediticia
y por días de atraso
Genérica Específica
Normal (de cero a 8 días) 1% -
Problemas potenciales (de 9 a 30 días) - Entre 5% y 1.25%
Deficiente (de 31 a 60 días) - Entre 25% y 6.25%
Dudoso (de 61 a 120 días) - Entre 60% y 15%
Pérdida (más de 120 días) - -

Elaboración propia. Adaptado de Resolución SBS n° 11356-2008.
A continuación, se presenta la clasificación crediticia de las principales entidades

microfinancieras al cierre de diciembre 2019, en ella se observa que las CMAC son las
entidades cuyo indicador de clasificación normal es el más bajo, al igual que el indicador
de pérdida es el más alto entre las demás instituciones especializadas. Esta información,
muestra una vez más el problema que está sucediendo con el tema del indicador de
morosidad por días de atraso de las CMAC, cuya relación e impacto está directamente
relacionado con el riesgo de crédito.
Tabla 13: Clasificación crediticia CMAC comparadas - 2019

Mibanco Financieras CMAC
Participación 22% 24% 50%
NOR (A)
91.68% 88.46% 87.88%
CP (B)
1.87% 3.02% 2.83%
DEF (C)
1.11% 2.11% 1.51%
DUD (D)
2.00% 3.32% 2.10%
PER (E)
3.34 3.08% 5.68%
Elaboración propia: adaptada información SBS diciembre 2019
69
Resolución SBS 37 – 2008 – Reglamento de la Gestión integral de Riesgo.
Las Cajas Municipales de Ahorro y Crédito, están sujetas a esta resolución emitida por el
ente regulador. En ella explica todas las definiciones de los diferentes Riesgos que tienen
las entidades financieras, (las mismas que serán utilizadas en el marco teórico de la
investigación), refiere a como se debe realizar la gestión de riegos en todas las
instituciones financieras. Como parte de sus componentes, de acuerdo con esta norma son:
- Tener un Ambiente Interno con valores y normas éticas, moral de sus funcionarios,
una adecuada infraestructura organizacional.
- Establecimiento de objetivos: Todos los objetivos deben estar alineados a la
misión y visión de las instituciones.
- Identificar los riesgos: Proceso en el cual deben de identificar riesgos internos o
externos.
- Evaluar los riegos: Las empresas tienen que evaluar, sus riesgos, ver el impacto
negativo que pueda tener en ellas.
- Tratamiento: Proceso en el cual se considera el apetito y la tolerancia al riesgo de
la institución.
- Información y comunicación: Proceso en el cual se transmite la información
apropiada y oportuna, tanto para personal interno o externo.
- Monitoreo: Proceso donde se realiza una evaluación continua sobre la gestión de
riesgos.
(“Superintendencia de Banca, Seguro y AFP,” 2008), dentro de sus disposiciones

generales indica: Este reglamento: “También será de aplicación a las Administradoras
Privadas de Fondos de Pensiones (AFP), Cajas Municipales de Ahorro y Crédito (CMAC),
la Caja Municipal de Crédito Popular, el Fondo de Garantía para Préstamos a la Pequeña
Industria (FOGAPI), el Banco de la Nación, el Banco Agropecuario, la Corporación
Financiera de Desarrollo (COFIDE), el Fondo MIVIVIENDA S.A., las Derramas y Cajas
de Beneficios bajo control de la Superintendencia, la Federación Peruana de Cajas
Municipales de Ahorro y Crédito (FEPCMAC) y el Fondo de Cajas Municipales de
Ahorro y Crédito (FOCMAC), en tanto no se contrapongan con las normativas específicas
que regulen el accionar de estas empresas”.
70
ENIF (Estrategia Nacional de Inclusión Financiera)
Es un instrumento de política de Estado, creado por el Ministerio de Economía y Finanzas

en el Perú, y está conformado por una comisión multisectorial que permiten conocer el
grado de servicios financieros y su acceso a estos, con el fin de promover la inclusión
financiera en el Perú. De acuerdo con la información revisada, el estado peruano creó
políticas para incentivar la inclusión financiera, a continuación, un extracto de lo indicado
en norma:
El Estado Peruano asumió el compromiso en diversos foros de discusión

mundial, de priorizar la inclusión financiera en la agenda nacional, y de
establecer los mecanismos necesarios que permitan articular la labor de los
agentes involucrados para alinear esfuerzos hacia objetivos comunes. A
partir de ello, se generó la necesidad de establecer los lineamientos
necesarios para articular las políticas e intervenciones promotoras de
inclusión financiera, así como contar con una estructura de coordinación
al más alto nivel que asegure la institucionalidad necesaria para mantener
la continuidad de las políticas de inclusión financiera. (ENIF, 2015, p.3)
En este contexto las Cajas Municipales de Ahorro y Crédito vienen a ser parte de las
instituciones que deben de cumplir con lo especificado en la norma, y son precisamente
estas instituciones, las que nacieron con ese fin, de atender a las personas con bajos
recursos, insertándolos al sistema financiero, con otorgamiento de créditos o con el
ofrecimiento de tener depósitos. El enfoque de las CMAC, va alineado a lo que impulsa
el gobierno peruano.
El objetivo de esta estrategia diseñada por el gobierno, es aumentar el bienestar

económico de las personas con pocos recursos, con el fin de generar su inclusión
financiera. De acuerdo con lo señalado en esta estrategia, son cinco los objetivos
establecidos:
- Objetivo Prioritario 1: Generar una mayor atracción y confianza de todos los

segmentos de la población en el sistema financiero.
- Objetivo Prioritario 2: Contar con una múltiple oferta de servicios financieros
suficiente y adecuada a las necesidades de la población.
- Objetivo Prioritario 3: Mitigar las fricciones en el funcionamiento del mercado.
71
- Objetivo Prioritario 4: Desarrollar infraestructura de telecomunicaciones y
plataformas digitales para incrementar la cobertura de servicios financieros.
- Objetivo Prioritario 5: Fortalecer los mecanismos de articulación de esfuerzos
institucionales. (información obtenida de la página oficial - ENIF)
2.8. Resumen del capítulo
En este capítulo, se ha explicado cuales fueron los antecedentes de las microfinanzas en

el mundo, la importancia del nacimiento del primer banco dirigido a los más pobres, los
diferentes tipos de enfoque que han tenido las microfinanzas, convirtiendo el
otorgamiento de créditos como uno de los mecanismos más efectivos para reducir la
pobreza en el mundo; asimismo como ha sido la evolución de las microfinanzas en
Latinoamérica, donde el Perú es uno de los países con mayor participación en la atención
de este sector.
La microempresa y las microfinanzas en el Perú han evolucionado mucho en las últimas

décadas, su presencia es fundamental para el crecimiento en la economía, el 99% de las
empresas en el Perú corresponden a la micro y pequeña empresa, estas participan del 40%
del PBI. Hoy en día existe una sobreoferta de instituciones especializadas que participan
en este sector.
Como parte de estas instituciones se ha observado la gran importancia de la participación

de las Cajas Municipales de Ahorro y Crédito en el desarrollo de las microfinanzas en el
Perú, (con aproximadamente el 50% del total de créditos otorgados por todas las
instituciones especializadas). De estas CMAC, se ha presentado los antecedentes,
información sobre sus estados financieros principales, la estructura de participación en
los diferentes sectores económicos, así como su estructura interna, haciendo énfasis en el
crecimiento de los indicadores de la cartera de alto riesgo producto del incumplimiento
de pago. El presente trabajo de investigación, se va enfocar en identificar los factores
determinantes que influyen en la morosidad de estas instituciones. A continuación, se
presentará los sustentos teóricos de los temas que se desarrollarán en esta tesis.
72
CAPITULO III: MARCO TEORICO
3.1. Bases Teóricas
Hernandez y Mendoza (2018), mencionan que “el marco teórico es una etapa y un
producto, esta etapa implica la inmersión en el conocimiento existente y disponible, que
debe estar relacionado con el planteamiento del problema” (p.70). Por su parte, Arbaiza
(2014) en su libro, “Como elaborar una tesis de grado”, menciona que “el propósito
principal de la construcción del marco teórico reside en determinar la perspectiva teórica
desde la cual se desarrollará la tesis” (p.81).
Esta investigación está enfocada en identificar cuáles son los factores determinantes que
impactan en el Riesgo de Crédito de las Cajas Municipales de Ahorro y Crédito en los
periodos del 2016-2019, por lo que a continuación se presentan las bases teóricas de esta
investigación.
La definición de micro y pequeña empresa, puede tener diversos criterios y metodologías

de clasificación en el mundo. Para esta investigación se utilizará la correspondiente
definición establecida en la legislación peruana.
En el Perú, la (Ley 28015, 2003)24, Ley de la promoción y formalización de la micro y

pequeña empresa, en el artículo 2, establece: “La micro y pequeña empresa es la unidad
económica constituida por una persona natural o jurídica, bajo cualquier forma de
organización o gestión empresarial contemplada en la legislación vigente, tiene por objeto
desarrollar diversas actividades entre las cuales pueden ser la extracción, transformación,
producción, comercialización de bienes o prestación de servicios”.
Es importante el desarrollo de la micro y pequeña empresa en el Perú, la ley establece el

objetivo principal, que es la promoción, competitividad, y a la formalización de las micro
24
Ley promulgada el 3 de julio 2003 – Disposiciones Generales.
73
y pequeñas empresas, estas a través de un empleo sostenible, contribuyen en su
productividad y por ende el producto bruto interno del país.
La Superintendencia de Banca y Seguro en su Resolución SBS 11356-2008, establece

que en el sistema financiero la micro y pequeña empresa están regidos por:
- Microempresas: Personas naturales o jurídicas, cuyo nivel de endeudamiento en

el sistema financiero es menor a los 20,000 soles, en los últimos 6 meses.
- Pequeña empresa: A las personas naturales o jurídicas cuyo nivel de
endeudamiento es mayor a los 20,000 soles, pero menor a los 300,000 soles.
La descripción total por tipo de crédito que establece la SBS, se presenta en el Anexo 2.
El mercado objetivo, al cual están direccionadas las instituciones microfinancieras en el

Perú, es a un grupo de clientes emprendedores, que tienen características determinadas y
una necesidad específica de servicio financiero.
Las instituciones microfinancieras en el Perú, ofrecen préstamos a clientes que tienen

bajos ingresos, muchos de ellos tienen sus negocios independientes o se presentan como
microempresarios. Estos clientes no han sido atendidos por la banca comercial tradicional
por presentar un mayor riesgo de impago, ello por características comunes como, no
presentar garantías, no presentar información financiera, por ende, el riesgo es un factor
importante que deben controlar las instituciones que se dedican a este sector.
Ledgerwood (2000), en su libro publicado, manual de microfinanzas, establece que “la

meta de las Instituciones microfinancieras como organizaciones de desarrollo es atender
diversas necesidades financieras de los mercados no atendidos o subatendidos, de tal
manera que puedan satisfacer sus objetivos de desarrollo” (p.40). Asimismo, identifica
que estos objetivos son: el de reducir la pobreza, potenciar a las mujeres o a los segmentos
de población que se encuentran en desventaja, crear empleos, incentivar el desarrollo de
nuevas empresas, y ayudar a las que ya existen a crecer.
74
De lo revisado, el estado promueve un entorno favorable para la ayuda en la formalización
y promoción de la micro y pequeña empresa en el Perú, estableciendo un marco legal para
ellos, y este mercado institucional se encuentra regulado por la Superintendencia de
Banca y Seguros; El mercado objetivo de estas instituciones microfinancieras,
generalmente son aquellos microempresarios, que se encuentran afuera de los mercados,
que tienen puestos fijos en centros de abastos, asimismo, los que pertenecen a mercados
de abastecimiento, mercados minoristas o fabricantes independientes.
3.1.1. Riesgo de Crédito
La actividad microfinanciera se ha vuelto un pilar básico para la economía, esta actividad

permite a los clientes que se dedican a actividades comerciales individuales puedan
incrementar la rentabilidad de sus negocios, a través del acceso al crédito. En el Perú son
muchas las instituciones que participan en este sector, existiendo a la fecha una
sobreoferta de productos financieros ofrecidos por estas entidades.
Debido a esta competitividad el factor riesgo se ha convertido en un factor estratégico

para todas las instituciones, en cara a mejorar su rentabilidad y posicionamiento, y en
algunos casos hasta su sostenibilidad.
El riesgo existe en toda inversión, Ross, Westerfield y Jafee (2012), presentan al riesgo
en dos componentes: Riesgo sistemático y riesgo no sistemático. Un riesgo sistemático o
también llamado riesgo no diversificable es cualquier riesgo que afecta un gran número
de activos producto de riesgos que la empresa no puede controlar, por ejemplo, desastres
naturales, huelgas, pandemias y riesgo no sistemático o diversificable, es un riesgo que
afecta específicamente un solo activo o un pequeño grupo de activos, estos riesgos si
pueden ser controlables por la empresa.
En este caso, el Riesgo de Crédito se encuentra enmarcado dentro de los riesgos no

diversificable o sistemáticos, puesto que este riesgo también puede estar afectado por
tendencias en el mercado, tal como se apreciará en el estado de la cuestión. Para esta
75
investigación, nuestro alcance está relacionado a los factores internos que puede gestionar
la entidad microfinanciera.
Con respecto al Riesgo de Crédito, de acuerdo a lo señalado por el ente regulador, en el

Perú, la Superintendencia de Banca y Seguro, lo define como “Riesgo de crédito la
posibilidad de pérdidas por la incapacidad o falta de voluntad de los deudores,
contrapartes, o terceros obligados, para cumplir sus obligaciones contractuales registradas
dentro o fuera del balance” (“Superintendencia de Banca, Seguro y AFP,” 2008, p.6). de
acuerdo con lo que establece el ente regulador
Según Lara (2014) “el riesgo de crédito es el más antiguo y probablemente el más
importante que enfrentan los bancos. Se puede definir como la pérdida potencial producto
del incumplimiento de la contraparte en una operación que incluye un compromiso de
pago” (p.16).
El riesgo de crédito está determinado por una tasa de morosidad, indicador importante
para conocer la calidad de la cartera de las instituciones. Según Vela et al.(2012), nos
indican que “en las instituciones microfinancieras los préstamos no están generalmente
respaldados por una garantía realizable, de modo que la calidad de la cartera es el
indicador más importante, para la sostenibilidad a largo plazo porque la mayor fuente de
riesgo está en sus carteras de créditos”(p. 9).
El control de la calidad de la cartera es fundamental en las instituciones microfinancieras.

Vela et al.(2012) hacen referencia que los préstamos morosos desempeñan roles críticos
en los gastos, les afecta en los flujos de efectivo, en los ingresos y en la rentabilidad de la
IMF. Mientras más esfuerzos y recursos se empleen en la recuperación de los créditos, se
tendrá menos recursos disponibles para poder atender las operaciones; sin embargo, los
efectos más significativos que se tiene es que cuando no se paga el capital del préstamo,
las instituciones financieras tienen que generar provisiones, y estos se ven directamente
reflejados como gastos en el estado de ganancias y pérdidas, por lo que afecta a las cuentas
patrimoniales y cuentas de resultados.
76
Aguilar, Camargo y Morales (2004), indican, “El riesgo de crédito es el tipo de riesgo
más importante al que debe hacer frente cualquier entidad financiera. Un indicador del
riesgo crediticio es el nivel de morosidad de la entidad, es decir, la proporción de su
cartera que se encuentra en calidad de incumplimiento” (p.3). Los autores señalan que un
indicador del riesgo de crédito es el nivel de morosidad (que son los créditos con atrasos
en sus pagos), el cual será considerado en la presente investigación.
Ledgerwood (2000), en su libro “Manual de Microfinanzas”, hace referencia que los

riesgos de crédito en microfinanzas, desempeñan un papel importante en los flujos de
efectivo, gastos y rentabilidad de las instituciones. Asimismo, indica que la calidad de la
cartera depende de muchos factores como la administración en el número de clientes,
(número de préstamos activos por oficial de crédito), el crecimiento desmedido de la
cartera de créditos, el incremento del monto promedio de las operaciones, políticas
crediticias,
Larralde, Real y Viana (2011), indican que el riego de crédito afecta directamente a las
potenciales ganancias o pérdidas en el patrimonio, debido a que la contraparte o deudor
incumpla con el pago de sus obligaciones pactadas en sus contratos con la entidad. Los
autores manifiestan que este riesgo se encuentra en todas partes donde el pago de la
operación dependa del comportamiento de los prestatarios.
De acuerdo con información publicada en un diario importante en el Perú, señala que ante
un menor crecimiento de la economía y su influencia en los empleos y en las ventas de
las empresas, afecta el riesgo de crédito de las instituciones financieras. Según la
Superintendencia de Banca, Seguro y AFP (SBS), las cifras reportadas por los bancos y
las cajas municipales de ahorro y crédito, con respecto a la participación de créditos
atrasados (incobrables), registraron aumentos significativos en el último año (Castillo,
2019).
Debido a eso, es la importancia de la gestión de riesgos en las instituciones dedicadas a

otorgar préstamos a este sector, de acuerdo con información revisada sobre otros países,
donde también se desarrollan las microfinanzas, Goldberg en su libro “Gestión de riesgo
y creación de valor”, señala como las Instituciones Microfinancieras (IMF) en todo el
77
mundo han tenido que hacer frente a un conjunto de crisis financiera, política y los
gerentes de las IMF han aprendido la importancia de la gestión de riesgos,(…) sobre todo
porque su cartera de colocaciones es su activo más importante, siendo los riesgos de
crédito y mercado los de mayor preocupación (Goldberg y Palladini, 2011, p.3).
En ese sentido, es muy importante para las instituciones financieras, y sobre todo las
dedicadas a los microempresarios, la identificación del riesgo de crédito, tal es la
importancia de este indicador, que permite estimar cuales pueden ser las posibles
consecuencias en el deterioro de una cartera de créditos en el tiempo, donde al identificar
los errores en una temprana etapa, permite tomar mejores decisiones que en el tiempo se
verán reflejadas en mejores indicadores económicos y financieros.
De acuerdo con la literatura revisada, se observa que el riesgo de crédito es uno de los
riesgos más importantes que afecta a las instituciones microfinancieras, más aún, en esta
investigación que nos estamos enmarcando en las CMAC, que presentan un incremento
año a año de su morosidad. Para esta investigación, el riesgo de crédito se va a considerar
como un factor dependiente, teniendo en cuenta el nivel de morosidad de las instituciones.
Esta morosidad será medida como, la cartera de alto riesgo, siendo sus indicadores, la
cartera vencida, más la cartera refinanciada/reestructurada, más la cartera en cobranza
judicial. No se tomará en consideración los créditos castigados 25, es decir las deudas
irrecuperables.
Se denomina cartera vencida a aquellos créditos que tienen más de 30 días de impago en
sus cuotas, como cartera refinanciada, a aquel crédito o financiamiento directo, en el cual
se hayan producido variaciones o cambios en su contrato original ya sea en plazo o monto,
y cartera en judicial, todos aquellos créditos que se encuentran en proceso de recuperación
vía cobranza judicial (SBS, 2008).
25
Los créditos castigados, para la SBS en el Perú, se consideran a aquellos créditos que han sido
íntegramente provisionados, es decir tienen su calificación en pérdida y donde exista evidencia real de su
irrecuperabilidad, y cuando por el monto, no justifique el inicio de una acción judicial.
78
En síntesis, las empresas microfinancieras al otorgar créditos, asumen diversos tipos de
riesgos propias de la operación, siendo el riesgo de crédito el más importante de ellos,
puesto que sus incrementos reflejados en indicadores de morosidad pueden llevar a serios
problemas para la institución, como el disminuir su rentabilidad, y en un largo plazo poner
en peligro su sostenibilidad financiera. Por lo tanto, el riesgo de crédito es la probabilidad
de incumplimiento de pago de la deuda contraída y estipulado en los contratos firmados
por los clientes. Este riesgo de crédito, para varios autores, está determinado por muchos
factores, y es precisamente, la intención de esta investigación en determinar las más
influyentes en este riesgo.
3.1.2. Factores propuestos como determinantes del Riesgo de Crédito
En esta investigación se postula que la cartera promedio por deudor, (medido como la
cartera total entre el número de prestatarios) tiene una relación positiva con el Riesgo de
Crédito de las CMAC. Esto se obtiene a raíz de la información presentada en el Capítulo
II, Tabla 3, “cartera de créditos y depósitos”, donde se observa que estas instituciones
tienen el mayor crédito promedio de todo el sistema microfinanciero y esto puede tomarse
como un posible riesgo en el enfoque del crédito que otorgan las CMAC. De acuerdo con
la literatura revisada, esto puede estar asociado al cumplimiento de metas que tiene que
realizar el asesor o funcionario de negocios, que, con el fin de alcanzar sus beneficios
económicos, se ve en la necesidad de incrementar los montos de créditos a sus clientes.
Yunus (2008), en su libro, “El banquero de los pobres”, hace referencia que el primer
banco especializado en este sector, (Grameen Bank), trajo el crédito a los pobres, a las
mujeres, a los analfabetos, estuvo dirigido a personas que tenían un emprendimiento, este
banco comenzó a otorgar créditos pequeños y que de esta manera los clientes puedan
invertir ese dinero y obtener ingresos.
De acuerdo con lo presentado a lo largo de la investigación, las microfinanzas surgen

debido a que las personas de bajos recursos, tenían barreras de acceso al crédito
tradicional, en los países con ingresos altos serían pocos grupos de personas, sin embargo,
en Perú, como se ha indicado, el 99% de las empresas, pertenecen a la micro y pequeña
empresa. Asimismo, estos microempresarios tienen no solo barreras económicas, sino
79
barreras sociales, (porque entre ellos puede existir analfabetismo, poco conocimiento de
estudios, poco o nada conocimiento del sector financiero), y también lo distante que se
ubican las agencias bancarias tradicionales hasta sus comunidades.
Es por ello que la teoría nos dice que los montos de los créditos a otorgar en este sector,
debe ser muy bajo, y el promedio de ellos deben de suponer que va dirigido a atender a
este sector, sin embargo, de acuerdo con la problemática presentada, las CMAC tienen
un saldo promedio alto, postulando así que este puede ser una causal directa del riesgo de
crédito.
Rebolledo y Soto, (2004), mencionan, el objetivo por el cual fueron creadas las
instituciones especializas en la atención de este sector.
La banca especializada en microfinanzas se caracteriza por haber

desarrollado tecnologías de crédito particularmente apropiadas para
evaluar clientes de bajos ingresos y microempresas. Sobre la base de las
características de las personas (especialmente las socio-económicas)
pertenecientes a cada uno de estos niveles, estas entidades desarrollan
políticas comerciales, de riesgo, de cobranzas, de nuevos productos, etc.
Por ejemplo, el personal contratado (como promotores de créditos) que
atenderá a los segmentos de bajos ingresos tiene similar nivel
socioeconómico que las personas de esos segmentos, con el fin de
desarrollar una relación más directa con el cliente (p.7).
Aguilar (2014), en su tesis doctoral “Dos estudios sobre las microfinanzas en el Perú”,
hace referencia al crecimiento escalonado de las microfinanzas en el Perú, sin embargo,
este crecimiento acelerado ha venido acompañado de importantes transformaciones en
este sector, como el de una sobreoferta de entidades, provocando así, gran competitividad
entre ellas, permitiendo a las CMAC competir con la banca financiera tradicional. Y esto
sumado al redireccionamiento de algunos bancos tradicionales a la incursión de este
segmento microfinanciero, (con la estrategia del downscaling), llevó aún más a que las
CMAC incrementaran el monto de su colocación.
Este crecimiento elevado en la colocación de créditos, distorsiona el concepto por el cual

fueron creadas las CMAC, que en su afán de competir con la banca tradicional, conlleva
80
a que pueda tener un mayor riesgo, puesto que los préstamos en el sector microfinanciero,
no está respaldados de garantías a diferencia de la banca tradicional donde sus estándares
de evaluación son más exigentes, más formales, tienen mayores productos financieros
que ofrecer, asimismo cuentan con ingresos no financieros, sin embargo la banca
microfinanciera tiene muchos problemas en la asimetría 26 en su información, es decir
presenta mayores barreras de entrada al no tener, en muchos casos la información
correcta que lleve al analista a evaluar bien su operación.
Vela et al. (2012), mencionan que la variable, crecimiento promedio de las colocaciones,
es de mucho interés “puesto que cuando hay afán de aumentar la cuota en el mercado
puede conllevar a que las instituciones financieras relajen sus controles y disminuya la
calidad de sus colocaciones y se debe tener en cuenta que un nuevo crédito no se vuelve
moroso en forma inmediata, sino que tiene que pasar su fecha de vencimiento para que
influya en su cartera morosa” (p.16).
Lara (2010), en su tesis doctoral refiere que cuando los prestamistas obtienen montos
mayores a lo requerido, pueden aprovechar este oportunismo y direccionarlo a un destino
diferente según lo acordado en su contrato inicial, pudiendo tener dificultades en su
recuperación. Para evitar que suceda lo indicado por Lara, los asesores o funcionarios de
las entidades microfinancieras, deben de realizar una evaluación rigurosa a sus clientes,
con tal de disminuir la probabilidad de no pago. Esta es otra consecuencia a considerar
en el incremento en el saldo de las colocaciones.
En síntesis, para efectos de esta investigación se define los indicadores de la cartera

promedio por deudor, como la cartera total entre el total de prestatarios. Según el glosario
de términos de la SBS 27, se indica como cartera total, a los créditos vigentes (que se
encuentran al día), más créditos vencidos (corresponde a la cartera de deudores con
atrasos mayores a 30 días), más créditos refinanciados (operaciones que han sufrido
cambios en su plazo o reducción de cuotas), más créditos en judicial (operaciones de
26
Información asimétrica está referido cuando algunas de las partes, prestatarios o prestamistas no
cuentan con la misma información de un producto.
27
Glosario de términos SBS: https://intranet2.sbs.gob.pe/estadistica/financiera/2015/Setiembre/SF-
0002-se2015.PDF.
81
crédito cuya gestión de cobranza se encuentra en proceso judicial) y como el total de
deudores o prestatarios, a las personas naturales o jurídicas que tienen créditos con las
empresas del sistema financiero, para nuestro caso aquellos que tienen deudas con las
CMAC.
El sobreendeudamiento de los clientes, es otra de las variables que considero demostrar

que tiene relación directa con el riesgo de crédito. Para Adrián Gonzales y Claudio
Gonzáles –Vega en su publicación, “Sobreendeudamiento en las Microfinanzas
Bolivianas”, indican que “El sobreendeudamiento es el surgimiento de dificultades de
pago que pueden resultar de la falta de voluntad de pago, insuficiente capacidad de pago
o necesidad de incurrir en acciones costosas para poder pagar” (González y González-
Vega, 2003, p.13).
Rossi (2017), en su tesis doctoral “Regulación del endeudamiento y sobreendeudamiento

del consumidor” define: “El sobreendeudamiento, es la situación de imposibilidad cierta,
actual o futura de cumplir con las obligaciones generadas en relaciones de consumo en la
que se encuentra un cliente de buena fe” (p. 92). Asimismo, hace referencia a que un
cliente sobreendeudado no necesariamente implica que sea insolvente hoy, es decir a
pesar de tener mayores gastos que ingresos, sino que en un futuro tenga dificultad en
poder cumplir con sus obligaciones, postula a que un cliente puede estar sobreendeudado
hoy, sin embargo, aún pueda tener capacidad de pago, eso sí, viéndose en una gran
posibilidad de incumplir con sus pagos a futuro.
Según Schicks (2010), en su publicación Microfinance Over-Indebtedness: Undestanding

its drivers and challenging the commom myth, “Sobreendeudamiento de microfinanzas,
comprendiendo sus factores de impulso y desafiando los mitos comunes”, menciona sobre
los problemas de sobreendeudamiento que están teniendo los clientes de este sector y
sobre el papel importante que deben de tener las instituciones microfinancieras en el
control del mismo.
Over-indebtedness is a serious risk to the microfinance industry. First, it

completely contradicts the sector's social mission. It can enhance the
82
poverty of microfinance customers, threaten their social position and even
lead to psychological disorders and health problems. Second, at the latest
when over-indebtedness triggers default, it represents a threat to the
institutional sustainability of MFIs.As a third aspect, over-indebtedness is
threatening to damage the reputation of the microfinance industry as such
and have spill-over effects that would affect even healthy institutions and
their customers (p. 24).
El sobreendeudamiento, es un grave riesgo para la industria de las

microfinanzas. Primero, contradice completamente la misión social del
sector. Puede mejorar la pobreza de los clientes de microfinanzas,
amenazar sus redes sociales, posición e incluso conducir a trastornos
psicológicos y problemas de salud. Segundo, a más tardar cuando el
sobreendeudamiento desencadena el incumplimiento, representa una
amenaza para la sostenibilidad institucional de las IMF. Como tercer
aspecto, el sobreendeudamiento amenaza con dañar la reputación de las
microfinanzas, industria como tal que tienen efectos indirectos que
afectarían incluso a instituciones saludables y sus clientes. (Traducción
propia)
Este sobreendeudamiento es producto de la competencia de instituciones en el

otorgamiento de créditos a este sector, siendo esta, cada vez más intensa. Donde las
entidades desatan agresividad en la compra de deudas para quitarse a los clientes. De
acuerdo con lo mencionado por uno de los diarios importantes de Lima, Gestión, ahora
los bancos y financieras que dan microcréditos ofrecen tasas de interés cada vez más bajas.
Donde las entidades financieras tratan de ganar mayor participación de mercado, muchas
veces a costa de los clientes, tal como lo menciona Elizabeth García en su artículo
publicado: “Se desata agresiva compra de deuda en campaña navideña” (García, 2019).
Goldberg y Palladini (2011), en su libro publicado, “Gestión de Riesgos y la creación de

valor para la microfinanzas”, hacen referencia a que las instituciones deben de tener
cuidado en el ofrecimiento de productos financieros, puesto que el diseño de un producto
equivocado puede conducir al desastre financiero de un cliente, porque dicho producto
no coincide con sus necesidades; estos préstamos pueden ser tan grandes que pueden
conducir al sobreendeudamiento, el cliente, en una etapa temprana, puede tener la mayor
voluntad y capacidad de pago, sin embargo, en el tiempo tendrá dificultades.
83
Este sobreendeudamiento realizado muchas veces por las mismas entidades al otorgar
créditos a un mismo cliente, ya sea como una nueva institución u otorgándole un crédito
en paralelo al ya vigente, pueden llegar a conducir a que los deudores no puedan pagar,
generando así una posible morosidad, la misma, que es impactada en las provisiones de
la institución y por ende afectar la rentabilidad. Para efectos de la presente investigación
se considera que un cliente se encuentra sobreendeudado cuando trabaja de manera
simultánea con más de 3 entidades financieras, (se considera este número como el
estimado de acuerdo con políticas crediticias y que será validado en encuestas a expertos)
En el artículo propio publicado en una revista indexada brasilera, Toledo (2018),

menciono que este sobreendeudamiento sucede en muchos casos cuando el cliente llega
a tener deudas en forma simultánea con diversas entidades microfinancieras. En
experiencia propia, he observado deudores hasta con 13 (trece) entidades financieras
trabajando al mismo tiempo. Esta situación se origina muchas veces por la sobreoferta de
instituciones y el objetivo de cada en incrementar su número de clientes, muchos
supervisores de los analistas o asesores de crédito tienden a exigir el cumplimiento de
metas, y en la desesperación por colocar el crédito, muchas veces, relajan su evaluación,
incrementan líneas de crédito, solicitan bajar las tasas de interés, es decir se llega a
convertir en una práctica insana.
Otra variable a considerar en esta investigación, es la probabilidad de default de la cartera,

la misma que tendría un impacto positivo en el riesgo de crédito de las CMAC. Peña
(2013), indica que la probabilidad de default “se refiere a la solvencia del prestatario, y
mide la probabilidad de que el deudor no abone al pago de su crédito durante un horizonte
de tiempo específico” (p.9). Para estimar esta probabilidad se debe de analizar el
comportamiento del deudor hasta que la institución lo considere como pérdida total.
Vásconez (2010), menciona que el riesgo tiene que ser medible, siendo este riesgo una
probabilidad de que ocurra un evento adverso, lo describen como una valorización de una
situación negativa, que tiene una probabilidad y en el futuro puede ocasionar un daño,
definido como pérdida de valor económico para una empresa, es por eso que sus
84
características están en medio de incertidumbre, que es la esencia en el negocio del
sistema financiero.
Ramírez y Ayús (2012), por su parte, hacen referencia que las pérdidas por el riesgo de
crédito para las instituciones están en función a una probabilidad de incumplimiento, y
que esta probabilidad está en función a determinados factores que pueden ser intrínsecos
o extrínsecos a la institución y en base a ellos se puede determinar una probabilidad de
default en una entidad.
Valencia y Zambrano (2012), determinan que la probabilidad de default para una cartera
de créditos, es un paso previo al cálculo de la pérdida esperada, y esta probabilidad de
default de cartera se presenta desde un periodo determinado y como esta ha evolucionado
en el tiempo, mostrando la evolución de la calidad por medio de los cambios de la
calificación crediticia de cada cliente.
Los autores definen que la probabilidad de default o incumplimiento, “es un elemento

importante en la evaluación del riesgo de crédito y su significado más utilizado es la
omisión del pago de una deuda vencida. Siendo la medida de que tan probable es que un
acreditado deje de cumplir con sus obligaciones contractuales” (Valencia y Zambrano,
2012, p.2).
De acuerdo con lo mencionado por los autores, esta probabilidad se determinará

considerando la calificación crediticia del deudor, y cómo ha evolucionado en tiempo.
Para efectos de esta investigación, en el Perú, se considera que los deudores
pertenecientes a la cartera de micro y pequeña empresa tienen la siguiente calificación
crediticia, según (SBS, 2008):
- Categoría Normal (0). - Como aquellos deudores que vienen cumpliendo con el
pago de sus créditos de acuerdo con su cronograma convenido o con un atraso en
el pago de su cuota hasta de ocho (8) días calendario.
- Categoría con Problemas Potenciales (CPP) (1). - Como aquellos deudores que
registran atraso en el pago de sus créditos de nueve (9) a treinta (30) días
calendarios.
85
- Categoría Deficiente (2). – Definiéndolos como aquellos deudores que registran
atraso en el pago de sus créditos de treinta y uno (31) a sesenta (60) días calendario.
- Categoría Dudoso (3). – Son aquellos deudores que registran atraso en el pago de
sus créditos de sesenta y uno (61) a ciento veinte (120) días calendario.
- Categoría Pérdida (4). – Son aquellos deudores que muestran atraso en el pago de
sus créditos de más de ciento (120) días calendario. (p.18)
Rodríguez (2013), en una investigación realizada en México, utilizó con éxito la matriz
de transición y concluye que, para determinar la probabilidad de default de una cartera,
se requiere la utilización de matrices de transición, puesto que esto refleja el probable
incumplimiento de pago de los deudores. El autor describe sus resultados en base a una
tabla donde considera en una columna la clasificación crediticia inicial, luego en una fila
la evolución de esta calificación en base a un periodo determinado, y tiene la observancia
de cuáles fueron los deudores que mejoraron su calificación, se mantuvieron o en su
defecto empeoraron.
Peña (2013) indica, que “uno de los instrumentos más reconocido para darle seguimiento
al riesgo de crédito son las matrices de transición, a partir del seguimiento continuo al
comportamiento de los deudores” (p.9). En el lapso de un periodo determinado, se puede
conocer cuál es el comportamiento de pago de los deudores, permitiendo saber si sus
pagos mejoran, se deterioran o permanecen en la misma categoría de riesgo con la que
iniciaron el período de análisis.
De la diversa literatura revisada, se ha observado que la herramienta de la matriz de

transición determina en forma eficiente la probabilidad de default de una cartera. Valencia
y Zambrano (2012), mencionan: “la matriz de transición es la principal herramienta para
determinar la probabilidad de que un crédito con una calificación determinada cambie de
calificación crediticia durante un periodo específico, conociéndola como la probabilidad
de migración en la calidad de un crédito” (p.2).
En síntesis, lo que esta investigación postula en una de sus hipótesis, es que la

probabilidad de default de la cartera de crédito, impacta directamente en el riesgo de
crédito de las instituciones, para determinar ese default, es recomendable utilizar la matriz
86
de transición; en este trabajo se determinará la probabilidad de default de cartera de
préstamos de las CMAC utilizando la matriz de transición. La información teórica de esta
herramienta se mencionará más adelante.
Otra de las variables a considerar en este trabajo de investigación, es la segmentación

geográfica por regiones que tienen las instituciones, postulando al impacto directo que
tiene sobre el riesgo de crédito. Se considera un factor importante debido a la importancia
en el enfoque que deben de tener las CMAC en atención a sus clientes, considerando la
diversidad geográfica que presentan, postulando que esta medida provoca un posible
incremento en la morosidad por la región en la que se encuentran.
Para Aguilar, Camargo y Morales (2006) “Un factor importante para reducir los niveles
de morosidad de los créditos en microfinanzas es la diversificación geográfica, pues los
resultados muestran que la mayor concentración en este tipo de créditos favorece niveles
de mora más altos”(p. 81). Es decir, de acuerdo con esta investigación, los autores
presentan que para un caso peruano el indicador de la evolución de calidad de cartera está
afectada por variables que están relacionadas con el tema de la diversidad geográfica,
porque el entorno económico de cada zona es diferente en el país y puede afectar al riesgo
de crédito.
Con respecto a la importancia de estos microempresarios en acceder al sistema financiero,

Ledgerwood y White en la publicación de su libro, Transforming microfinance
institutions, muestran de qué manera se brinda beneficios financieros a los pobres, este
es un libro publicado por el banco mundial, donde el foco es definir la clara necesidad de
servicios financieros de los más necesitados, enfocándose en cuál es el mercado objetivo
que deben de tener las instituciones microfinancieras, es decir a que mercado apunto,
quien es mi cliente principal, donde se ubica este cliente.
Once a transforming microfinance institution (MFI) has defined its vision,

mission, and values, it needs to develop its marketing and competitive
strategy. This process begins by clarifying who the expanded target market
will be for the regulated institution and gathering marketing intelligence
to understand the target market preferences, needs, and habits, as well as
the products and services offered by competitors. This marketing
87
intelligence becomes a key input into the transformation
process.(Ledgerwood y White, 2006, p.95)
Una vez que las instituciones microfinancieras (IMF) en transformación
han definido su visión, misión y valores, necesita desarrollar su estrategia
de marketing y competitiva. Este proceso comienza aclarando quién será
el mercado objetivo ampliado para la institución regulada y reuniendo
inteligencia de marketing para comprender las preferencias, necesidades y
hábitos del mercado objetivo, así como los productos y servicios ofrecidos
por los competidores. Esta inteligencia de marketing se convierte en una
entrada clave en el proceso de transformación (Traducción propia).
De la misma manera, para Lamb, Hair y McDaniel (1998) como se cita en Zárraga,
Molina y Sandoval (2013), es muy importante identificar al cliente objetivo, considerando
a esto como “ el proceso de dividir un mercado en segmentos o grupos identificables más
o menos similares y significativos” (p.111). Con lo mencionado, se observa que cada
grupo de personas, cada región donde se encuentran ubicados los clientes, es de
importancia para la focalización de las instituciones.
Los autores hacen referencia a que es importante la segmentación porque es la manera en

que el mercado pueda conocer la correcta satisfacción del cliente, siendo esta importante
para grandes y pequeñas empresas, otro punto importante es que la segmentación puede
llevar a cabo acciones que reditúen económicamente a las empresas, siendo este un paso
importante para lograr los objetivos económicos, como su rentabilidad.
En un artículo propio, presentado en una revista indexada, en el 2018, “Microfinanzas y

los desafíos de la bancarización”, en una de las conclusiones, el autor hace referencia a
que “Podemos afirmar que las instituciones microfinancieras deben de tener ventaja sobre
el conocimiento de las necesidades del cliente, estar enfocados en segmentos, reconocer
los nichos de mercados los cuales se van a atender es decir plantear soluciones diseñadas
a la medida”(Toledo, 2018, p.59).
De la misma forma, en la investigación indicada en el párrafo anterior, se refiere a la

importancia de las empresas microfinancieras que vienen empleando y mejorando sus
métodos de captación de cliente de clientes, es decir de qué manera se va llenando la
“piscina” de nuevos clientes para la institución utilizando nuevos modelos de
88
segmentación que les permitan reducir el riesgo de créditos identificándolos y midiendo
sus niveles de riesgo, porque lo que funcionó en el pasado, con respecto a la selección de
clientes, no necesariamente va a funcionar en el futuro, de allí la importancia de que la
segmentación de la cartera, medida como la dispersión en la atención de clientes, impacta
en el riesgo de crédito de las instituciones (Toledo, 2018, p.58).
En ese sentido, es importante identificar la segmentación geográfica por regiones. Para

efectos de esta investigación, este tipo de segmentación, se explica cómo la concentración
de la cartera de cada región del Perú entre cartera total. Se identifican cuatro regiones:
• Norte: provincias de Tumbes, Piura, Lambayeque, Cajamarca, La Libertad, Ancash.

• Centro Oriente: Loreto, Amazonas, San Martín, Huánuco, Ucayali, Pasco, Junín,
Huancavelica, Madre de Dios.
• Sur: Provincias de Ica, Arequipa, Moquegua, Tacna, Apurímac, Puno, Cuzco.
• Lima y Callao.
Esta diversificación geográfica en diferentes regiones pudo haber sido originado por la
agresiva competencia que se tiene en el sector; las Cajas Municipales de Ahorro y Crédito
nacieron en cada provincia, para la atención de clientes de su comuna, sin embargo, estas
instituciones se han expandido por todo el país, encontrándose en una misma región
múltiples instituciones y todas haciendo lo mismo, provocando un “canibalismo” entre
todas ellas, y por ende un sobreendeudamiento a los clientes.
Otra variable importante a considerar en esta investigación es la cantidad de deudores por

empleado que manejan las CMAC, postulando que tiene relación directa con el riesgo de
crédito. Ya que esta variable permitirá conocer la capacidad que tiene cada empleado en
la administración de los clientes, postulando que el abarcar más clientes podría presentar
una mayor exposición al riesgo de crédito, por lo tanto, como indicador para esta variable
se considera el total de deudores sobre el total de empleados de las CMAC.
Aguilar y Galarza (2013) hacen referencia a que el proceso de comercialización de las

IMF está generando consecuencias en torno a su atención de clientes con bajos recursos,
89
donde este proceso podría tener efectos negativos sobre indicadores de las IMF tales como
el número de clientes atendidos (amplitud) o la pobreza de ellos (profundidad). Este
indicador postula a que es muy importante la cantidad de clientes por empleado que tiene
la institución.
Se destaca la importancia del número de clientes que maneja cada empleado, se menciona
que la evaluación crediticia es realizada por el asesor o funcionario de negocios, quien
es participe importante en este sector y pieza fundamental en este negocio, por lo tanto el
mantener un número adecuado de clientes le permitirá al empleado utilizar mecanismos
de selección, seguimiento y retención eficiente de clientes, ya que esto lleva a que
minimicen los riesgos y de ante mano no generen altos costos operativos, de la misma
manera aportar valor a los clientes con atención rápida y tener sencillez en sus trámites
de accesibilidad (Toledo, 2009).
Ledgerwood (2000), indica que debido a la naturaleza del microcrédito, la principal

responsabilidad de una proyección y pago de préstamos eficaces recae sobre el asesor o
funcionario de negocios, si bien es cierto ellos tienen una motivación por planes de
incentivo, reconocimientos, es también una variable a considerar la cantidad de clientes
que pueda tener en su cartera, debido a que tiene que realizar un seguimiento
personalizado por cada deudor, visitarlo constantemente, verificar que el préstamo
solicitado fue destinado al fin definido en su evaluación y no a otra actividad, es decir,
tener un seguimiento constante al comportamiento financiero del cliente.
Westley y Shaffer (1997), como se cita en Aguilar y Camargo (2004), “señalan además
que elevados niveles de morosidad pueden afectar la relación de largo plazo de las IMF
con sus clientes, deteriorando la lealtad de los mismo y generando un efecto de contagio
que los lleva a adoptar una actitud de no pago” (p.19).
Para algunos autores como Lozano (2007), indica que:
La eficiencia de las microfinancieras está definida entre otros aspectos por

el número de clientes atendidos por empleado; sin embargo, cuando se
tienen deficiencias en la capacitación o profesionalismo del personal, no
se cuenta con la institucionalización adecuada, el incremento en el número
90
de acreditados atendidos por empleado puede ocasionar que se pierda el
control de la cartera demeritando la calidad de ésta. (p.173).
Este negocio, ha ido evolucionando en el tiempo, a diferencia de que antes la tasa

promedio era muy superior a la actual y la morosidad era menor, todo esto en parte porque
había menos oferta. Para lograr una mayor rentabilidad, es necesario que las instituciones
tengan economías de escala, y esto se logra captando mayores clientes; esta captación lo
pueden hacer de diferentes maneras, a través de un crecimiento inorgánico o externo y/o
a través de un crecimiento orgánico o interno.
Quiñones (2015), define como crecimiento orgánico o interno, aquel crecimiento que se
lleva a cabo a través del desarrollo de la propia empresa, es decir con el esfuerzo de los
propios trabajadores; y define como crecimiento inorgánico o externo al que se basa
fundamentalmente en la adquisición de otras empresas, parte de ellas o aquellas que son
propias de la cadena de valor. Cabe indicar que mayor rentabilidad se obtiene cuando la
empresa crece por sus propios medios, es decir por sus trabajadores, ya que cuando una
empresa compra cartera no asegura que se pueda mantener en el tiempo; este tipo de
crecimiento normalmente se da cuando los mercados se encuentran saturados y desean
introducirse rápidamente (p.13).
En el gráfico 15, se muestra de qué manera las instituciones microfinancieras incrementan

su número de clientes, y lo que buscan las entidades es el crecimiento orgánico, es decir
a través de la suma de fuerza de sus empleados, ello aumenta la productividad y se tiene
un mejor conocimiento del cliente.
91
Gráfico 15: Modelos de incremento de clientes
Elaboración propia
El riesgo de tener mayores clientes por empleado, se acentúa más, si los asesores o
analistas dejan la institución para irse a otra. Las entidades deben de tener mucho cuidado
con los indicadores de deserción de analistas de créditos o sobre todo el personal en sí,
puesto que existe un riesgo si el indicador de rotación de personal se está incrementando,
y genera la pérdida de fidelidad del cliente.
Aquice, Mamani y Peña (2019), mencionan que “para reducir la alta rotación del personal
del área de Negocios (Analistas de Créditos), se tienen que identificar siguientes causas:
Salario, Clima laboral y línea de carrera; variables que deben de tener mayor importancia,
para implementar un programa de retención y fidelización para el área de negocios” (p.42).
“Un alto índice de rotación es un indicador malo, porque estaría reflejando una política
de recursos humanos muy pobre y un índice de rotación cero reflejaría que la empresa es
nada flexible y no tiene la capacidad de contratar personal nuevo con nuevas ideas, que
permitan el desarrollo de la organización”(Aquice et al., 2019, p.8).
En ese sentido se ha presentado los sustentos teóricos y/o técnicos de las variables que se
postulan en esta investigación, obtenidos de diversas tesis doctorales, libros, artículos
92
especializados, reportes y de medios de comunicación. A continuación, se presentan los
sustentos teóricos de las herramientas y metodologías a utilizar.
3.1.3. Matriz de transición
En los últimos años, ha habido una constante preocupación por la administración del
riesgo de crédito de las entidades, y sobre todo el calcular la probabilidad de default de la
cartera, para ello se han desarrollado diversas herramientas estadísticas, análisis de
modelos de clasificación, técnicas variadas, modelos de árboles de decisión, entre ellas,
la matriz de transición.
En estadística, una de las maneras de calcular la probabilidad de un evento, es a través

del uso de una matriz de transición, aporte científico del ruso Andréi Markov, con
respecto a la teoría de la probabilidad. En su aporte conocido como La cadena de Markov,
utiliza una matriz de transición que le permite conocer el estado probable, futuro de un
proceso, a partir de su probable estado actual (Polanco, Gonzales, Castañon, 2015).
Jarrow, Lando y Turnbull (1997), propusieron un modelo en el cual, se podía apreciar

los diferenciales del riesgo de crédito de las entidades financieras en el tiempo, utilizado
la teoría de la cadena de Markov, donde se muestra en una cadena o matriz de transición
cual es el comportamiento de los diferentes estados de clasificación de un crédito,
presentan como un modelo útil para poder estimar sus deudas corporativas y en base a
ellos puedan fijar precios con su contraparte, los deudores.
La matriz de transición, es una cadena que muestra cual es el proceso en el tiempo de una
variable (para este caso, clasificación de cliente), desde el inicio, hasta el final de un
periodo establecido, la matriz está formado por filas y columnas, donde se aprecia el
cambio de las clasificaciones de créditos, mostrando aquellas que se mantienen, se
deterioran o mejoran, de un periodo (t) a un periodo (t+1)
Garrocho, Jiménez y Alvares (2016), defienden que las Cadenas de Markov “se apoyan
en la hipótesis de homogeneidad temporal, donde presentan como elemento fundamental
93
y clave, la probabilidad de transición, que es una probabilidad condicionada de transitar
y migra de una unidad espacial a otra” (p.113).
Para los autores, la matriz de transición aplicadas en las Cadenas de Markov, presentan
diferentes ventajas.
- Tienen un enfoque sistémico, porque identifica los orígenes, destinos y cambios

de manera simultánea, y la dependencia de los flujos, es decir se puede apreciar
cambios muy complejos como el migratorio.
- Su cálculo no es complicado, se utiliza como una herramienta estadística.
- Presenta capacidad predictiva que permite conocer comportamientos a futuros y
sus migraciones en el corto plazo.
Una cadena, es un proceso en el tiempo, en una matriz de transición se puede ver como
una variable Xn, va cambiando de un periodo a otro, es decir la probabilidad que Xn = j,
depende únicamente del estado anterior de la variable.
Jiménez (2017), en su tesis doctoral, señala la relevancia del uso de la matriz de transición,
porque este método permite estudiar la movilidad y los cambios de los factores para
estimar probabilidades. Como resultado de la aplicación de una matriz de transición se
puede calcular las probabilidades de que una cartera cambien de estados, tomando en
consideración la clasificación crediticia del deudor
Para Larralde et al. (2011), mencionan que “La matriz de transición es una herramienta
que permite determinar la probabilidad de que un crédito con una calificación
determinada cambie de calificación crediticia durante un período específico, permitiendo,
en el caso de una institución financiera, estudiar el posible deterioro o mejora que pudiera
presentar su cartera de clientes en el futuro” (p.104). Los autores indican que debido a su
comprensible implementación es uno de los modelos más utilizados para determinar las
mejoras o los deterioros de la cartera.
94
En ese sentido, la matriz de transición se utiliza para determinar la probabilidad del
default de una cartera de créditos, porque se puede apreciar las migraciones que tienen
estas clasificaciones y con ello poder estimar cual es el impacto de esta probabilidad en
el comportamiento de riesgo de crédito. En la parte metodológica de la presente
investigación se explicará cómo se construye el modelo.
3.1.4. Modelo Estadístico - CRISP-DM
Cross Industry Standard Process for Data Mining (CRISP-DM) es una metodología que,
a través de una secuencia de pasos, trabaja con información de una minería de datos, o
también conocido como data mining, siendo una de las más usadas en la actualidad. Sin
embargo, previo a la definición teórica de esta metodología, que se utilizará en el
desarrollo de esta investigación, explicaré a detalle que es el data mining, cuál es su
importancia en la predicción de información fundamental para el diagnóstico de variables
que explican otra variable, el uso en la inteligencia de negocios, asimismo que otras
metodologías para procesar esta información existen y porqué he seleccionado CRIP:DM
como la metodología que se mejor se adapta al desarrollo de la presente investigación.
Minería de Datos – data mining
Identificar que variables pueden influir en otra, es un tema muy importante, y su

determinación corresponde al uso de técnicas estadísticas. El sector de las microfinanzas
es un negocio a gran escala, participan casi cinco millones de clientes, y de ello se tiene
información diferente, como su calificación crediticia, entidades con las que trabaja, saldo
de cartera vigente, vencida, refinanciada/reestructurada, judicial, tipos de crédito, entre
otros, en ese sentido, es importante para este trabajo de investigación la utilización de
herramientas estadísticas que manejen el uso del “data mining” o también llamado,
minería de datos.
Pérez y Santín (2007), en su libro publicado, Minería de datos, técnicas y herramientas

definen a la minera de datos como un proceso de descubrimiento de nuevas y
significativas relaciones, patrones y tendencias al examinar grandes cantidades de datos.
95
Los autores hacen referencia de cuando se cuenta con mucho volumen de información la
utilización de herramientas estadísticas que usen minería de datos es fundamental. El uso
de estas herramientas, “tienen como objetivo descubrir patrones, perfiles y tendencias a
través del análisis de estos datos” (p.1).
El uso de la metodología de datos es para extraer conocimiento que se encuentra en el

procesamiento de toda la información registrada en cantidades de datos.
Koh y Tan (2011), en su publicación sobre “Data mining aplication” definen la minería
de datos como:
Data mining can be defined as the search process previously unknown
patterns and trends in databases and using that information to build
predictive models. Alternatively, it can be defined as the process of data
selection and model exploration and construction using vast data stores to
discover previously unknown patterns. Data mining is not new: it has been
intensively used and extensively by financial institutions, for credit rating.
(p.64)
La minería de datos se puede definir como el proceso de búsqueda patrones

y tendencias previamente desconocidos en bases de datos y usando esa
información para construir modelos predictivos. Alternativamente, se
puede definir como el proceso de selección de datos y exploración y
construcción de modelos utilizando vastos datos tiendas para descubrir
patrones previamente desconocidos. La minería de datos no es nueva: se
ha utilizado intensamente y ampliamente por instituciones financieras,
para calificación crediticia. (traducción propia)
El uso de minería de datos permite encontrar relaciones entre variables a través del
procesamiento de la información. Los autores antes mencionados, indican que la minería
de datos se utiliza para diversos campos, telecomunicaciones, ventas retail, sistema
financiero etc. Este modelo de minería de datos al procesarlo describe como se relacionan
diferentes casos en un conjunto de datos.
Moine, Gordillo y Haedo (2011), hacen referencia a que la utilización de metodologías

que usan minería de datos se ha desarrollado mucho en el tiempo. Las instituciones tienen
información que pueden ser explotadas y analizadas y tener nuevo conocimiento a partir
de los mismos datos. Para los autores:
96
La Minería de Datos o Explotación de Información, es el proceso de
extraer conocimiento útil, comprensible y novedoso de grandes volúmenes
de datos, siendo su principal objetivo encontrar información oculta o
implícita, que no es posible obtener mediante métodos estadísticos
convencionales. El proceso de minería, se basa en el análisis de registros
provenientes de bases de datos operacionales o bien llamados bodegas de
datos (p.11).
En ese sentido, se ha revisado que el uso de la minería de datos, identifica patrones,

proyecta tendencias y puede predecir algunos tipos de comportamientos de los datos
procesados. Debido a la cantidad de información que se tiene, se desea ver los mejores
resultados, por lo que usar la minería de datos, se adapta muy bien a lo que esta
investigación plantea; la evaluación de la información y su reprocesamiento que tiene la
minería de datos se realiza sobre la marcha siendo eso una ventaja del uso de “data
mining”.
Debido a la cantidad de datos que se procesan existen diferentes mecanismos para

manipularlos y sobre todo obtener conocimientos de ellos. En ese sentido el uso de la data
mining o minería de datos es la mejor herramienta para encargarse de este proceso, y para
hacerlo más fácil, se han diseñado diversas metodologías que pueden hacer uso de ellas.
Para procesar toda esta información, existen diferentes metodologías que lo guían, Moine
et al., (2011), mencionan en su publicación “Análisis comparativo de metodologías para
la gestión de proyectos de minería de datos”, que entre las principales metodologías se
encuentran: KDD, SEMMA y CRISP-DM. Lo mismo es indicado por Rodríguez y García
(2016), en su publicación en “Adecuación a metodología de minería de datos”, donde
presenta a estas tres metodologías como las más usadas que se adecuan para el uso de la
minería de datos.
Metodología KDD: (Knowledge Discovery in Databases), fue la primera metodología

aceptada por la comunidad científica, propuesto por Fayyad et al. (1996), quienes lo
definen como “un proceso no trivial de identificar patrones válidos, novedosos,
potencialmente útiles y en última instancia entendible en los datos”(p.11). En su
publicación “Descubrimiento del conocimiento en una base de datos”, nos presentan el
procedimiento para la búsqueda del conocimiento de una minería de datos utilizando la
97
metodología KDD, este procedimiento, se compone en 5 pasos, ver gráfico 16: donde
inicia con una limpieza de datos, se almacena, se obtiene los datos relevantes, selección,
transformación y luego evaluar los patrones obtenidos.
Gráfico 16: Proceso de Construcción del conocimiento KDD
Elaboración propia: Metodología KDD
Nigro, Xodo, Corti y Terren (2004), en su publicación “KDD un proceso centrado en el

usuario”, hacen referencia que KDD no es un sistema amigable para los usuarios, ni para
ser utilizado por un analista, es un proceso que está centrado en el usuario, este debería
estar integrado en toda la organización, es decir para que sea exitoso debe tener un
ambiente de interacción completa en toda la entidad. Si bien KDD establece cuáles son
las fases del proceso de data mining, no indica que actividades hay que realizar en cada
proceso, quedando la definición de los objetivos sobre el grupo de trabajo.
Moine et al. (2011), indican que la metodología KDD, a pesar de poder trabajar con
minería de datos, no está centrado en la comprensión del negocio, sino en el dominio de
la aplicación. Es decir, luego de sus resultados no propone la planificación de un proyecto
que pueda servir para realizar una gestión.
Metodología SEMMA. - (Sample, Explore, Modify, Model, Assess), fue propuesta por
SAS institute, al igual que la metodología anterior esta, procesa, explora, modela
98
cantidades de datos, con el fin de identificar patrones desconocidos. Sin embargo, según
SAS, más que una metodología para trabajar minería de datos, SEMMA es un conjunto
de herramientas funcionales enfocadas hacia los aspectos de desarrollo propio de un
modelo de minería (Hernández y Dueñas, 2009).
Las etapas que componen esta metodología se aprecian en el gráfico 17: el muestreo, la
exploración, modificación, modelado y evaluación.
Gráfico 17: Proceso de Construcción del conocimiento SEMMA
Elaboración propia: Metodología SEMMA
Mérida (2017), en su investigación de tesis de posgrado, indica que la metodología

SEMMA, se centra principalmente en temas de modelación, y el análisis de datos, sin
considerar o dejando a un lado el entendimiento del negocio en sí. El autor indica “el
enfoque de SEMMA como modelo de soporte de aplicación “SAS Entreprise Miner” hace
que su aplicación necesite retoques con el fin de adaptar el modelo, pudiendo producirse
diferencias en la aplicación de la misma de una entidad a otra” (p.14).
Sin embargo, al igual que la metodología anterior muchos autores no la recomiendan su

uso. Luego de haber revisado literatura al respecto, se puede apreciar que para muchos
autores que han realizado trabajos de investigación sobre el procesamiento de bases de
datos a KDD y SEMMA no la definen como metodologías sino como modelos.
Moine et al. (2011) precisan que KDD y SEMMA, se aproximan más a un modelo de
proceso que a una metodología, porque solo se definen las etapas en forma genérica.
Por un lado, encontramos aquellos que están más cercanos a un modelo de

proceso, ya que sólo proponen las fases generales para el proceso de
minería de datos y no incorporan actividades para la gestión del proyecto.
Estos modelos son KDD y SEMMA, los cuales no llegan a ser una
metodología propiamente dicha y dejan a criterio del equipo de trabajo la
definición de las actividades a realizar en cada etapa del proyecto.
Particularmente SEMMA excluye dos etapas importantes del proceso
99
como son el análisis del negocio y la difusión del nuevo conocimiento,
evidenciando que el modelo está orientado especialmente a aspectos
técnicos (p.937-938).
Haciendo que los equipos que realizan estos proyectos establezcan sus propios objetivos,
tareas y a su mejor parecer, asimismo, establecer que procedimientos o actividades debe
implementar en cada etapa de su desarrollo.
Para los autores mencionados, los modelos KDD y SEMMA proponen solo pasos
generales dentro del proyecto de data mining, sin embargo, no se especifican en ninguno
de ellos las tareas que se deben de llevar a cabo en cada una de sus etapas. Para ellos la
mejor metodología por aplicar es la de CRISP-DM porque especifican con mayor detalle
cuales son las actividades de cada proceso.
Rodríguez y García (2016), de su trabajo de investigación realizado sobre una

comparación de las diferentes metodologías para el manejo de la minería de datos, KDD,
SEMMA y CRISP-DM, eligió esta última como la que mejores resultados obtuvo.
CRISP-DM, es más abierta e incorpora mayor detalle para el análisis y comprensión de
los resultados del uso de la minería de datos. Asimismo, porque indican que es la
metodología que es más usada en la comunidad científica.
A continuación, explicaré a mayor detalle la metodología CRISP-DM, la cual será

utilizada en el desarrollo de esta investigación, esta metodología establece secuencias
lógicas para la construcción utilizando de la mejor manera la información de la minería
de datos. La metodología CRISP-DM se ha convertido en un estándar mundial como
referencia para el desarrollo en el manejo de la minería de datos. (Hernández y Dueñas,
2009).
CRISP-DM (Cross Industry Standard Process for Data Mining), es una metodología muy
utilizada para proyectos que usan minería de datos. Hernández y Dueñas (2009), indican,
“fue diseñada en 1999 por un consorcio de empresas europeas (NCR (Dinamarca), AG
(Alemania), SPSS (Inglaterra) y OHRA (Holanda)), los cuales unieron sus esfuerzos para
100
crear un esquema que permitiera mostrar el ciclo de vida de un proyecto de minería de
datos” (p.81).
De la literatura revisada, se ha observado que, con el desarrollo de esta metodología,

aplicando algoritmos28, se pueden hacer predicciones y por ende proyectarse en el futuro,
porque su análisis y comprensión del negocio lo permite. Puede encontrar información
objetiva del comportamiento de variables. Moine et al. (2011), en CRISP-DM, “propone
además una planificación para el control futuro y un análisis de cierre del proyecto
(análisis postmortem), que consiste en encontrar información objetiva acerca de la
trayectoria de un proyecto, con la finalidad de poder hacer una evaluación abierta del
equipo de trabajo, de las decisiones tomadas a lo largo del mismo, de las tecnologías
empleadas y sus consecuencias, con el objetivo de incorporar lo aprendido en proyectos
futuros”.
De acuerdo con la revisión de los conceptos básicos del CRISP-DM “es un método
probado para orientar sus trabajos de minería de datos. Y Como metodología, incluye
descripciones de las fases normales de un proyecto, las tareas necesarias en cada fase y
una explicación de las relaciones entre las tareas”29
Esta metodología presenta una serie de fases o secuencias lógicas (gráfico 18) que
permiten el desarrollo de modelos utilizando la minería de datos. Comprensión del
negocio, análisis de los datos, preparación de los datos, modelamiento, evaluación e
implementación.
28
Un Algoritmo es una secuencia de instrucciones finitas que se llevan a cabo en una serie de procesos
para dar respuesta a determinados problemas.
29
Obtenido del Manual CRISP-DM de IBM SPSS Modeler.
101
Gráfico 18: Proceso de Construcción del conocimiento CRISP-DM
Elaboración propia: Fases metodología CRISP-DM
- Comprensión del negocio. – Esta fase es una de las más importantes e inclusive
la que hace la diferencia con las otras metodologías previamente mencionadas,
(KDD, SEMMA) que es la comprensión completa del negocio, es decir, donde se
comprenden los objetivos del negocio y se entienden las variables que se va a
utilizar, es donde se evalúa la situación en general, se determina los objetivos de
la minería de datos y culmina con la creación de un plan para el proyecto.
- Análisis de datos. - En esta fase se tiene un entendimiento de los datos a analizar,

se realiza la recolección de los datos que se utilizarán en el proyecto, se describen,
se exploran, se determina la calidad de los mismo. Para este trabajo de
investigación esta fase es muy importante porque se puede ya estar asociando a
los resultados de las hipótesis como futuro resultado probable.
- Preparación de los datos. – en esta fase se definen los datos relevantes para el
proyecto, normalmente existe mucha información que no es necesaria para su
evaluación, por lo que se “limpian”, estos son los datos con lo que va a desarrollar
la metodología, se tiene que darles un formato, construirlos y formarlos.
102
- Modelado. - Es en esta fase donde se manipulan los datos, se aplican las diversas
técnicas algorítmicas sobre los datos seleccionados, con el fin de obtener patrones
que nos lleven a tener información sobre algunas posibles conclusiones. Se
selecciona la técnica del modelado, se realizan pruebas y se construye el modelo.
- Evaluación. – Considerada una de las fases más importante, puesto que aquí se
evalúa los resultados, se ve la relación que existe entre los factores seleccionados,
se hace una revisión sobre si se han cumplido los objetivos. Se establece las
conclusiones del trabajo.
- Implementación. – En esta fase, luego de evaluar los resultados obtenidos, y

determinar lo relevante, se comunican a las diferentes áreas de interés de una
manera compresible. Para efectos de la investigación no desarrollaremos esta
etapa de implementación ya que correspondería al desarrollo de cada institución.
La información presentada sobre las fases del modelo CRISP-DM, han sido adaptados de
las investigaciones de (Moine et al., 2011) y de (Mérida, 2017).
Dupouy (2014), hace referencia que existen una serie de metodologías en el manejo
especializado en la minería de datos, de tal manera que puedan transformar la data,
corregirla, resumirla, modelarla etc. Considera que, si bien todas estas metodologías
procesan la información, un factor imperativo y fundamental que debe de considerar el
usuario, es que esta herramienta pueda tener un “conocimiento del negocio”, de tal
manera que se pueda definir una hipótesis y para ello la que mejor explica esto es la
metodología CRISP-DM.
Martínez et al. (2019), en su reciente investigación “CRISP-DM Twenty Years Later:

From Data Mining Processes to Data Science Trajectories”, “CRISP-DM veinte años
después: de los procesos de minería de datos a las trayectorias de la ciencia de datos”,
hacen referencia a que la metodología CRISP-DM, sigue siendo considerada como la
mejor metodología en el uso de la minería de datos.
103
CRISP-DM is still considered the most comprehensive data mining
methodology in terms of meeting needs of projects, and has become the
most widely process used for DM In summary, CRISP-DM is considered
the de facto standard for data science, data mining and analysis Projects
To corroborate this opinion of data science experts, We also verify that
CRISP-DM is still very common methodology for data mining applications
(p.3).
CRISP-DM todavía se considera la más completa metodología de minería

de datos en términos de satisfacer las necesidades de proyectos, y se ha
convertido en el más ampliamente proceso utilizado para proyectos de. En
resumen, CRISP-DM se considera el estándar de facto para ciencia de
datos, minería de datos y análisis Proyectos Para corroborar esta opinión
de los expertos en ciencia de datos, También verificamos que CRISP-DM
sigue siendo muy común metodología para aplicaciones de minería de
datos. (Traducción propia).
Asimismo, de acuerdo con lo mencionado en la fase tres de la metodología CRISP-DM,

para poder usar la minería de datos, es necesario seleccionar la técnica del modelado.
Menes, Arcos y Gallegos (2015), mencionan que dentro de las técnicas más utilizadas se
tiene la regresión logística y la de árbol de decisión.
Fernández (2011), menciona que “el algoritmo de regresión logística es un tipo de análisis
estadístico orientado a la predicción de una variable categórica en función de otras
variables consideradas como parámetros predictores”. Considera que este algoritmo es
utilizado muy frecuentemente, ya que es flexible, para el uso de la minería de datos.
Lara (2010), en su tesis doctoral indica que “la regresión logística es probablemente la
técnica estadística más utilizado en las ciencias sociales” (p.388), mencionando diversas
ventajas en su uso, pudiéndose utilizar las variables independientes en relación la variable
explicada. Asimismo, aporta una metodología flexible, permite relacionar eventos en
función a variables.
Hosmer y Lemeshow (2013), indican que la fuerza del modelo de regresión logística es
que tiene la capacidad de manejar muchas variables, inclusive algunas de ellas pueden
estar a diferentes escalas.
104
Tello, Eslava y Tobías (2013), mencionan que otro de los modelos empleados son los
árboles de decisión, siendo considerada, al igual que la regresión logística, como una
herramienta de uso masivo en el análisis estadístico y en el proceso de la minera de datos.
Los autores indican: los árboles de decisiones, “son ideales para realizar clasificación y
predicción, y por lo general los métodos basados en árboles representan reglas. Los
árboles de decisión son muy útiles en la exploración de datos en los cuales se desea
encontrar relaciones entre una gran cantidad de datos” (p.67).
Dupouy (2014), indica que los árboles de decisión se caracterizan por tener una ventaja
de poder manejar varias variables junto a sus relaciones no lineales, a diferencia otros
modelos, una vez realizados, se puede medir su capacidad predictiva jerárquica y
secuencial, divididos por nodos, por lo que resulta un modelo útil para la comprensión
del proyecto.
En ese sentido, se establece que la minería de datos es un proceso que analiza grandes
cantidades de información, con el fin de buscar patrones y algún tipo de relación
sistemáticas en un proceso de descubrir aprendizaje y donde su procesamiento a través
del uso de una metodología nos lleve a tomar mejores decisiones. Y es precisamente el
objetivo del presente trabajo de investigación el poder determinar variables que expliquen
el comportamiento de otras.
Asimismo, Dupouy (2014), menciona que es frecuente el uso de la “minería de datos en

las finanzas, menciona: Dada la gran cantidad de información generada por los mercados
financieros, así como su calidad y frecuencia muchos autores comenzaron a aplicar las
técnicas de minería de datos a problemas financieros clásicos dada su capacidad para
manejar las complejas relaciones no lineales existentes entre las variables” (p.25).
105
Para el procesamiento de toda la información se han presentado diversas metodologías
estadísticas que emplean esta minería de datos y la transforman en información valiosa.
De las presentadas considero que la metodología CRISP-DM, se adapta mejor al
desarrollo de esta investigación, porque tiene como fortaleza, a diferencia de las otras,
una mejor comprensión del negocio. Y tal como lo he demostrado es mejor considera por
muchos autores, así como las más utilizada para el procesamiento de datos. (Mérida,
2017), en encuestas realizadas para su investigación, determina que CRISP-DM es la
metodología ampliamente utilizada en la gestión de proyectos en el procesamiento de la
minería de datos. Sin embargo, hay que tener en cuenta que diversas instituciones pueden
crear sus propias metodologías que se adapten al entorno de su organización. Con
respecto a la selección de la técnica del modelado, se explicará más adelante conforme se
vaya avanzando con la investigación.
3.2. Estado de la Cuestión.
Hernández et al. (2014), menciona en su libro “Metodología de investigación”, que todo

el conocimiento teórico previo, debe justificar la existencia del tema de investigación y
permitirá la aceptación y reproducción de este conocimiento en investigaciones
posteriores. Hernandez y Mendoza (2018) “ello implica analizar y exponer de una
manera organizada las teorías, investigaciones previas y los antecedentes en general que
se consideren válidos y adecuados para contextualizar y orientar el estudio” (p.70).
A continuación, se presentan investigaciones previamente realizadas, (en forma evolutiva

en la última década – desde el 2010 hasta el 2020), donde se consideran múltiples trabajos
relacionados al tema objeto del estudio, con resultados diferentes, y se podrá apreciar que
en todas ellas es fundamental el uso de herramientas estadísticas, econométricas o algún
tipo de modelo analítico, pero todas ellas con un fin, determinar los factores que afectan
al riesgo de crédito, pudiendo así las instituciones microfinancieras preservar su
sostenibilidad y estabilidad en el sistema financiero.
106
Lara (2010), en su tesis doctoral, “La gestión del riesgo de crédito en las instituciones de
microfinanzas”, el autor presenta las diferentes técnicas estadísticas que se pueden utilizar
para el cálculo del riesgo de crédito de la banca comercial, entre ellas:
- Modelo de probabilidad lineal. – donde se utilizan un enfoque de regresión por

mínimos cuadrados donde se utiliza una variable dummy 30 , donde representa la
ecuación como regresión lineal en función a diversas variables explicativas.
- Modelo Logit. - o también llamado modelo de regresión logística, cuya aplicación
estadística da como resultado probabilidades de ocurrencia, como las de pago o no
pago del crédito.
- Modelo Probit. - donde para la estimación de los parámetros se utilizan en función
de una distribución normal, en estos casos se presenta una variable dependiente
limitada o categórica.
- Modelo de programación lineal. - donde señala que este modelo permite programar
plantillas o sistemas de rating, sin perder de vista los criterios de optimización de
clientes.
- Arboles de decisiones. - entendiéndose como un modelo tipo de selección de
variables, donde su principal ventaja que no está sujeto a supuestos estadísticos, es
un modelo de gran flexibilidad, utilizado por muchos autores.
¿El autor después de preguntarse cuál técnica es mejor que la otra?, concluye que no
existe un modelo mejor sobre el resto, porque la herramienta que se tiene que utilizar, va
a ser acuerdo con los recursos con los que se cuenta.
Asimismo, el autor presenta en su tesis doctoral, diversos modelos para calcular el riesgo
de crédito en instituciones microfinancieras en el mundo, tales como:
- Modelo Vigano. - modelo utilizado en Burkina Faso, basado análisis discriminantes
que le permite al autor concluir con una interpretación teórica referido a diversos
determinantes en el riesgo de crédito. Para su caso consideró múltiples variables
explicativas, que son variables propias de cada entidad. Este modelo fue utilizado
para una entidad de microfinanzas específica.
30
Variable de carácter cualitativa que pueden indicar la presencia o ausencia de una cualidad o atributo,
toman valor de 1 y 0.
107
- Modelo Sharma. - utilizados para calcular las variables explicativas en el riesgo de
crédito para una entidad en Bangladesh, y aplicado a una cartera pequeña.
- Modelo Zeller. - Utilizado en Madagascar, para calcular el riesgo de crédito en
función de variables características de la región o la comunidad.
- Modelo Reinke. - Utilizado en Sudáfrica, aplicado en una entidad pequeña, donde
igual manera su intención de identificar factores determinantes en el impago de un
crédito.
El autor, menciona que para la utilización de estos modelos se consideran variables como:
producto bruto interno, sector económico, ubicación geográfica, clientes denegados,
destino del crédito, sexo, estado civil, clientes nuevos entre otros. Los cuales, al aplicar a
los diversos modelos en cada país, presenta algún tipo de impacto en el riesgo de crédito.
En ese sentido el aporte de esta investigación es que el autor presenta múltiples modelos,
con el fin de que las entidades puedan, a través de la identificación de variables, explicar
el comportamiento de los clientes en el pago de sus cuotas, algunas de las variables que
podemos tomar como referencias en esta investigación son las referidas al microentorno,
asimismo que la metodología a utilizar puede ser variada y de acuerdo con lo que el
investigador requiera y disponga de información.
Cermeño, León y Mantilla (2011), en su investigación “Determinantes de la morosidad:

Un estudio panel a instituciones microfinancieras”, tienen como objetivo investigar
empíricamente los principales determinantes de las tasas de morosidad en instituciones
microfinancieras en un grupo de instituciones especializadas en el Perú – periodo 2003-
2010.
En el referido artículo los autores postulan que existen variables macroeconómicas, las
mismas que participan en la actividad en la economía peruana, referidas a la inflación,
producto bruto interno (por su relación con el empleo, ingresos), variables
microeconómicas, asociadas a la política de créditos, tecnología crediticia, variables
asociadas a la posición de liquidez, la posición de intermediación de fondos, (medidas
como ratio de créditos a depósitos) y la tasa de interés de créditos de la cartera, las mismas
que tienen una relación directa con la morosidad.
108
La metodología utilizada es la de un estudio panel econométrico, asimismo recalca los
problemas de información asimétrica que se cuenta en este sector, entendiendo como
asimetría a la información distorsionada que se obtiene de los clientes, ya que muchos de
ellos son informales.
Los autores concluyen que gran parte de la morosidad esta explicada precisamente por
variables del macro y del micro entorno, debiéndose asimismo por problemas de la
información asimétrica y que las variables mencionadas anteriormente están directamente
relacionadas con el incremento de la morosidad.
El aporte de los autores está en sugerir que el estado y el ente regulador deberían
supervisar el adecuado manejo de las tasas de interés activas porque tiene relación directa
con la morosidad de las instituciones microfinancieras especializadas y de no hacerlo
pueden tener posibles consecuencias negativas en sus políticas crediticias.
Rayo, Rodriguez y Lara (2011), en su publicación “Un caso empírico en la evaluación

del riesgo de crédito de una institución de microfinanzas peruana”, los autores tienen
como objetivo presentar en forma explicativa y predictiva el comportamiento de pago de
la cartera de créditos de una institución microfinanciera en el Perú, con el fin de estimar
su probabilidad de impago futuro. Para ello, utilizan una herramienta de credit scoring
(modelo de calificación estadística).
Los autores presentan diversos tipos de variables: propias del cliente, propias de las
operaciones de créditos y variables macroeconómicas. Como resultado de su
investigación, indican que la aplicación del credit scoring puede predecir el 78.3% del
comportamiento de la cartera. Recomendando que hay mucho trabajo por hacer con
respecto a revisiones futuras sobre cálculos de incumplimiento de pagos.
Vela et al. (2012), en su investigación, “Los factores que determinan la calidad de la

cartera crediticia de las entidades microfinancieras de la Amazonía peruana 2008-2011”
109
Los autores tienen como objetivo determinar cuáles son los factores que determinan la
calidad de la cartera crediticia en las entidades microfinancieras de la Amazonía peruana.
Los autores postulan a que existen factores de índole macroeconómico (tasa de
crecimiento del producto bruto interno) y como variables microeconómicas (considera la
tasa de crecimiento de las colocaciones, la solvencia y la eficiencia de las entidades
microfinancieras de la Amazonía peruana). Con respecto a la metodología, emplean el
uso de una representación econométrica de tipo panel de datos.
De las conclusiones de dicho estudio, los autores afirman que la calidad de la cartera esta
explicada por un conjunto de variables del macro y micro entorno, tales como el ciclo
económico, crecimiento en las colocaciones, el nivel de solvencia de las instituciones,
tasa de rendimientos de activos y gestión de sus costos operativos.
El aporte de los autores, está referido a que las entidades realicen una adecuada gestión
del riesgo puesto que esta calidad de cartera está influenciada por las variables
mencionadas, asimismo, que las políticas de gobiernos deben fomentar mecanismos de
inclusión financiera. Como se observa, el autor utiliza una variable en común a las
planteadas en esta investigación como el crecimiento de las colocaciones.
Valencia y Zambrano (2012), en su publicación “Cálculo de la probabilidad de default

para una carteara de créditos vehiculares”, los autores presentan como objetivo calcular
la probabilidad de cartera utilizando el modelo de matriz de transición, de tal manera que,
con los resultados, les permita determinar la calidad, estabilidad y seguimiento en el
manejo de una cartera de colocaciones.
Los autores, toman en consideración el cálculo de la probabilidad de default para una

posterior determinación de la pérdida esperada de la cartera, que tiene como paso previo
al cálculo de esta probabilidad, ya que en adición a este cálculo requiere saber el nivel de
severidad de la recuperación y la exposición de la cartera al momento del default.
La metodología empleada por los autores, para el cálculo de las matrices de transición es
utilizando tablas dinámicas, donde se presentan las migraciones del estado de la cartera
110
de colocaciones en el tiempo; estas tablas muestran los diferentes tipos de clasificación
de la cartera, en este caso, considera la clasificación de una cartera de créditos vehiculares.
En esta tabla dinámica al final se presentan las probabilidades que tienen las
clasificaciones de cartera en deteriorarse de un periodo a otro, en la diagonal de la figura
9 se muestra a aquellas clasificaciones que se mantuvieron en su mismo lugar luego de
pasado el periodo establecido de análisis.
Figura 9: Modelo de matriz de transición
Fuente: Considerada de la investigación del autor en referencia
Los autores concluyen, que su investigación, logra conocer cuáles son las probabilidades
de default de su cartera en estudio, permitiéndole establecer lo riesgoso o rentable en el
comportamiento evolutivo de su clasificación crediticia.
Por ejemplo, en la figura 9, se puede apreciar que la primera columna muestra cómo
empezó la cartera en un tiempo t y en la fila superior un tiempo t+1, el total de cada fila
suma el 100%, y nos indica que, por ejemplo, existe una probabilidad que el 95.99% de
la cartera que inició con calificación A se mantiene en su misma clasificación.
Lo valioso de esta investigación está en que los autores recomiendan a las instituciones
financieras al uso de esta matriz de transición para determinar la probabilidad de default
que permita realizar el seguimiento correspondiente al monitoreo del riesgo de crédito de
la entidad.
111
Reganie (2013), Application of data mining techniques for customer segmentation and
prediction: the case of a microfinance institution in Ethiopia. Aplicación del uso de la
minería de datos para segmentar y predecir: el caso de una institución microfinanciera en
Etiopia, donde se presenta como objetivo general el aplicar métodos y técnicas de la
minería de datos para segmentar y predecir clientes rentables de la institución
microfinanciera para poder tener una mejor gestión de la relación con los clientes.
Para ello en primer lugar, preparó los datos que utilizó en la construcción del modelo,
identificando los atributos importantes en ellos, revisó la relación entre las variables (nivel
de educación, monto del préstamo, edad, sexo, estado civil), y construyó un modelo
predictivo que ayudaría a clasificar a los clientes, para finalmente interpretar los
resultados, emitir conclusiones y recomendaciones.
Para el logro de los objetivos establecidos esta investigación, el autor utilizó la

metodología estadística CRISP-DM, (Cross-Industry-Data-Mining), debido a que esta
metodología se adapta a su información recogida y que se ha aplicado ampliamente en la
minería de datos. Describen las seis fases de la metodología: Comprensión del negocio,
análisis de los datos, preparación de datos, modelado, evaluación e implementación.
De acuerdo con sus resultados el autor corroboró la importancia de la utilización de la

metodología utilizada para predecir efectos futuros y comportamientos de algunas
variables, que le permitan ayudar a tener una mejor gestión con los clientes. Esta
tecnología de minería de datos ayudo a descubrir diversos patrones que al analizarlos y
presentándolos, puedan maximizar las ganancias de la institución. El aporte del autor está
referido a que los resultados obtenidos en su investigación alentarán a la institución a
trabajar en técnicas de minería de datos para el exitoso logro de la meta institucional y
que a partir de los resultados obtenidos puedan generar mayor conocimiento a futuro.
(Investigación se encuentra en inglés, la traducción incorporada ha sido propia)
Cóndor y Cajamarca (2014), en una investigación realizada para la Superintendencia de

Banca y Seguros del Ecuador, denominada, “Matrices de transición y análisis de cosechas
en el contexto de riesgo de crédito”, el objetivo en esta investigación es analizar el
112
impacto que tienen los indicadores financieros en el riesgo de crédito. Para este caso
utiliza una matriz de transición por tipo de crédito y adicionalmente realizan un análisis
de cosechas de nuevas operaciones.
Los autores utilizan como metodología una matriz de transición para conocer el
comportamiento de la calificación crediticia y su migración a otra calificación en un
horizonte de tiempo determinado. Los autores indican que esta matriz debe de cumplir
con las siguientes condiciones: Todos los elementos presentados deben ser positivos y
todas las filas deben de sumar la unidad.
Como resultado de su investigación, los autores presentan las probabilidades

condicionales de que la cartera pueda permanecer o deteriore hacia otra calificación, (o
mejorar o empeorar). En este caso los autores realizan una matriz por cada tipo de crédito:
microempresa, consumo, cartera comercial.
Concluyendo con un análisis de los resultados obtenidos por la aplicación de las matrices
de transición, determinado las probabilidades de que las operaciones puedan mejorar o
deteriorarse en el tiempo de investigación establecido. El aporte de esta investigación para
el presente trabajo, radica en la importancia del uso de una matriz de transición para
determinar la probabilidad de default.
Paredes y Ugarte (2015), en su investigación denominada “Factores que influyen en el

nivel de morosidad de la cartera de créditos en una Caja Municipal en el Perú”, donde los
autores tienen como objetivo determinar cuáles son los factores determinantes que
influyen en el nivel de morosidad en una institución microfinanciera, considerando
información con cifras del 2010-2014. La herramienta estadística que usan los autores en
su investigación en una de tipo causal y correlacional, donde buscan determinar el grado
de correlación entre variables del Macroentorno como las del Microentorno. Como
variable dependiente utiliza la morosidad, y como variables explicativas
macroeconómicas al: PBI, tipo de cambio, nivel de empleo, liquidez, y la tasa de interés
activa y variables explicativas microeconómicas al: Crecimiento de colocaciones,
113
sobreendeudamiento, solvencia, efectividad (considerando al efectivo disponible),
rentabilidad, productividad.
Los autores concluyen, que el Perú es un país propicio para las microfinanzas y que el
deterioro de la cartera se debe a variables macroeconómicas y microeconómicas,
destacando en las que tienen mayor impacto, como la variación del PBI, la liquidez del
sistema financiero, los gastos operativos y el número de oficinas. El aporte a la
investigación es que los autores indican que es muy importante incorporar herramientas
y diversos mecanismos para el seguimiento y control de las colocaciones, y sobre todo
identificar de manera temprana la probabilidad de “no pago”. Lo valioso en esta
investigación es que una vez más se realizan trabajos con el fin de determinar la
implicancia de diversas variables, (como las de crecimiento en colocaciones,
sobreendeudamiento) en la morosidad.
Carpio (2016), en su investigación “Modelo de predicción de la morosidad en el

otorgamiento de crédito financiero aplicando metodología CRISP-DM”, el autor presenta
como objetivo el desarrollar un modelo de predicción de la morosidad en el otorgamiento
de créditos de una entidad microfinanciera específica, aplicando la metodología CRISP-
DM, con el fin de tomar mejores decisiones con respecto al otorgamiento de créditos.
Las variables que el autor considera para el desarrollo del modelo de predicción, son el
saldo promedio de la cartera de créditos, sexo, estado civil, monto del crédito, tipo de
vivienda, historial de créditos, fiadores, entre otros. (Esta información de variables
pertenece a la data interna de la microfinanciera en estudio que le proporcionaron al autor).
Como las principales variables que explican la morosidad de esta institución fueron:
Saldo promedio, el historial de créditos y el monto del préstamo. El autor concluye que
el uso de la metodología CRISP-DM fue idónea para la ejecución del proyecto, que la
aplicación del modelo predictivo ayudo a identificar variables que explican el índice de
morosidad de la entidad evaluada. Se logró aplicar algoritmos para obtener certeza de la
predicción. Recomienda que se realicen investigaciones con el uso de otras variables que
puedan explicar el comportamiento en la evaluación de los créditos.
114
Torres y Farroñay (2017), En su investigación, “Implementación de minería de datos para
detectar patrones de comportamiento de clientes morosos en una cooperativa, que otorga
créditos en la ciudad de Chiclayo – Perú, los autores presentan como objetivo detectar
patrones de comportamiento de usuarios potencialmente morosos en una cooperativa
(dedicada a la atención de microempresarios), debido al incremento de su morosidad que
tiene.
Para el cumplimiento de su objetivo plantea la aplicación de técnicas de minería de datos,

de tal manera que puedan establecer comportamientos de clientes que se encuentran
morosos en la empresa. En su trabajo de investigación, realizan una comparación de las
tres metodologías más utilizadas en la comunidad científica, KDD, SEMMA y CRISP-
DM, ver figura 10: destacando como la metodología CRISP-DM como la mejor de todas,
debido a que incorpora el conocimiento del negocio y de los datos.
Figura 10: Comparación de metodologías
Fuente: Diseño de los autores, en su publicación.
Los autores concluyen, destacando la importancia del uso de la metodología seleccionada

para el procesamiento de la minería de datos, luego de seguir los pasos establecidos
identificaron patrones en el comportamiento de la morosidad de la institución en estudio,
las cuales ayudan a disminuir los tiempos para determinar los potenciales clientes
morosos y minimizar riesgos por la pérdida de créditos.
115
Marulanda, Lopéz y Mejía (2017), en su publicación, “Minería de datos en gestión del
conocimiento de pymes de Colombia”, presentan la importancia del uso de la minería de
datos para el descubrimiento de patrones que expliquen comportamientos de la variable
segmentación geográfica en pequeñas y microempresas en Colombia. El enfoque de
investigación fue cualitativo y descriptivo usando técnicas en el uso de la minería de datos.
Para ello, diseñaron una metodología interna, que mejor se adapte a su proyecto, sin
embargo, lo que rescato de esta investigación es que se realiza el proceso establecido en
el marco teórico, como es el de establecer variables y categorías, las mismas que entran
en una fase de procesamiento y limpieza, donde se transforman los datos, y proceden al
modelado en su metodología usado por los autores.
La importancia de este estudio está en reforzar el planteamiento de la variable,

segmentación geográfica del objetivo de este estudio, asimismo la importancia del uso de
la minería de datos para su elaboración.
Lopez y Perez (2017), en su investigación, “Determinantes que explican la morosidad de

las Cajas Rurales de Ahorro y Crédito durante el periodo 2009 al 2016”, tienen como
objetivo demostrar el grado de explicación que tienen variables microeconómicas y
macroeconómicas durante el periodo indicado. Los autores postulan a que dentro de las
determinantes microeconómicas que explican la morosidad de las Cajas Rurales, son la
tecnología crediticia, la rentabilidad, la diversificación geográfica y la eficiencia
operativa Donde afirman la ratio de morosidad se da debido a la deficiente tecnología
crediticia, elevados gastos operativos y una expansión geográfica mal planificada.
La investigación en referencia utiliza una metodología de enfoque cuantitativo,

experimental, a través de un estudio panel de datos dinámicos, usando un modelo
econométrico.
Los autores concluyen que la morosidad de las Cajas Rurales de Ahorro y Crédito se
encuentra determinada mayormente por variables microeconómicas, como la tecnología
crediticia, la diversificación geográfica, la eficiencia operativa y rentabilidad. Asimismo,
en su investigación determinaron que la variable externa, producto bruto interno no es
116
significativa en su impacto. El aporte de esta investigación es nuevamente la
preocupación por determinar los factores que explican la morosidad en el sistema
microfinanciero, considerando como variable la diversificación geográfica.
Asencios, López, Poma, Babilon (2019), en su investigación, “Buenas prácticas de

gestión de riesgo de crédito y su impacto en la creación de valor, para casos de
cooperativas de ahorro y crédito”, esta investigación tuvo como objetivo identificar las
buenas prácticas de la gestión del riesgo de créditos en un determinado número de
cooperativas, donde mencionan y citan a diversos autores que concluyen sobre la
importancia del manejo del riesgo de crédito de las instituciones y su influencia directa
en la creación de valor. La metodología estadística utilizada para evaluar sus “buenas
prácticas” que postulaban, fue la una regresión lineal simple que relaciona su variable
definida como dependiente con las variables independientes (buenas prácticas).
Las prácticas de gestión de riesgo de crédito y la creación de valor en las

cooperativas, se determinaron a las prácticas postuladas como “Buenas
Prácticas”, debido a, que cuando se incrementa el grado de aplicación de
las prácticas de gestión de riesgo de crédito, la variación relativa del EVA
(medida para cuantificar la creación de valor) también se incrementa, y
viceversa, así también, para corroborar que son “Buenas Prácticas”, se
calculó el coeficiente de correlación entre el grado de aplicación de las
diez prácticas de gestión de riesgo de crédito y el porcentaje de morosidad
superior a 30 días de la cartera de créditos (Asencios et al., 2019, p.111).
El aporte de su investigación, está en la recomendación de que las cooperativas de ahorro

y crédito, puedan aplicar sus buenas prácticas crediticias identificadas, ya que tienen
relación directa con un mejor manejo del riesgo de crédito. Asimismo, destacan la
importancia de la gestión del riesgo de crédito en la creación de valor en las cooperativas
de ahorro y crédito.
Ngonyani (2019), en su tesis doctoral, “Implication of credit risk management practices

on performance of microfinance institutions in Tanzania”, implicancias de las prácticas
de gestión del riesgo de crédito sobre el desempeño de las instituciones de microfinanzas
en Tanzania, el autor tiene como objetivo determinar que variables socioeconómicas
influyen en el riesgo de crédito de entidades de microfinanzas en Tanzania, entre las
117
variables consideradas por el autor están, número de préstamos por empleado, costo
operacional prestatario, tamaño de préstamos, periodo de duración de los créditos y tasa
de interés.
El autor, utiliza como metodología, el modelo econométrico de regresión múltiple, y llega

a la conclusión que las más significativas que explican el riesgo de crédito son el tamaño
del préstamo, el número de préstamos por empleado y el periodo de duración de los
créditos. Lo valioso de este trabajo de investigación para el presente trabajo es que
concuerda con dos variables probablemente explicativas, como son el tamaño del crédito
y el número de préstamos por empleado.
Alcántara y Damián (2020), en su investigación, “Causas generadoras de la morosidad

crediticia y el grado de afectación en el mercado microfinanciero en el distrito de
Chiclayo periodos 2012 -2013, tiene como objetivo determinar que genera la mora
crediticia en las entidades microfinancieras en la referida ciudad. Para ello, presenta
factores macroeconómicos que los clasifica en grandes grupos: variables que afectan el
grado de liquidez, que miden el ciclo económico y las que miden nivel de endeudamiento
y como variables internas, presentan los elevados incrementos en la tasa de crecimiento
de colocaciones, el incentivo que reciben los asesores de negocios, el tamaño de cartera
por empleado, la selección adversa y la expansión de las agencias.
Para el desarrollo de su investigación, los autores aplicaron diversas técnicas de

investigación como: análisis documentario, indagación, conciliación de datos, tabulación
de cuadros con cantidades y porcentajes y elaboración de gráficos.
En las conclusiones de la investigación, los autores establecen que la morosidad crediticia

es una de los principales factores que explican las crisis financieras, lo que afecta
directamente su rentabilidad, asimismo una adecuada vigilancia o seguimientos de los
créditos, otro indicador que explica la morosidad, es el monto colocado por empleado.
El aporte de los autores en esta investigación, está referido al uso de variables, que
también se postula en el presente trabajo de investigación, como el crecimiento en las
118
colocaciones y el tamaño de la cartera por empleado. Los autores reafirman el
seguimiento que se le tiene que hacer a las entidades microfinancieras, analizar la
tecnología crediticia, monitorear el sistema de incentivos a su personal, analizar las
características socio económicas etc.
3.3. Resumen del capítulo
De acuerdo con el desarrollo del presente capítulo se puede apreciar que existe suficiente
evidencia académica y profesional para poder sustentar las variables postuladas en esta
investigación y la relevancia que pueden tener en el riesgo de crédito de las Cajas
Municipales de Ahorro y Crédito
Siguiendo el razonamiento precedente, se puede apreciar que existen en general variables

externas o macroeconómicas, como el producto bruto interno, el nivel de desempleo, y
variables internas o microeconómicas, como las referidas propiamente a cada entidad,
crecimiento de cartera, incremento de morosidad, segmentación, ubicación geográfica,
destino del crédito, sexo, estado civil, sobreendeudamiento, tasa de interés activa de los
créditos etc. Todas ellas postuladas por muchos autores, pero todo ellos con un fin,
determinar las influyentes en el riesgo de crédito. El presente trabajo de investigación es
inédito al postular variables que pueden influir en el riesgo de crédito de las CMAC,
producto de su evaluación 2016 -2019, y con los resultados, poder aportar conocimiento
estratégico para una mejor gestión de este indicador y su impacto directo en los resultados
de las instituciones financieras especializadas.
Asimismo, se ha presentado las diversas metodologías empleadas para cada caso, todas
ellas, estadísticas, econométricas, analíticas, todas con el fin de contrastar determinadas
variables que contribuyan a explicar el riesgo de crédito, así las instituciones puedan tener
una mejor gestión de este indicador. Para el desarrollo de este trabajo de investigación se
aplicará la metodología estadística CRISP-DM, por el manejo de la minería de datos, por
las ventajas explicada, con el fin que pueda detectar patrones de comportamiento de las
variables establecidas y así demostrar los postulados.
119
CAPITULO IV: DISEÑO Y METODOLOGÍA DE LA INVESTIGACIÓN.
Una vez contextualizado el entorno de las microfinanzas en el Perú, y desarrollado el

marco teórico, se procede a presentar el diseño y la metodología utilizada para esta
investigación. Hernandez y Mendoza (2018), indican que “la investigación es un conjunto
de procesos sistemáticos, críticos y empíricos que se aplican al estudio de un fenómeno o
problema con el resultado (o el objetivo) de ampliar su conocimiento” (p.4).
Para Arbaiza (2014), lo más importante en una investigación científica es que esta
información este sustentada sobre bases confiables y datos obtenidos con rigurosidad. Es
por ello que se deben tener nociones de metodologías de investigación, para tener una
mejor aproximación al conocimiento. Toda investigación necesita de una metodología,
Wahyuni (2012), como se cita en Arbaiza (2014), “sostiene que la metodología es la base
teórica e ideológica de un método, siendo como una ruta o un modelo para conducir la
investigación, teniendo su fundamento en contextos particulares” (p.27).
En ese sentido, se procederá a presentar el enfoque, alcance, diseño, población, muestra

recolección de datos y la operacionalización de variables que se utilizaron para el
desarrollo del presente trabajo de investigación.
4.1. Enfoque y Alcance de la Investigación
Hernandez y Mendoza (2018), en su libro “metodología de la investigación”, presentan

las rutas que han sido construidas para la elaboración de una investigación científica; una
ruta cualitativa y otra cuantitativa. La primera ruta, cualitativa, recolecta y analizan datos,
con el fin de formular preguntas importantes y contestarlas, este enfoque supone realidad
subjetividad, no se basa en estadística, en el segundo enfoque, cuantitativo, los autores
mencionados, hacen referencia a que es apropiado cuando se quiere estimar las
magnitudes u ocurrencias para probar una hipótesis, o cuando su meta principal sea
construir y demostrar teorías mediante la explicación y predicción de relaciones causales
entre los elementos presentes en un fenómeno.
120
De acuerdo con lo indicado anteriormente, la presente investigación tiene un marcado
enfoque cuantitativo, puesto que “usa la recolección de datos para probar hipótesis, con
base en la medición numérica y el análisis estadístico, para establecer patrones de
comportamiento y probar teorías” (Hernández et al., 2010, p.4). Esta investigación
examina la realidad objetiva basada en la teoría de las microfinanzas en el sustento del
comportamiento de las variables establecidas, buscando probar hipótesis, utilizará
técnicas estadísticas y como datos estandarizados de un grupo de entidades especializadas,
las Cajas Municipales de Ahorro y Crédito.
Una vez que se han definido los enfoques a utilizar, se procede a estimar el alcance de la
investigación. Hernández et al. (2010), indican que los alcances en una investigación son
de tipo exploratorio, descriptivo, correlacional y explicativo, pero también puede incluir
más de uno. Los autores mencionan que el alcance “exploratorio, se realizan cuando el
objetivo consiste en examinar un tema poco estudiado, el descriptivo, busca especificar
propiedades, características y rasgos importantes del fenómeno en análisis, el
correlacional, asocia variables mediante un patrón predecible para un grupo o población,
y explicativo, pretende establecer causas de los eventos o sucesos que se estudian” (p.79).
De acuerdo con lo mencionado, este trabajo de investigación se ha clasificado como uno

de alcance correlacional, explicativo, porque a través de la aplicación de la metodología
estadística CRISP-DM se pretende demostrar la asociación o relación entre dos o más
variables y a su vez explicar y analizar científicamente las causas por las cuales existe
relación entre ellas. Asimismo, utilizando las matrices de transición, se pretende
determinar diferentes tendencias de comportamiento de los deudores y la probabilidad de
default de la cartera de colocaciones que permita establecer una relación con el riesgo de
crédito, todo esto con el fin de probar los objetivos y las hipótesis establecidas.
4.2. Diseño de la investigación
Hernandez y Mendoza (2018), indican que “el diseño es un plan que se desarrolla para
obtener la información (datos) requerida en una investigación con el fin último de
responder satisfactoriamente el planteamiento de un problema” (p.150). En la ruta
cuantitativa se presentan dos tipos de diseños, el experimental y el no experimental. En
121
la primera de ellas hay una manipulación intencionada de una o más variables, el diseño
no experimental es una investigación que se realiza sin manipular deliberadamente las
variables.
Esta investigación, tiene un diseño no experimental puesto que la metodología aplicada

desarrollará las variables tal como ocurre en su contexto natural, se va a observar
situaciones ya existentes, las variables independientes existen y no se van a manipular, es
decir la premisa es que las variables ya se presentaron y por ende sus efectos ya sucedieron.
Los diseños no experimentales, de acuerdo con su horizonte temporal de investigación,

se clasifican según Hernandez y Mendoza (2018), en transversales y longitudinales. En
el primero de los mencionados, se centra en obtener datos en un momento único, su
propósito normalmente es describir variables en un grupo de casos y analizar su
interrelación, pueden ser de tipo exploratorio, descriptivo, correlacionales-causales; y el
otro caso, diseño no experimental longitudinal, determinada por la recolección de datos
en diferentes puntos del tiempo para realizar inferencias acerca de la evolución del
problema de investigación, determinar sus causas y sus efectos; estas pueden ser de tipo
tendencia, (analizan una población para observar los cambios que ocurren a través del
tiempo); tipo evolutivos – cohorte, (en este caso, el cambio se analiza en grupos
específicos con características comunes) y tipo panel, (se diferencian de los anteriores en
que a los cambios en el tiempo si deben evaluarse a los mismos participantes).
En el presente trabajo de investigación se considera un diseño no experimental, con un

horizonte de tiempo transversal, tipo descriptivo y correlacional, como ya se indicó, se
han identificado variables independientes, las mismas que a través de métodos
estadísticos se observará su influencia en el riesgo de crédito de las Cajas Municipales de
Ahorro y Crédito entre los años 2016 y 2019, periodos donde las CMAC presentan
incrementos en su morosidad.
122
4.3. Población y muestra
Hernandez y Mendoza (2018), indican que la población “es el conjunto de todos los casos
que concuerdan con una serie de especificaciones” (p.195). En esta investigación la
población es el conjunto de Cajas Municipales de Ahorro y Crédito que operan en el Perú.
En esta tesis la muestra es igual a la población porque realiza el estudio a todas las Cajas
Municipales de Ahorro y Crédito. En base a la teoría se puede decir que se ha utilizado
una muestra no probabilística. Hernandez y Mendoza (2018), hacen referencia a que, en
las muestras no probabilísticas, la elección no depende de la probabilidad, sino a razones
relacionadas con características particulares seleccionas por el investigador de acuerdo
con el contexto del trabajo de investigación
4.4. Recolección de datos
Hernandez y Mendoza (2018), mencionan, “los datos son la materia prima para el análisis,
los ladrillos sobre los cuales se construye este y, por lo tanto, el conocimiento” (p.224).
Las Cajas Municipales de Ahorro y Crédito, al igual que todas las instituciones del
sistema financiero peruano, remiten información financiera a la Superintendencia de
Banca y Seguros, esta institución consolida toda la información pública del sistema y
emite el reporte crediticio de deudores (RCD), la misma que es distribuida al sistema
financiero, centrales de riesgos, y diversas instituciones que lo requieren.
Para el presente trabajo de investigación se cuenta con el reporte crediticio de deudores,

de 48 meses (enero 2016 – diciembre 2019), la misma que fue solicitada con fecha 22 de
junio 2020 (ver anexo 7), a la empresa privada “Informa Perú”, que es una empresa
especializada en brindar información del sistema microfinanciero en el Perú. Esta
institución, otorgó esta información en un disco compacto (CD) con fecha 30 de junio
(ver anexo 8), cabe indicar que la data se recibió, enmascarada, es decir, sin la
información de los nombres de los deudores31 y de acuerdo con la solicitud fue entregada
para fines estrictamente académicos.
31
En cumplimiento con la Ley 29733, Ley SBS, de protección de datos personales.
123
Es importante señalar que la Superintendencia de Banca y Seguros publica en su página
oficial estadísticas diversas, bajo ciertos formatos elaborados, información sobre el
desarrollo de todo el sistema financiero peruano, que incluye las CMAC. Toda esta
información recopilada ha sido utilizada para el desarrollo del presente trabajo de
investigación.
Además, en la investigación se realizará entrevistas a profundidad a las personas

especialistas en las diferentes áreas de negocios y riesgos, cuya participación en las
instituciones microfinancieras son o fueron pertinentes al caso de estudio planteado.
Kotari (2004) como se cita en Arbaiza (2014), menciona que “la entrevista consiste en
presentarle a una persona un estímulo verbal para que responda, ya sea una pregunta o
frase. Puede realizarse en persona, por teléfono o Internet” (p.205)
En ese sentido, este trabajo de investigación se sustenta con el uso de fuentes secundarias,
(información publicada en la página oficial de la Superintendencia de Banca y Seguro,
reporte crediticio de deudores de todo el sistema financiero en el Perú) y en el uso de
fuente primaria (desarrollo de entrevistas a profundidad), a los expertos en el sector
microfinanciero, con el fin de contrastar los resultados obtenidos.
4.5. Operacionalización de Variables
A continuación, se presenta la operacionalización de las variables a utilizar en el presente

trabajo de investigación.
Variable dependiente:
- Variable Y = Riesgo de Crédito (Cartera de alto riesgo)
Variables independientes:
- Variables X1,2,3,4,5 = Factores determinantes que influyen en el Riesgo de Crédito.
Para el procesamiento, demostración y comprobación de los objetivos se precisa las

variables y sus indicadores respectivos:
124
Variables Denominación Indicadores
Riesgo de Crédito Y. Cartera vencida + cartera
Dependiente
(Cartera de alto refinanciada/reestructurada + cartera
(Y)
riesgo) judicial / total saldo cartera
Cartera promedio por X1. Cartera total / total prestatarios
deudor (X1)
X2. Número de deudores con más de 3
Sobreendeudamiento entidades financieras / total de
de clientes (X2) deudores
X2. Cartera deudores con más de 3
entidades financieras / total de cartera
Probabilidad de X3. Probabilidad de default x Cartera de
Independientes default asociado a la créditos
(X1,2,3,4,5) cartera de créditos
(X3)
X4.1 Cartera región norte / total de cartera
Segmentación X4.2 Cartera región sur / total de cartera
geográfica por X4.3 Cartera región Lima / total de cartera
32
regiones X4.4 Cartera centro oriente / total de cartera
(X4)
Cantidad de deudores X5. Total de deudores / total de empleados.

por empleado (X5)
4.6. Metodología de Herramientas Estadísticas
De acuerdo con lo indicado en el marco teórico de la presente investigación, se utilizará

herramientas estadísticas para poder demostrar las hipótesis establecidas. Considerando
que una de las variables es determinar de qué manera la probabilidad de default influye
en el riesgo de crédito de las CMAC, se utilizará, para su cálculo, la matriz de transición,
que indicará los pronósticos de incumplimiento de los clientes teniendo en consideración
sus posibles cambios de clasificación.
32
Cartera región norte: provincias de Tumbes, Piura, Lambayeque, Cajamarca, La Libertad, Ancash.
Cartera región centro oriente: provincias de Loreto, Amazonas, San Martín, Huánuco, Ucayali, Pasco, Junín,
Huancavelica, Madre de Dios. Cartera región sur, provincias de Ica, Arequipa, Moquegua, Tacna, Apurímac,
Puno, Cuzco. Cartera región Lima, provincias de Lima y Callao
125
4.6.1. Metodología de Matriz de Transición
En las bases teóricas de la investigación se mencionó que una matriz de transición, o

también llamada matriz estocástica, se utiliza para determinar la probabilidad de que
ocurra un evento que depende únicamente de un evento inmediatamente anterior. La
matriz de transición sirve para estudiar procesos en los cuales una sucesión de variables
es afectada en un tiempo t+1 por otra variable.
Se utilizará la matriz de transición con el objetivo de determinar la probabilidad de default

de un deudor, donde se define a Pij como la probabilidad de que un deudor con
calificación crediticia i pueda pasar a otra calificación crediticia j en un periodo de tiempo
dado.
Para calcular la probabilidad del evento de migrar de una calificación i a una calificación
j, se define a Xij como el número de deudores con calificación j en el momento t+1 y que
en el periodo t tenían una calificación i. Se define asimismo el número de deudores que
estaban con calificación i como Xi en el momento t.
En ese sentido, para este estudio se ha utilizado el método discreto 33 donde se tiene que
las probabilidades de migración de un deudor, se calcula como:
X ij
Pij = para todo i y j
Xi
Es importante mencionar que el método de matriz de transición discreta debe seguir las
siguientes propiedades, Solorio et al. (2014):
1. Es discreto en el tiempo.
2. Se define en un espacio finito de calificaciones posibles.
3. La migración entre estados está definida por un conjunto de probabilidades Pij
33
Método que recopila información o datos y su interacción con el entorno físico (Kendall, 2005).
126
4. La probabilidad del proceso del estado i al estado j (Pij) depende únicamente del
estado actual y no de estados anteriores
5. Todos los elementos de la matriz son no negativos, por lo tanto, Pij>0
6. La suma de las probabilidades de cada fila es igual a 1, por lo tanto, la sumatoria

de la Pij es igual a 1.
La matriz de probabilidades de transición, la cual integra todas las probabilidades de que

un evento i migre al evento j dentro un ciclo t, está dada por:
Tabla 14: Matriz de transición para i y j categorías

Periodo = t + 1
1 2 3 … j-i j
1 P11 P12 P13 … … P1j
2 P21 P22 P23 … … P2j
Periodo 3 P31 P32 P33 … … P3j
=t … … … … … … …
i-1 … … … … … …
i Pi1 Pi2 Pi2 … … Pij
Fuente: Elaboración propia.
De acuerdo con la tabla anterior, una vez calculadas las probabilidades de transición de
cada matriz (Pij), se pueden identificar tres bloques:
- Los que se encuentran en la diagonal: representa las probabilidades de que los deudores
permanezcan en su clasificación pasado el tiempo t + 1.
- Los que se encuentran a la derecha o encima de la diagonal: representa las
probabilidades de los deudores que se deterioren o empeoren en el tiempo t + 1.
- Los que se encuentran a la izquierda o abajo de la diagonal: representa las probabilidades
de los deudores que mejoran su clasificación en el tiempo t + 1.
Para calcular la probabilidad de deterioro y la probabilidad de mejora de cada matriz (por

cada Pij, izquierda o derecha de la diagonal respectivamente), se procederá a utilizar la
127
probabilidad condicional. Igualmente, para calcular la probabilidad de default se
procederá a calcular la probabilidad condicional de la columna E (categoría pérdida).
La probabilidad condicional es un concepto clave en la teoría de la probabilidad, permite

identificar la probabilidad de que suceda un evento aleatorio, teniendo información
específica y previa sobre dicho evento. En términos generales, si se desea calcular la
probabilidad condicionada de un evento A, sabiendo que ese evento está determinado por
otro evento B, se puede aplicar la siguiente definición, (Román, 2014):
P( B  A)
P( B / A) =
P( A)
Dónde: P(B/A): probabilidad de que suceda B dado A (eventos dependientes).
P(BՈA): probabilidad de intersección de los eventos A y B.
P(A): probabilidad del evento A.
Nota: P(B/A) no representa lo mismo que P(A/B), son probabilidades completamente

diferentes.
Se tiene como condición que la probabilidad de A es mayor a cero. P(A) > 0 para que la
definición se cumpla.
Asimismo, se utiliza la ley de probabilidad total para poder estimar el deterioro o recupero
total de los deudores. La Ley de probabilidad total se define como:
Si A1, A2, …, An, es una serie de eventos tales que la probabilidad de cada uno de ellos
es distinta de cero, y sea B un suceso para el que se conocen las probabilidades P(B/Ai),
entonces la probabilidad del suceso B viene dada por:
n
P ( B ) =  P ( Ai ) • P ( B / Ai )
i =1
La Ley de la probabilidad total permitirá estimar la probabilidad de migración positiva

(recupero), es decir la probabilidad de que un deudor mejore su calificación de riesgo, o
128
migración negativa (deterioro), en caso un deudor deteriore su calificación de riesgo,
teniendo como evento conocido la calificación del deudor en el momento t.
Para su aplicación se considerará a P(B) como la probabilidad de migración

(positiva/negativa) total, es decir la sumatoria de probabilidades de que un deudor de
CMAC mejore o deteriore su calificación dada su calificación actual. Se define P(Ai)
como la probabilidad de la calificación del deudor en un momento t según la clasificación
crediticia, y además a P(B/Ai) como la probabilidad que el deudor presente una migración
(positiva/negativa) en la calificación en el momento t+1. Cabe indicar que para la
realización de todo el desarrollo estadístico de la matriz de transición y probabilidades
condicionales se utilizó el programa SQL34, en el anexo 10, se podrá observar un modelo
del desarrollo.
4.6.2. Metodología de Herramienta Estadística CRISP-DM
El desarrollo principal del presente trabajo de investigación, se realizará utilizando la

herramienta estadística CRISP-DM, en el capítulo II, dentro del marco teórico, se explicó
las bases teóricas de la herramienta, así como cuáles son sus ventajas con el uso de la
minería de datos, a diferencia de otros modelos estadísticos, y la importancia de poder
detectar patrones de comportamiento que nos lleve a validar los objetivos propuestos.
A continuación, se explicará, paso a paso, la metodología CRISP-DM, que se va a seguir

en la investigación. De acuerdo con lo mencionado, esta metodología está compuesta de
seis fases, las mismas que serán desarrolladas en esta tesis. Información obtenida del
manual CRISP-DM 35 : Step-by-step data mining guide y complementado con la
investigación de diversos autores.
34
SQL: Structured Query Language, programa utilizado para diseñar y recuperar información de bases
de datos relacionales.
35
Journal SPSS: https://www.kde.cs.uni-kassel.de/wp-content/uploads/lehre/ws2012-
13/kdd/files/CRISPWP-0800.pdf
129
Comprensión del negocio
Esta fase está dedicada a comprender cuáles son los objetivos del negocio, a lo largo de
la investigación se ha presentado el entorno microfinanciero en el Perú, sus antecedentes,
y el comportamiento de este grupo de instituciones en análisis, esta fase se orienta hacia
la comprensión de los objetivos establecidos, buscar entender y analizar variables que
impacten en el comportamiento del riesgo de crédito de las CMAC, (entendida y definida
como la cartera de alto riesgo). Si no se logra comprender y analizar el entorno, los
resultados no podrán tener un contenido fiable.
La Comprensión del negocio, permitirá, en adelante, recolectar los datos correctos y

necesarios para la elaboración del modelo y una vez desarrollado el modelado, puedan
interpretarse correctamente los resultados para las organizaciones.
Gráfico 19: Fase comprensión del negocio – CRISP - DM
Elaboración propia: adaptado de manual CRISP-DM: Step by step data mining guide
Galán (2016), menciona, “Esta primera fase es probablemente la más importante y

aglutina las tareas de comprensión de los objetivos y requisitos del proyecto desde una
perspectiva de negocio, con el fin de convertirlos en objetivos técnicos y en un plan de
proyecto” (p 22).
Determinar los objetivos del negocio. – En esta etapa se presentará el problema de

investigación y cuáles son los criterios de éxito que se han establecido para su desarrollo.
Con respecto al problema, ya se ha mencionado a lo largo de la investigación, determinar
130
los impactos de variables independientes en el riesgo de crédito, y como criterio de éxito,
este resultado será de tipo cuantitativo usando herramientas estadísticas.
Galán (2016) indica, “Esta es la primera tarea a desarrollar y tiene como metas determinar
cuál es el problema que se desea resolver, por qué la necesidad de utilizar la minería de
datos y definir los criterios de éxito” (p. 23).
Evaluación de la situación. - Como parte de esta fase, se van a entender las variables
establecidas, se evaluará el problema centrado, así como determinar el conocimiento
previo que se tienen de ellas; analizar el costo beneficio del proyecto.
Determinar los objetivos de la minería de datos. – Esta parte tiene como fin presentar los
objetivos del negocio, en términos de los resultados que se buscan de aplicar la minería
de datos. Para esta investigación el uso y desarrollo de la minería de datos nos permitirá
conocer el grado de explicación entre las variables establecidas.
Realizar un plan del proyecto. – En esta última parte de la primera fase de CRISP-DM,
se realiza un plan de actividades para el proyecto, detallando los pasos a seguir en cada
uno de ellos.
Análisis de datos
Chapman et al. (2000), mencionan que la fase de análisis de datos o comprensión de datos,
“Comienza con una recopilación de datos inicial y continúa con actividades para
familiarizarse con los datos, identificar problemas de calidad de datos, descubrir ideas
tempranas sobre datos o detectar subconjuntos interesantes para formar hipótesis para
información oculta” (p.14).
131
Gráfico 20: Fase Análisis de los datos – CRISP-DM
Recolectar los datos iniciales. – La primera tarea, como parte de la segunda fase del
modelo CRISP-DM, es realizar la recolección de datos en forma inicial y revisar su
adecuación para el próximo procesamiento, cuáles fueron las fuentes y la descripción de
los mismos. Aquí se describirá la herramienta que se utilizó para su recolección.
Descripción de los datos. – En esta parte se presentará la tabla descriptiva de los datos,
donde se detallará los atributos, como nombre, tipo de dato, formato, etiqueta, medidas
de los datos, rol que cumplen. Igualmente, se detallará la matriz operacional de variables
y en adición se describirá los conceptos que se han considerado de cada dato.
Asimismo, analizaremos de forma “descriptiva” el comportamiento de cada una de las

variables durante el período de estudio, apreciaremos e indicaremos las primeras
impresiones de lo observado por cada una desde enero 2016 a diciembre 2019.
Exploración de los datos. – Galán, (2016) indica, “Una vez realizada la descripción de los
datos, se procede a su exploración, cuyo fin es encontrar una estructura general para los
mismos, esto implica la aplicación de pruebas estadísticas básicas que revelen
propiedades en los datos recién adquiridos”, se crean tablas de frecuencia y se construyen
gráficos de distribución” (p.25).
Se revisará los estadísticos descriptivos generales, como el volumen de datos, mínimos y

máximos, media, moda, desviaciones estándar, curtosis36, asimetría (que son indicadores
36
La curtosis (o apuntamiento) “es una medida de forma que mide cuán escarpada o achatada está una
curva o distribución. Este coeficiente indica la cantidad de datos que hay cercanos a la media, de
132
que informan sobre características de su forma de distribución de la variable, que
permiten conocer su asimetría u homogeneidad sin necesidad de graficarlos).
Como parte de la exploración de los datos es encontrar patrones o características que nos
permita conocer su distribución y dispersión, se realizará pruebas de normalidad de las
variables, para poder identificar a qué tipo de distribución se aproxima o converge.
(distribución normal o no), y en base a ello determinar el estadístico de prueba
seleccionado.
Verificar la calidad de los datos. – En esta última parte de la segunda fase de CRISP-DM,
se efectúan las verificaciones de los datos para verificar su consistencia individual. Así
también, se identifican los datos que pueden hacer ruido o desvirtuar los cálculos. El fin
de esta etapa es garantizar que los datos se encuentren completos.
Preparación de los Datos
Chapman et al. (2000), mencionan, que la fase de preparación de datos “cubre todas las
actividades para construir el conjunto de datos final del modelado, desde los datos sin
procesar iniciales. Las tareas incluyen selección de tablas, registros y atributos, así como
transformación y limpieza de datos para herramientas de modelado” (p.14).
Gráfico 21: Fase preparación de los datos – CRISP-DM
manera que a mayor grado de curtosis, más escarpada (o apuntada) será la forma de la curva”, fuente:
https://www.universoformulas.com/estadistica/descriptiva/curtosis/
133
En esta etapa y una vez realizada la recolección de datos iniciales, se procede a su
preparación para que puedan adaptarse al uso de la técnica de la minería de datos. Tiene
mucha relación con la fase del modelado, puesto que en función del modelamiento
elegido van a tener que prepararse los datos, es por eso que ambas etapas están en
constante interacción.
Seleccionar los datos. – en esta parte se selecciona los datos que se han recolectado de las
diferentes fuentes secundarias, se comienza a seleccionar considerando el entendimiento
de la fase anterior “comprensión del negocio”, si son suficientes, tienen correcciones por
hacer, la recolección se realiza con técnicas de minería de datos.
Construir los datos. De acuerdo con Galán (2016), “Esta tarea incluye las operaciones de
preparación de los datos tales como la generación de nuevos atributos a partir de atributos
ya existentes, integración de nuevos registros o transformación de valores para atributos
existentes” (p.28).
Integrar los datos. – En esta parte se pueden crear nuevas estructuras a partir de otros
datos seleccionados, en esta investigación, se tiene indicadores que se obtienen a partir
de la combinación de otros indicadores. Se crean nuevos registros, se juntan campos, se
transforman y se categorizan los datos. Por ejemplo, podríamos determinar si la variable
dependiente la estructuramos en niveles de acuerdo a su impacto en el riesgo.
Formateo de los datos. – En esta parte se realizan transformaciones de los datos, sin
modificar su significado, todo eso con el fin de facilitar el uso de la técnica de minería de
datos a seguir, reordenan campos. Asimismo, eliminan espacios en blanco, comas,
caracteres especiales etc.
Modelamiento
En esta fase se aplican las técnicas propias de la minería de datos, confirmar patrones,
con el fin de construir el modelo. Galán (2016), establece que “En esta fase de CRISP-
DM se seleccionan las técnicas de modelado más apropiadas para el proyecto de minería
134
de datos específico, estás técnicas se escogen a través de algunos criterios, tales como:
ser apropiados para el problema, disponer de los datos adecuados, cumplir con los
requisitos del problema” (p.28).
Gráfico 22: Fase de modelamiento – CRISP-DM
Escoger técnica del modelado. – Esta primera tarea del modelado, consiste en explicar la
técnica que se va a utilizar para el desarrollo de la minería de datos, considerando el
propósito del proyecto. Entre las técnicas más conocidas, se tienen la de regresión
logística, árboles de decisiones y redes neuronales.
Construir el modelo. – es la parte donde se ejecuta la herramienta del modelado con todos
los datos preparados para crear el modelo. Se explicará los parámetros utilizados, su
justificación de elección y se describirá el modelo resultante. Luego de la construcción
del modelo, se debe realizar un procedimiento que permita probar la calidad de los
resultados obtenidos. Jensen (2016) indica que “típicamente se separan los datos en dos
conjuntos, uno de entrenamiento y otro de prueba, para luego construir el modelo basado en
el conjunto de entrenamiento y medir la calidad del modelo generado con el conjunto de
prueba” (p. 10).
Evaluar el modelo. – En esta parte se comienza a interpretar los primeros resultados de

acuerdo a lo obtenido en la técnica del modelado y del éxito del uso de la minería de datos.
Esta interpretación se lleva a cabo considerando el conocimiento del negocio por parte
del investigador sobre el negocio.
135
Evaluación
Esta es la fase donde se evalúa el modelo y se hace una revisión del proceso realizado.
Galán (2016), indica que:
En esta fase se evalúa el modelo, teniendo en cuenta el cumplimiento de

los criterios de éxito del problema. Debe considerarse además que la
fiabilidad calculada para el modelo se aplica solamente para los datos
sobre los que se realizó el análisis. Es preciso revisar el proceso, teniendo
en cuenta los resultados obtenidos, para poder repetir algún paso anterior,
en el que se pueda haber cometido algún error. Si el modelo generado es
válido en función de los criterios de éxito establecidos en la fase anterior,
se procede a la explotación del modelo (p. 30).
Gráfico 23: Fase evaluación – CRISP-DM
Evaluar los resultados. – esta es la parte donde se evalúan los resultados obtenidos,
teniendo como base los objetivos del negocio señalados en fases anteriores. Se va a
verificar si los resultados tienen relación que puedan resolver los postulados establecidos
en la presente investigación. Si se llega a validar el modelo, se procede a la interpretación
y a la representación más adecuada para mostrar los hallazgos.
Revisar el proceso. – En esta etapa se refiere a revisar el proceso realizado con la minería
de datos, cuyos resultados obtenidos nos pueden conducir a identificar otras necesidades,
puede ser también que podamos regresar a la primera fase que es comprensión del negocio
para poder hacer otro trabajo analítico en base a los nuevos resultados.
136
Determinar los próximos pasos. – En caso se haya determinado que los resultados
generados son satisfactorios, se puede pasar a la siguiente fase, sino tendríamos que
regresar a la fase de preparación de los datos para volver a su revisión.
Implementación
Galán (2016) menciona, que “En esta fase, y una vez que el modelo ha sido construido y
validado, se transforma el conocimiento obtenido en acciones dentro del proceso de
negocio, esto puede hacerse por ejemplo cuando el analista recomienda acciones basadas
en la observación del modelo y sus resultados” (p. 32).
Gráfico 24: Fase implementación
Planear la implementación. – una vez conocido y analizado los resultados, los

funcionarios de las CMAC pueden tomar consideración lo realizado en esta tesis y llevar
a discusión el nuevo conocimiento aportado y en caso decidan, implementarlo. Como se
comentó al inicio de esta investigación, con los resultados obtenidos, puedan ampliar sus
estrategias que les permita un mejor manejo del riesgo de crédito, entendido como la
cartera de alto riesgo.
En síntesis, en el presente capitulo se ha revisado todo lo concerniente a la metodología

de la investigación, se ha presentado el tipo de diseño, enfoque, alcance. Asimismo, se ha
incorporado la metodología de las herramientas estadísticas a utilizar, por un lado, la de
matriz de transición, que nos ayudará a analizar el comportamiento de los deudores y las
probabilidades de que puedan mejorar, mantener, deteriorar o llegar al default de sus
137
carteras. Asimismo, se ha presentado la metodología CRISP-DM, herramienta estadística
elegida para el desarrollo principal de esta investigación, la misma que está compuesta de
seis fases, comprensión del negocio, análisis de datos, preparación de datos, modelado,
evaluación e implementación; cabe indicar que la presente investigación abarcará hasta
la fase de evaluación, ya que la implementación es una fase que cada entidad podrá
realizar. A continuación, se procederá al desarrollo del trabajo de investigación.
138
CAPITULO V: DESARROLLO Y ANÁLISIS DE LA INVESTIGACIÓN
Arbaiza (2014), indica que “el desarrollo y análisis de datos implica una serie de labores
sistemáticas y relacionadas, como el vaciado de datos y tareas de codificación,
clasificación y análisis estadístico. En este capítulo se presentará el desarrollo y el análisis
de la información respectiva, para cumplir con los objetivos propuestos, haciendo uso de
herramientas estadísticas para poder validar los postulados del presente trabajo de
investigación.
5.1. Construcción de la Matriz de Transición
Con el objetivo de determinar la probabilidad de default de un deudor con calificación i,

se construye la matriz de transición sobre el universo de deudores del sistema financiero
que tienen obligaciones crediticias con las Cajas Municipales de Ahorro y Crédito. Sin
embargo, como se apreciará durante el desarrollo, el uso de esta matriz de transición
brinda información útil para la toma de decisiones en la institución, puesto que se puede
conocer la probabilidad del comportamiento de pago del deudor y la transición que
pueden tener en su movimiento de categorías de riesgos, (mejora o deterioro de los
deudores de créditos).
Respecto al periodo de análisis, se presentará el comportamiento de los deudores en forma

anual, considerando a los clientes que registraron al menos, una deuda en alguna CMAC
durante los meses de diciembre de los años 2015, 2016, 2017, 2018 y 2019.
Asimismo, se define i y j como calificación crediticia establecida por la institución

financiera CMAC y conforme a lo determinado en las normas de regulación del sistema
financiero peruano (SBS), en un periodo determinado como t y t+1. La categoría
crediticia puede estar dentro de las categorías definas en la Tabla 15.
139
Tabla 15: Categorías de riesgo según clasificación crediticia.
Categoría crediticia Características sector microempresas37
Categoría Normal (categoría A) Cumple con sus obligaciones, atrasos
máximos de 8 días calendario.
Categoría Con Problemas Potenciales Deudores con atrasos ocasionales entre 9 a
(categoría B) 30 días.
Categoría Deficiente (categoría C) Deudores entre 31 a 60 días de mora
Dudoso (categoría D) Deudores entre 61 y 120 días de mora
Categoría Pérdida o (categoría E o default) Deudores con más de 120 días de mora
Fuente: Elaboración propia, adaptado Resolución SBS 11356
Para la construcción de la matriz del periodo diciembre 2016, se siguió con el siguiente
proceso:
1. Se identifican a los deudores del periodo diciembre 2015 (t) que tienen una
obligación activa con al menos una Caja Municipal de Ahorro y Crédito.
2. Se identifica la calificación de los deudores del periodo diciembre 2015 (t) y se

determina la distribución porcentual de la población de deudores según la
categoría asignada por la entidad financiera.
3. Se observa la calificación de los deudores del periodo diciembre 2015 (t), y se

identifica la calificación al termino de 12 meses, es decir en el periodo diciembre
2016 (t+1). Durante este periodo, se puede observar la migración de algunos de
los deudores que pasan de una categoría A a una categoría E (default).
4. Se calcula la probabilidad de transición de los deudores del periodo, según la

fórmula definida en el punto 2:
X ij
Pij = para todo i y j
Xi
Por ejemplo, se identifica el número de deudores que tienen en el periodo

diciembre 2015 una categoría A y en el periodo diciembre 2016 mantienen la
37
Características de clientes microempresa, sin embargo, si cuentan con crédito hipotecario tienen un
cambio en los días de atraso por tener la institución una garantía real.
140
categoría A (Xaa) y este se divide por el número total de deudores del periodo
diciembre 2015 que se encuentran en categoría A (Xa).
5. Se realiza la repetición del proceso hasta identificar las probabilidades de todas

las combinaciones posibles que se detallan en las Tabla 16.
Tabla 16: Matriz de transición según categorías de riesgo

Categoría en periodo diciembre 2016
NOR (A) CPP (B) DEF (C) DUD (D) PER (E)
Categoría NOR (A) AA AB AC AD AE
en CPP (B) BA BB BC BD BE
periodo DEF (C) CA CB CC CD CE
diciembre DUD (D) DA DB DC DD DE
2015 PER (E) EA EB EC ED EE
Se realiza la repetición del proceso para identificar las matrices de transición de los cuatro
años seleccionados según tabla 17.
Tabla 17: Matriz de transición por periodos

Periodo t Periodo t+1 Matriz
Diciembre 2015 Diciembre 2016 Matriz 1
Una vez calculadas las cuatro matrices para los periodos indicados en la tabla 17, se
procede a realizar el promedio simple de cada una de las probabilidades que se obtienen
para cada una de las transiciones de AA, AB, AC, …. EE. Como resultado se obtiene la
matriz total de probabilidades donde la categoría E muestra la probabilidad de default.
141
5.2. Construcción de probabilidad Condicional
Para la construcción de la probabilidad total de default, se calculará la matriz total de

probabilidad derivadas del promedio de las matrices mostradas en la tabla 17. La matriz
total queda de la siguiente forma.
Tabla 18: Matriz de transición total

Categoría en periodo t+1
Categoría NOR (A) Prom(AA) Prom(AB) Prom(AC) Prom(AD) Prom(AE)
en CPP (B) Prom(BA) Prom(BB) Prom(BC) Prom(BD) Prom(BE)
periodo DEF (C) Prom(CA) Prom(CB) Prom(CC) Prom(CD) Prom(CE)
diciembre DUD (D) Prom(DA) Prom(DB) Prom(DC) Prom(DD) Prom(DE)
t PER (E) Prom(EA) Prom(EB) Prom(EC) Prom(ED) Prom(EE)
Donde, por ejemplo
Prom (AA) = Prom [ Matriz1(AA) + Matriz2(AA) + Matriz3(AA) +

Matriz4(AA)]
De la misma manera se calculan los promedios para todas las combinaciones mostradas
en la Tabla 18.
Adicionalmente, se procederá a calcular la probabilidad condicional de permanecer o

migrar hacia una mejor o peor calificación para cada una de las matrices, utilizando la
definición de probabilidad condicional total explicada en el punto 3.
n
P ( B ) =  P ( Ai ) • P ( B / Ai )
i =1
Entonces, la probabilidad de mantener la calificación es:
P(mantener ) = P( A) • P( AA) + P( B) • P( BB) + P(C ) • P(CC ) +

P( D) • P( DD) + P( E ) • P( EE )
142
La probabilidad de deterioro o migrar a una peor calificación es:
P ( empeorar ) = P ( A) • P ( AB ) + P ( A ) • P ( AC ) + P ( A ) • P ( AD ) +
P ( A) • P ( AE ) + P ( B ) • P ( BC ) + P ( B ) • P ( BD ) + P ( B ) • P ( BE ) +
P ( C ) • P ( CD ) + P ( C ) • P ( CE ) + P ( D ) • P ( DE )
La probabilidad de migrar a una mejor calificación es:
P ( mejorar ) = P ( B ) • P ( BA ) + P ( C ) .P ( CB ) + P ( C ) • P ( CA ) +
P ( D ) .P ( DC ) + P ( D ) • P ( DB ) +P ( D ) • P ( DA ) + P ( E ) • P ( ED ) +
P ( E ) • P ( EC ) + P ( E ) • P ( EB ) + P ( E ) • P ( EA )
La probabilidad de default está definida por:
En síntesis, se realizará el cálculo, por año, de cada matriz de transición (tabla 17),
aplicando la misma metodología para todas, asimismo, se calculará la probabilidad
condicional de que los deudores, permanezcan, mejoren, empeoren de calificación
crediticia en el año de análisis, y por supuesto la probabilidad de default (pérdida). En
adición, se realizará los análisis correspondientes por cada matriz, el consolidado de todas
y se comparará los resultados de las CMAC con las de otras instituciones. Los resultados
se muestran a continuación.
5.3. Descripción y Análisis de Resultados Matriz de Transición
5.3.1. Matriz de Transición 2016
Los resultados de la matriz de transición 2016, se presentan en dos tablas, la primera

descrita en porcentaje (%) y la segunda por número de deudores. Al analizar esta matriz,
se observa que los deudores con calificaciones en categoría normal (AA) y los de
categoría pérdida (EE) son las que tienen mayor probabilidad de mantenerse en la misma
categoría de riesgo por el lapso de un año (84.1%) y (93.3%) respectivamente. Los que
empezaron con calificación CPP (B), el 50.3% recupera su categoría normal (BA), sin
143
embargo, un 32.4% llega a pérdida total (BE); los que empezaron con categorías de
deficiente (C) y dudoso (D), el 65.9% (CE) y el 79.6% (DE) llegaron a pérdida
respectivamente. Asimismo, se observa que la recuperabilidad de los deudores que
empezaron en pérdida es muy baja 4.8% (EA).
Tabla 19: Matriz de transición 2016

NOR (A) CPP(B) DEF (C) DUD (D) PER (E)
Categoría NOR (A)
84.1% 4.4% 1.9% 2.2% 7.5%
en CPP (B)
50.3% 8.4% 4.0% 4.8% 32.4%
periodo DEF (C)
21.5% 3.9% 4.4% 4.3% 65.9%
diciembre DUD (D)
12.3% 2.1% 1.8% 4.3% 79.6%
2015 PER (E)
4.8% 0.5% 0.5% 0.9% 93.3%
Al observar la siguiente tabla, por número de deudores, se muestra que, de un total de

1,231mil deudores (100%), 886 mil (71.9%), terminaron en calificación normal,
independientemente de la calificación con la que comenzó; y 242 mil (19.7%) terminaron
en pérdida a diciembre 2016. Eso quiere decir que el 91.6% del total de deudores que
empezaron el año en estudio se concentran en los extremos, o bien están en categoría
normal o categoría pérdida. Estos resultados muestran la sensibilidad económica
financiera de que un deudor, o permanece en las categorías iniciales (normal o CPP), o se
van a pérdida. Lo que se indica, está referido a la importancia de la gestión en la
administración de la cartera, en sus inicios del impago de la operación, y el seguimiento
de la gestión de cobranzas de las CMAC, ambas acciones están ligadas las políticas
propias de las instituciones microfinancieras y el resultado final de estas acciones
repercuten en los indicadores de morosidad.
144
Expresado en deudores 2016
NOR (A) CPP (B) DEF (C) DUD (D) PER (E) TOTAL
NOR (A)
838,092 43,380 18,873 21,606 74,707 996,658
CPP (B)
32,853 5,489 2,637 3,101 21,172 65,252
DEF (C)
6,074 1,088 1,237 1,224 18,631 28,254
DUD (D)
3,678 621 535 1,288 23,828 29,950
PER (E)
5,339 562 548 987 104,200 111,636
TOTAL
886,036 51,140 23,830 28,206 242,538 1,231,750
%
71.9% 4.2% 1.9% 2.3% 19.7% 100%
Cabe indicar que mientras se realizó el desarrollo de la matriz, se observó que un 9.9%
de deudores que iniciaron en diciembre 2015 no tienen calificación pasado el año de
análisis, esto puede ser porque el cliente canceló su operación de crédito sin renovar o
que el deudor puede haber sido castigado y retirado del balance; para efectos de este
trabajo, como investigador, se ha considerado que los deudores que no terminaron el año
y estuvieron en categoría normal y CPP, permanecieron en dichas categorías mientras
estuvieron activos, y los deudores que estuvieron en deficiente, dudoso y pérdida, se
deterioraron por completo llegando todos a pérdida, este supuesto, será corroborado en
las entrevistas a profundidad a expertos, cuando se les pregunte sobre este tema.
Los resultados de la matriz de transición del 2017, al igual que en el desarrollo de la

matriz anterior, se presentan en dos tablas, la primera descrita en porcentaje (%) y la
segunda por número de deudores. Al evaluar esta matriz se observa que los deudores con
calificaciones en categoría normal (AA) y los de categoría pérdida (EE) son las que tienen
mayor probabilidad de mantenerse en la misma calificación crediticia por el lapso de un
año, (83.3%) y (93.5%) respectivamente, es decir se observa la misma tendencia que del
año 2016. Los que empezaron con calificación CP (B), el 49.6% recupera su categoría
normal (BA), sin embargo, un 33.4% llega a tener pérdida total (BE), los que empezaron
con categorías de deficiente (C) y dudoso (D), el 68% (CE) y el 80.4% (DE) llegaron a
145
pérdida respectivamente, y el 4.1% en ambas categorías CC y DD permanecieron pasado
el año de análisis.

Categoría NOR (A) 83.3% 4.5% 2.0% 2.5% 7.7%
en CPP (B) 49.6% 8.0% 4.1% 5.0% 33.4%
periodo DEF (C) 19.9% 3.4% 4.1% 4.6% 68.0%
diciembre DUD (D) 12.1% 1.8% 1.6% 4.1% 80.4%
2016 PER (E) 4.8% 0.5% 0.4% 0.8% 93.5%
Si se observa la tabla por número de deudores (tabla a continuación), se muestra que, de

un total de 1,369 mil deudores (100%), 981 mil (71.6%), terminaron en calificación normal,
independientemente de la calificación con la que comenzó; y 269 mil (19.7%) terminaron
en pérdida a diciembre 2017. Eso quiere decir que el 91.3% del total de deudores que
empezaron el año en estudio se concentran en los extremos, o bien están en categoría
normal o categoría pérdida. Estos resultados, una vez más, al igual que en la matriz 2016,
muestran la sensibilidad financiera de que un deudor o permanece en categoría normal o
se van a pérdida, esto, una vez más, está relacionado a la capacidad de pago de los deudores,
y, sobre todo, las CMAC tienen que mantener la alerta la gestión del seguimiento de la
cartera, la identificación de los deudores y la gestión de cobranzas.

NOR (A)
932,775 50,248 22,844 27,628 86,437 1,119,932
CPP (B)
32,484 5,240 2,671 3,262 21,901 65,558
DEF (C)
5,654 968 1,173 1,311 19,309 28,415
DUD (D)
3,753 551 496 1,276 24,996 31,072
PER (E)
5,936 637 518 985 116,527 124,603
TOTAL
980,602 57,644 27,702 34,462 269,170 1,369,580
%
71.6% 4.2% 2.0% 2.5% 19.7% 100%
146
Cabe indicar que mientras se hizo el desarrollo de la matriz, se observó que un 10.1% de
deudores que iniciaron en diciembre 2016 no tienen calificación pasado el año de análisis,
esto puede ser porque el cliente canceló su operación de crédito sin renovar o que el
deudor puede haber sido castigado y retirado del balance; para efectos de este trabajo, el
investigador consideró que los deudores que no terminaron el año y estuvieron en
categoría normal y CPP, permanecieron en dichas categorías, mientras que los que
estuvieron en deficiente, dudoso y pérdida, se deterioraron por completo llegando todos
a pérdida.
Los resultados de la matriz de transición del 2018, al igual que en el desarrollo de las
matrices anteriores, se presentan en dos tablas, la primera descrita en porcentaje (%) y la
año 2016 y 2017. Los que empezaron con calificación CP (B), el 49.6% recupera su
categoría normal (BA), sin embargo, un 34.8% llega a tener pérdida total (BE), los que
empezaron con categorías de deficiente (C) y dudoso (D), el 69.5% (CE) y el 82% (DE)
llegaron a pérdida respectivamente, solo el 3.7% (CC) y el 33% (DD) permanecieron en
su categoría de riesgo inicial.

Categoría NOR (A) 84.2% 4.0% 1.8% 2.3% 7.7%
en CPP (B) 49.6% 7.3% 3.7% 4.6% 34.8%
periodo DEF (C) 19.4% 3.4% 3.7% 4.2% 69.5%
diciembre DUD (D) 11.4% 1.7% 1.6% 3.3% 82.0%
2017 PER (E) 4.6% 0.5% 0.4% 0.7% 93.7%
147
un total de 1,537 mil deudores (100%), 1,106 mil (72%), terminaron en calificación normal,
independientemente de la calificación con la que comenzaron; y 308 mil (20.1%)
terminaron en pérdida a diciembre 2018. Eso quiere decir que el 92.1% del total de
deudores que empezaron el año en estudio se concentran en los extremos, o bien están en
categoría normal o categoría pérdida. Estos resultados, una vez más, al igual que en la
matriz 2016, 2017, muestran la sensibilidad financiera de que un deudor o permanece en
categoría normal, CP o se van a pérdida; al respecto se vienen observando un patrón sobre
el comportamiento homogéneo en el tiempo.

NOR (A)
1,052,091 50,549 22,376 29,007 95,626 1,249,649
CPP (B)
37,143 5,502 2,767 3,416 26,042 74,870
DEF (C)
6,519 1,133 1,236 1,398 23,395 33,681
DUD (D)
4,386 654 614 1,273 31,549 38,476
PER (E)
6,524 644 623 1,020 131,605 140,416
TOTAL
1,106,663 58,482 27,616 36,114 308,217 1,537,092
%
72.0% 3.8% 1.8% 2.3% 20.1% 100%
Elaboración propia
Cabe indicar que mientras se hizo el desarrollo de la matriz, se observó que un 10.7% de
deudores que iniciaron en diciembre 2017 no tienen calificación pasado el año de análisis,
esto puede ser porque el cliente canceló su operación de crédito sin renovar o que el
deudor puede haber sido castigado y retirado del balance; cabe mencionar nuevamente
que para efectos de este trabajo el investigador consideró que los deudores que no
terminaron el año y estuvieron en categoría normal y CP, permanecieron en dichas
categorías, mientras que los que estuvieron en deficiente, dudoso y pérdida, se
deterioraron por completo llegando todos a pérdida.
148
Los resultados de la matriz de transición del 2018, al igual que en el desarrollo de las
matrices anteriores, se presentan en dos tablas, la primera descrita en porcentaje (%) y la
año 2016, 2017 y 2018. Los que empezaron con calificación CP (B), el 48.7% recupera
su categoría normal (BA), sin embargo, un 37.4% llega a tener pérdida total (BE), los que
empezaron con categorías de deficiente (C) y dudoso (D), el 69.6% (CE) y el 82.1% (DE)
llegaron a pérdida respectivamente, solo el 3.8% (CC) y el 3.4% (DD) permanecieron en
su categoría de riesgo inicial.

NOR (A) 84.5% 3.6% 1.7% 2.3% 8.0%
Categoría
CPP (B) 48.7% 6.4% 3.3% 4.3% 37.4%
en periodo
DEF (C) 19.5% 3.1% 3.8% 3.9% 69.6%
diciembre
DUD (D) 11.4% 1.6% 1.6% 3.4% 82.1%
2018
PER (E) 4.5% 0.4% 0.3% 0.6% 94.2%

un total de 1,669 mil deudores (100%), 1,196 mil (71.6%), terminaron en calificación
normal, independientemente de la calificación con la que comenzó; y 353 mil (20.1%)
terminaron en pérdida a diciembre 2019. Eso quiere decir que el 92.1% del total de
deudores que empezaron el año en estudio se concentran en los extremos, o bien están en
categoría normal o categoría pérdida. Estos resultados, una vez más, al igual que en la
matriz 2016, 2017, 2018 muestran la sensibilidad económica financiera de que un deudor
o permanece en categoría normal, o se van a pérdida, viendo un patrón sobre el
comportamiento homogéneo en los cuatro años analizados.
149
NOR (A)
1,141,209 48,187 22,938 30,746 107,638 1,350,718
CPP (B)
36,078 4,732 2,423 3,159 27,701 74,093
DEF (C)
6,396 1,027 1,239 1,289 22,795 32,746
DUD (D)
4,513 636 622 1,347 32,624 39,742
PER (E)
7,719 626 587 984 162,163 172,079
TOTAL
1,195,915 55,208 27,809 37,525 352,921 1,669,378
%
71.6% 3.3% 1.7% 2.2% 21.1% 100%
Elaboración propia
Al igual que cuando se hicieron las matrices anteriores, en el desarrollo de la presente

investigación, se observó que un 9.9% de deudores que iniciaron en diciembre 2018 no
tienen calificación pasado el año de análisis, esto puede ser porque el cliente canceló su
operación de crédito sin renovar o que el deudor puede haber sido castigado y retirado
del balance; cabe mencionar nuevamente que para efectos de este trabajo el investigador
consideró que los deudores que no terminaron el año y estuvieron en categoría normal y
CPP, permanecieron en dichas categorías, mientras que los que estuvieron en deficiente,
dudoso y pérdida, se deterioraron por completo llegando todos a pérdida.
5.3.5. Análisis matriz de transición promedio CMAC
Una vez desarrollado y analizado las cuatro matrices presentadas, se procede a mostrar la
matriz de transición promedio de las CMAC durante los periodos 2016 - 2019, el final de
cada fila suma el 100% de deudores que empezaron en dicha categoría y al final de cada
columna es la probabilidad final promedio luego del año transcurrido. De acuerdo con lo
revisado se puede afirmar que independientemente del periodo analizado, son los
deudores que estando en categoría normal (AA) y en pérdida (EE), los que en mayor
porcentaje se mantienen de cuando iniciaron el periodo de análisis, (84% y 93.7%)
respectivamente, es decir, aquellos deudores con menor riesgo de crédito tienden a
cumplir con sus obligaciones de pago, mientras que aquellos deudores que pierden
capacidad de pago normalmente llegan a la categoría de pérdida y no logran restablecer
150
su situación con las entidades, eso se comprueba porque del 100% de los deudores que
empiezan con categoría deficiente y dudoso, un 68.2% y un 81% respectivamente pasan
a situación de pérdida.
Tabla 23: Matriz de transición promedio CMAC (2016-2019)

NOR (A)
84.0% 4.1% 1.9% 2.3% 7.7% 100%
CPP (B)
49.6% 7.5% 3.8% 4.6% 34.5% 100%
DEF (C)
20.1% 3.4% 4.0% 4.3% 68.2% 100%
DUD (D)
11.8% 1.8% 1.6% 3.8% 81.0% 100%
PER (E)
4.7% 0.5% 0.4% 0.7% 93.7% 100%
%
71.8% 3.9% 1.9% 2.4% 20.1%
Elaboración propia
En base a lo descrito, se puede afirmar la importancia en la administración de la cartera

que deben tener las CMAC y en el proceso de otorgamiento de créditos relacionados a la
admisión de clientes y en al proceso de cobranza. Se demuestra que, si el cliente llega a
tener falta de capacidad de pago en sus inicios, y no se le hace gestión de cobro respectivo,
muy probablemente llegue a pérdida, y muy difícilmente pueda revertir esta condición,
de allí la importancia de estas instituciones a identificar plenamente a los deudores que
se encuentran en las categorías B, C y D.
Las CMAC tienen que tener en claro la importancia en que el asesor debe evaluar
correctamente su operación de crédito, tener la supervisión adecuada para que se pueda
determinar la real capacidad de pago del cliente, y por su parte las CMAC deben de
conocer los factores que puedan afectar el riesgo de crédito, que es precisamente lo que
se postula en esta investigación. Asimismo, deben tener una política clara de gestión de
cobranzas, puesto que en promedio de los últimos cuatro años los deudores tienen una
probabilidad del 20.1% en llegar a pérdida; el proceso de cobranzas de las instituciones
microfinancieras en este sector, está dividido en diferentes etapas de acuerdo con los días
de atraso que presente el cliente, cada una de las etapas debe estar correctamente
identificada, y realizar las acciones de seguimiento y control en caso el deudor empiece
a presentar problemas de pago de sus cuotas.
151
5.4. Análisis de probabilidad condicional CMAC
De acuerdo con lo presentado, cada matriz de transición tiene como resultado una
migración diferente que puede ser la de mantener, mejorar, empeorar de categoría
crediticia. Asimismo, se puede determinar la probabilidad de default o pérdida. Esto se
debe a que todos los deudores no presentan un comportamiento de pago uniforme en el
tiempo, y según los análisis realizados en cada matriz de transición se tiene identificado
un patrón de comportamiento en los deudores de las CMAC.
A continuación, se muestra la tabla que contiene la probabilidad condicional de mejorar,

mantener, empeorar y la probabilidad de default o pérdida de las cuatro matrices de
transición analizadas anteriormente y su promedio de ellas por los años de análisis (2016-
2019), lo importante de esta parte en la investigación es que con los resultados de la
probabilidad condicional se pueden establecer tendencias sobre el comportamiento de los
deudores y así tomar decisiones estratégicas que permitan tener una mejor gestión del
riesgo de crédito para las instituciones en estudio.
Tabla 24: Probabilidad condicional 2016-2019

Matriz P(mejorar) P(mantener) P(empeorar) P(pérdida o default)
Matriz 2016 4.2% 77.2% 18.4% 11.2%
Matriz 2017 3.8% 77.2% 18.6% 11.1%
Matriz 2018 3.9% 77.5% 18.9% 11.5%
Matriz 2019 3.5% 78.5% 19.1% 11.4%
Promedio 3.9% 77.6% 18.75% 11.3%
Probabilidad de Mejorar de clasificación. – se trata de la probabilidad condicional de

todos los deudores que se encuentran a la izquierda de la diagonal de la matriz de
transición, está referido a los clientes que lograron recuperarse de una categoría de riesgo
mayor a una de menor riesgo durante el periodo de análisis. De la tabla presentada se
observa que la probabilidad promedio es de 3.9%, este resultado, puede ser el resultado
de las gestiones en el proceso de cobranza que realizan las instituciones. Sin embargo, se
aprecia que durante los últimos cuatro años han tenido una ligera baja constante en este
152
indicador, lo que debe llevar a concentrar esfuerzos en determinar estrategias que
permitan revertir esta tendencia y poder incrementar esta probabilidad, el hecho que los
deudores puedan mejorar está directamente relacionado a la reversión de provisiones para
la entidad.
Probabilidad de Mantenerse en la clasificación. – se trata de la probabilidad condicional

de que los deudores, al final del periodo de análisis, se mantengan en la misma
clasificación con la que empezaron. El promedio de este indicador es del 77.6%, y se
puede apreciar que se ha mantenido prácticamente constante en los últimos cuatro años.
Es importante, que las CMAC, centren sus políticas en la identificación de clientes que
empezaron en categorías diferentes a normal y realicen un mayor seguimiento para que
este indicador pueda mejorar y aumentar, una de las estrategias que pueden adoptar las
instituciones es la de generar alertas que permitan propiciar la recuperación de créditos,
como las de incentivos a los asesores de créditos por la recuperación de la cartera, cabe
recordar que conforme los clientes van avanzando de clasificación van provisionando más,
y esto va directamente a la reducción de los resultados para las instituciones.
Probabilidad de empeorar o deteriorar en la clasificación. – se trata de la probabilidad

condicional de todos los deudores que se encuentran a la derecha o por encima de la
diagonal de la matriz de transición, está referido a los clientes que se deterioraron o
empeoraron de la categoría de riesgo con respecto de la que empezaron, de lo presentado
se observa que la probabilidad promedio es del 18.75%, sin embargo, si lo vemos con
mayor detalle se puede apreciar un crecimiento constante en todos los años de estudio.
Esto es considerado un peligro potencial para este grupo de entidades, sobre todo porque
cada vez que un deudor se deteriora, aumenta la provisión para la entidad, este indicador
evidencia un alto porcentaje de deudores que se deterioran en cada año, lo que corrobora
lo indicado desde el inició de esta investigación, que existe problemas en la gestión del
riesgo de crédito de las CMAC; al haber identificado este comportamiento, se debe
revisar las políticas y procesos en el otorgamiento de los créditos con el fin de centrar a
los clientes que puedan llevar a incumplir con sus deudas; no solo identificando su
capacidad de pago sino también su voluntad de pago. Una de las estrategias que deben
tener estas CMAC es la de realizar retroalimentación por cada caso deteriorado y revisar
cuales fueron los factores que llevaron a ello.
153
Probabilidad de default o pérdida en la clasificación. – referido a la probabilidad de que
los deudores lleguen a tener categoría de pérdida total para la institución, es decir lleguen
al 100% de su provisión. Esta probabilidad de default se determina como la posibilidad
de la migración de todas las categorías de riesgo a la de pérdida. Este es el indicador
escogido como un factor de riesgo de crédito en esta investigación, por el hecho de que
está relacionado directamente con la provisión total de la cartera de los deudores; si bien
es cierto este indicador no afecta la morosidad, puesto que ya está registrado
contablemente, afecta directamente a la rentabilidad de las CMAC, poniendo en evidencia
su sostenibilidad financiera en el largo plazo, problema identificado en el inicio de la
investigación. La Superintendencia de Banca y Seguros en el Perú establece que, pasado
los 120 días de atraso en el pago de su cuota, se provisiona el 100% del total de los créditos
que tenga el deudor y se lo considera como irrecuperable. De acuerdo con la tabla
presentada, se observa que el promedio de deudores que entran en default es el 11.3%, es
decir por cada 100 clientes 11.3 llegan a categoría pérdida.
Gráfico 25: Tendencias de probabilidad condicional CMAC
En el grafico 25, se aprecia, en resumen, las probabilidades condicionales de los deudores

en mejorar, mantener y empeorar, en ella se presenta las tendencias de cada indicador,
observando que en todas existe un deterioro constante en los últimos cuatro años, las
tendencias están marcadas con una línea que permite apreciar el desmejoramiento de cada
154
uno de estos indicadores. Esta herramienta estadística permite tener información para
poder tomar decisiones que puedan revertir esta situación y por ende mejorar sus
resultados.
A continuación, se presenta, cual es la situación de las CMAC en comparación con las

demás instituciones en el Perú, que participan en el sector microfinanciero, considerando
el uso de matrices de transición y la de probabilidad condicional.
5.5. Análisis comparativo: Matriz de Transición CMAC y demás instituciones
Este trabajo de investigación está enfocado en las CMAC y en determinar los factores
que influyen en el riesgo de crédito, para ello, como primera parte, se ha revisado y
analizado la matriz de transición de los últimos cuatro años y su probabilidad condicional
de todos los escenarios del comportamiento de pago de los deudores (mejora, empeora o
mantiene su categoría de riesgo), como parte de estos, se encuentra la probabilidad de
default.
De acuerdo con lo presentado en el capítulo I, las CMAC representan el 50% del mercado
microfinanciero, Mibanco (el banco de la microempresa) tiene el 22% de participación,
y el grupo de Financieras especializadas tienen el 24%, por lo tanto, es importante para
esta investigación comparar el comportamiento de las CMAC con las demás instituciones
que participan en el sector microfinanciero peruano. Para ello, se calcularon las matrices
de transición de Mibanco y del grupo de Financieras especializadas, ambas por el periodo
de un año.
155
Tabla 25: Matriz de transición Mibanco -2019
NOR (A)
82.8% 3.2% 1.7% 2.4% 9.8% 100.0%
CPP (B)
43.8% 5.8% 2.8% 4.3% 43.3% 100.0%
DEF (C)
13.4% 1.9% 3.0% 3.6% 78.0% 100.0%
DUD (D)
7.5% 0.8% 0.9% 2.6% 88.2% 100.0%
PER (E)
4.8% 0.4% 0.4% 0.8% 93.6% 100.0%
74.4% 3.1% 1.7% 2.5% 18.3%
Elaboración propia
En ambas matrices (tabla 25 y 26), se consideraron todos los deudores que tuvieron
créditos en diciembre 2018 y cuál fue su comportamiento al cierre de diciembre 2019. Al
igual que las matrices presentadas de las CMAC, la diagonal representa la probabilidad
de los deudores de mantener su clasificación, los que están a la derecha o encima de la
diagonal representan la probabilidad de deterioro, los que están a la izquierda o debajo
los que mejoran en su clasificación.
En ambas matrices se puede observar, que la mayor probabilidad de permanecer en su

categoría de riesgos son las que se encuentran en normal (AA) y los que están en pérdida
(EE), es decir, presentan características similares a las observadas en las CMAC, con esto
se puede determinar que es fundamental analizar, desde el otorgamiento del crédito, la
capacidad de pago del deudor para que no pueda caer en atrasos, puesto que si comienza
dejar de pagar y no hay un adecuado seguimiento a la cobranza muy probablemente los
deudores lleguen a pérdida. Por lo tanto, es fundamental tener en claro el modelo de
gestión de cartera y el proceso de cobranzas en las instituciones de este sector. Esto se
evidencia porque del 100% de los clientes que empezaron con clasificación CP el 43.8%
(BA tabla 25) y el 49.1% (BA tabla 26) respectivamente logran regresar a categoría
normal, mientras que del 100% de deudores que empezaron en categoría deficiente y
dudoso al inicio del periodo llegan a pérdida en un gran porcentaje, (78% y 88.2%)
respectivamente en la matriz de Mibanco y el (68.6% y 81.5%) respectivamente en la
matriz de las Financieras especializadas.
156
Tabla 26: Matriz de transición Financieras especializadas -2019
NOR (A)
84.2% 3.5% 1.9% 2.2% 8.2% 100.0%
CPP (B)
49.1% 6.1% 3.8% 5.6% 35.4% 100.0%
DEF (C)
19.6% 3.3% 3.8% 4.7% 68.6% 100.0%
DUD (D)
10.5% 2.0% 2.2% 3.8% 81.5% 100.0%
PER (E)
9.2% 0.9% 0.8% 1.4% 87.7% 100.0%
73.4% 3.4% 2.0% 2.5% 18.8%
Elaboración propia
A continuación, se presentan los resultados de la probabilidad condicional de mejorar,

mantener, empeorar y la probabilidad de default de Mibanco, las Financieras y las CMAC,
con el fin de comparar tendencias en el comportamiento de pago de los deudores. Al
analizar los resultados detallados en la tabla 27, se observa que todas las probabilidades
condicionales en cada uno de los estados tienen características de comportamiento o
rangos parecidos, sin embargo, dentro de todos ellos son las CMAC las que presentan una
peor tendencia. Para un mejor análisis se presentan gráficamente.
Tabla 27: Probabilidad condicional - Comparativo - 2019

Matriz P(mejorar) P(mantener) P(empeorar) P(pérdida)
Mi Banco 4.1% 78.4% 17.4% 10.9%
Financieras 4.8% 79.3% 15.1% 9.7%
CMAC38 3.9% 77.6% 18.7% 11.3%
Elaboración propia
En el gráfico 26, se presenta las probabilidades condicionales de mejorar de categoría de

riesgo, donde se observa a las Financieras especializadas las que tienen un mejor
indicador 4.8%, seguido por Mibanco con el 4.1% y luego las CMAC con 3.9%. Lo que
nos indica que existe mayor probabilidad de que los deudores de las Financieras y
Mibanco mejoren en su categoría de riesgo que el de las CMAC.
38
Probabilidad condicional promedio 2016-2019 - CMAC
157
Las CMAC deben tener políticas claras sobre la evaluación del deudor y de su situación
familiar, con el fin de otorgar el crédito a clientes que no lleguen a tener problemas de
pago por deficientes evaluaciones y de esa manera se pueda revertir estos resultados.
Gráfico 26: Probabilidad de mejorar categoría - comparativo
En el gráfico 27, se presenta las probabilidades condicionales de mantener de categoría

de riesgo, donde se observa nuevamente a las Financieras especializadas las que tienen
un mejor indicador 79.3%, seguido de Mibanco con 78.4% y por último a las CMAC con
77.6%. Sin embargo, cuando se ha revisado y analizado la tendencia de este indicador,
estas instituciones presentan una ligera mejora en los últimos cuatro años; el mantener la
clasificación de la cartera es importante puesto que permite que las entidades contengan
las provisiones y no permitan incrementar. Este tipo de análisis propone vigilar el
comportamiento de los deudores y rediseñar estrategias empresariales que permitan
mejorar y por último mantener la posibilidad que el deudor empeore de clasificación.
158
Gráfico 27: Probabilidad de mantener – comparativo
En el gráfico 28, se presenta las probabilidades condicionales de deteriorar de categoría

de riesgo, donde se observa a las CMAC con el mayor porcentaje de empeorar (18.5%),
seguido por Mibanco (17.4%) y las Financieras especializadas con (15.1%). A pesar de
que son las CMAC las que presentan un peor indicador que las demás instituciones, lo
preocupante es que la tendencia, según lo analizado en resultados anteriores, ha venido
en aumento. Este mayor deterioro afecta directamente el incremento de provisiones
impactando en menor rentabilidad. Las CMAC deben analizar y reforzar sus políticas de
créditos y así minimizar el impacto del probable deterior de cartera.
Gráfico 28: Probabilidad de deterioro - comparativo
En el gráfico 29, se presenta las probabilidades condicionales de default o pérdida total,

se observa que son las Financieras especializadas las que tienen la menor probabilidad de
159
default con el 9.7%, seguido por Mibanco con el 10.9% y por último a las CMAC con el
mayor porcentaje 11.3%. Para llegar a pérdida, de acuerdo con la regulación peruana, los
deudores deben de tener más de 120 días de atrasos, lo que prácticamente los hace
irrecuperables para las entidades; los deudores se encuentran provisionados al 100%. Por
lo tanto, son las CMAC las instituciones que tienen la mayor probabilidad de pérdida total
que las demás entidades. El hecho que un cliente llegue a tener pérdida está relacionado
con el nivel de análisis en el proceso de otorgamiento de créditos, en el seguimiento,
administración de la cartera y la gestión de cobranzas.
Gráfico 29: Probabilidad de pérdida (default) – comparativo
Prueba de hipótesis para la determinar la significancia estadística
Para poder afirmar que las CMAC tienen mayor probabilidad de default que las demás
instituciones, se tiene que verificar si los valores observados en las medias poblacionales
de la probabilidad de default son o no significativamente diferentes. Para ello, se va a
realizar un test de hipótesis sobre las medias poblacionales. El análisis estadístico
inferencial 39 se utilizará para comprobar si existe igualdad o no en las medias de la
probabilidad de default.
39
Estadística inferencial estudia cómo sacar conclusiones generales para toda la población a partir del
estudio de una muestra y el grado de significación de los resultados obtenidos. Fuente:
https://www.superprof.es/diccionario/matematicas/estadistica/estadistica-inferencial.html
160
Lo primero que es muy importante conocer, es qué tipo de distribución presentan los datos.
Se debe de tener en cuenta que las pruebas estadísticas se dividen en dos: paramétricas
(los datos presentan una distribución normal) y las no paramétricas, (datos no presentan
normalidad). Para determinar el tipo de distribución se utilizará la prueba estadística
Kolmogorov – Smirnov. Romero (2016), en su investigación “Como elegir la prueba
estadística adecuada”, menciona con respecto a la prueba de Kolmogorov-Smirnov, “ es
una prueba de significación estadística para verificar si los datos de la muestra proceden
de una distribución normal. Se emplea para variables cuantitativas continuas y cuando el
tamaño muestral es mayor de 50” (p.36). Por lo tanto, se establece:
- H0: Hipótesis nula: El conjunto de datos sigue una distribución normal.

- H1: Hipótesis alternativa: El conjunto de datos no sigue una distribución normal.
Prueba de Kolmogorov –Smirnov (K-S) para una muestra

SALD_CMAC SALD_MIBANCO SALD_FINANCIERAS
Parámetros Media 1607.19 1671.60 670.17
normales Desv. 3626.33 2786.29 1154.86
Máximas Positivo 0.288 0.262 0.250
diferencias Negativo -0.330 -0.276 -0.281
extremas
Estadístico de prueba - valor z 0.330 0.276 0.281
Sig. asintótica(bilateral) - valor p ,000 ,000 ,000
Elaboración propia
De acuerdo a la teoría de las pruebas K-S, para aceptar la hipótesis nula, el valor de la
significancia estadística (valor de p), debe ser mayor a 0.05. De acuerdo a la prueba
realizada la significación asintótica (valor p) es menor a 0.005, por lo tanto, se rechaza la
hipótesis nula, y se puede indicar que los datos no presentan una distribución normal.
Una vez determinado el tipo de distribución se procede a verificar la significancia de las

medias poblaciones de la probabilidad de default.
En la figura 11, se puede apreciar que cuando las distribuciones de datos cuantitativos no
siguen una distribución normal, y al ser las muestras independientes se recomienda como
161
prueba U Mann Whitney (prueba no paramétrica utilizada para identificar diferencias de
medias poblacionales basadas en tipo de muestras independientes).
Figura 11: Selección de prueba estadística adecuada
Fuente: extraído de: como elegir la prueba estadística adecuada – revista Alergia -México
Teniendo en cuenta lo mencionado, se establece:
- H0: Hipótesis nula: media de CMAC es igual a la media de las demás instituciones.
- H1: Hipótesis alternativa: media de CMAC es diferente a las demás instituciones.
Estadístico de prueba Fact_Mibanco Fact_Mibanco

U de Mann-Whitney 73425.0 66476.0
Z -2.012 -4.138
Sig. Asintótica - valor p 0.044 0.000
De lo observado como resultado de la prueba estadística, ambos valores de significancia

asintótica, valor p, es menor al 0.05, por lo tanto, rechazamos la hipótesis nula, y
concluimos que las medias poblacionales de las instituciones en estudio, con un nivel de
confianza del 95%, son significativamente diferentes, por lo tanto, a pesar de que las
CMAC tienen mayor probabilidad de default que las demás instituciones no se puede
afirmar que hay en realidad diferencias significativas entre ellas.
5.6. Resumen de hallazgos Matriz de transición
Las matrices de transición permiten cuantificar las diferentes probabilidades del

comportamiento de pago de los deudores de las CMAC, se ha desarrollado y analizado
162
los resultados de los últimos cuatro años, pudiendo establecer tendencias que permitan
conocer y calcular las probabilidades de que sus clientes puedan permanecer, mejorar o
deteriorar su categoría de riesgo, de tal manera, que las instituciones puedan proyectar
tendencias del comportamiento de pago de sus deudores en el futuro. Uno de los objetivos
planteados para esta investigación es determinar la probabilidad de default de las CMAC,
la misma que se ha hallado y que será analizada posteriormente en su impacto directo en
el riesgo de crédito.
El desarrollo y uso de esta herramienta permitirá a las CMAC tomar mejores decisiones
en cuanto al manejo del riesgo de crédito, como resultado de los análisis se ha podido
evidenciar que los deudores tienen una sensibilidad económica – financiera, determinada
por su capacidad de pago, puesto que son los clientes con menor riesgo de crédito los que
normalmente cumplen con el pago de sus deudas, y los deudores que comienzan a
presentar problemas con sus pagos, tienden a tener una alta probabilidad de llegar pérdida
total y muy difícilmente puedan revertir esta condición, lo que lleva, a que las CMAC
puedan centrar e identificar a los clientes que se encuentran en categorías intermedias y
tomar decisiones que permitan un mejor seguimiento de los mismos. Para ello, es
importante revisar el proceso de otorgamiento de créditos que permita identificar a los
malos deudores, asimismo tener una adecuada gestión de cobranza para impulsar la
recuperación de los clientes que tienden a deteriorarse.
En síntesis, como aporte, en esta etapa de la investigación, es impulsar el uso de las

matrices de transición, como una metodología cuantitativa, para que se pueda determinar
las probabilidades condicionales que permitan establecer una tendencia sobre el
comportamiento de pago de los deudores de las CMAC, y de esta manera tomar
decisiones empresariales para el mejor manejo del riesgo de crédito, en pro de un mejor
sistema microfinanciero. El uso de la matriz de transición también permite estimar la
provisión que tendrán que constituir estas instituciones, las mismas que impactarán en
reducir la rentabilidad de sus resultados financieros.
163
5.7. Desarrollo y Análisis Estadístico Modelo CRISP - DM
En el presente trabajo de investigación, se utilizará la metodología estadística CRISP-DM,

para la construcción del modelo panel que permita analizar los impactos de factores
determinantes en el riesgo de crédito (cartera de alto riesgo) de las CMAC, visto no solo
como la relación entre las variables independientes y dependiente, sino como el grado de
explicación entre ellas, de tal manera que permita a los funcionarios de las CMAC puedan
tomar decisiones estratégicas para poder tener un mejor control del comportamiento de
pago de sus operaciones de crédito y esto se vea reflejado en mejores resultados
económicos – financieros.
En el desarrollo del marco teórico (capítulo III), se ha descrito ampliamente las bases
teóricas y las ventajas de utilizar CRISP-DM, con el uso de la minería de datos; en el
capítulo IV se ha explicado paso a paso la metodología de la herramienta y la descripción
de los pasos a seguir en la investigación.
En esta parte de la investigación pasaremos a realizar la secuencia práctica de la

metodología CRISP-DM. Como se ha indicado, el desarrollo de este modelo está basado
en seis fases y se ira aplicando cada una de ellas: Comprensión del Negocio, Análisis de
los datos, Preparación de los datos, Modelamiento y Evaluación, dejamos presente que
no se realizará la fase de implementación debido a que eso corresponde a decisiones
empresariales que puedan tomar los ejecutivos considerando los resultados de esta
investigación. A continuación, procederé al desarrollo de cada una de las cinco primeras
fases, siguiendo los procedimientos indicados en la metodología.
5.7.1. Comprensión del Negocio
164
Comprensión del negocio o comprensión empresarial, es la fase donde nos permite
entender el problema de estudio, comprender los objetivos que se han establecido para
poder elaborar la parte técnica y obtener resultados fiables. Gallardo (2009), indica que
el objetivo de esta fase es desarrollar la comprensión del negocio para que el correcto uso
del data mining posibilite tener mejor entendimiento y confianza de los resultados que se
obtengan. A continuación, procederemos a la descripción de cada proceso que se tiene en
esta primera fase, cuyo fin es determinar los objetivos y requisitos de la investigación
desde el punto de vista del negocio.
5.7.1.1. Determinar los Objetivos del Negocio
Esta investigación se ha centrado en un grupo de entidades microfinancieras que son las

CMAC, que tienen el 50% de participación del sector, y donde se han observado
problemas relacionados al deterioro de su cartera, que afectan directamente a sus
resultados económicos – financieros, mediante el incremento de mayores provisiones,
este problema lo hemos descrito a lo largo de la investigación desde varios puntos de vista.
Por lo tanto, el desarrollo de este modelo es inédito, al identificar, de manera cuantitativa,

(utilizando minería de datos, técnicas estadísticas), los factores determinantes que
influyen en el riesgo de crédito de las CMAC causados entre los años 2016 – 2019.
De acuerdo con lo revisado a lo largo de la investigación, existen diversas teorías sobre

los indicadores que se usan para el cálculo del riesgo de crédito, unas dirigidas a calcular
la pérdida esperada, otras para el cálculo de requerimiento o adecuación de capital, otras
para el cálculo del valor en riesgo (Var), otros para el cálculo del cumplimiento de
directrices elaboradas por el Comité de Basilea, sin embargo, para el presente trabajo de
investigación se está considerando al riesgo de crédito, como indican varios autores e
instituciones citados dentro del marco teórico (Giovanna Aguilar, Gonzalo Camargo,
Rosa Morales, Lindon Vela, Javier Uriol, Oswaldo Medina y otros), como un porcentaje
que representa el nivel de morosidad, y se la conoce como de la cartera de alto riesgo.
Los autores indican que el riesgo de crédito está determinado por una tasa de morosidad
que representa la proporción de la cartera de crédito que se encuentra impaga.
165
Esta cartera de alto riesgo, tal como indica la SBS, está determinada por la cartera vencida,
más la cartera refinanciada/reestructurada, más la cartera en cobranza judicial (la
descripción de estos indicadores, han sido explicados en el marco teórico).
Asimismo, esta investigación tiene como objetivo que los funcionarios de las CMAC
tengan un mejor conocimiento de las variables establecidas y su influencia en el riesgo
de crédito (entendido como la cartera de alto riesgo) y puedan tomar decisiones
estratégicas que lleven a controlar este importante indicador.
5.7.1.2. Evaluación de la Situación.
A lo largo de todo el trabajo de investigación, se ha mencionado la importancia del

desarrollo de las microfinanzas en el Perú, presentando los antecedentes, evolución, los
marcos normativos, legales, describiendo la tecnología y metodología crediticia, la ruta
del proceso de otorgamiento de créditos, que es donde se evalúa la capacidad y la voluntad
de pago del deudor. Asimismo, se ha descrito de qué manera la atención de este mercado
emergente se ha convertido en un mecanismo efectivo para la reducción de la pobreza,
comprendiendo objetivamente el funcionamiento del negocio de este sector.
El problema de la tesis, se centra en determinar la influencia de algunas variables de tipo

independiente que pueden afectar en forma directa al riesgo de crédito de las CMAC. La
evaluación del problema ha sido descrita a lo largo de la tesis. Las variables que han sido
seleccionadas para el desarrollo del modelo y que están asociadas a este trabajo de
investigación son: Variable dependiente, información del riesgo de crédito (Y),
considerada como la cartera de alto riesgo; y como variables independientes, datos de la:
- Cartera promedio por deudor (X1), (Explicado por el total de cartera de créditos
sobre el total de deudores), donde se entenderá qué relación tiene el hecho de que
el saldo de cartera incremente o disminuya por cada deudor.
- Sobreendeudamiento de clientes (X2), (deudores y el saldo de cartera con más de
tres entidades financieras), donde se entenderá que sucede cuando los deudores
trabajan con más de tres entidades financieras.
166
- Probabilidad de default asociadas a la cartera de créditos (X3), se podrá establecer
qué relación tiene el incremento o disminución de la probabilidad de default de
cartera en el riesgo de crédito.
- Segmentación geográfica por regiones en el Perú (X4), (carteras de créditos
agrupadas por regiones entre el total de cartera), permitirá el conocimiento de que
regiones son las más adecuadas para el crecimiento de las CMAC, asimismo en
base a los resultados poder diferencias los tipos de tarifarios.
- Cantidad de deudores por empleado (X5), (Total de deudores entre el total de
empleados), conocimiento que permitirá conocer qué pasa cuando la relación,
deudor empleado, incrementa o decrece.
En síntesis, se han identificado diferentes variables independientes que, con el desarrollo

del presente modelo, permitirá establecer la relación con la variable dependiente, (riesgo
de crédito). El procesamiento de la información, en esta investigación, es de bajo costo y
los beneficios que se obtendrán pueden ser enormes, al poder brindar nuevos
conocimientos y elementos de análisis sobre la calidad de sus carteras de créditos a los
directivos y funcionarios de las CMAC.
5.7.1.3. Determinar los objetivos de la minería de datos
Diversas investigaciones, tal como se ha descrito en el estado de la cuestión dentro del

marco teórico, han aportado conocimiento previo en identificar variables internas y
externas que afectan al riesgo de crédito durante diversos períodos de tiempo, utilizando
diversas herramientas estadísticas, econométricas, analíticas, lo que ha llevado a tener
suficiente evidencia académica y profesional para el desarrollo de este proyecto.
En esta investigación, el uso de aplicar la minería de datos, tiene como objetivo identificar,
en primer lugar, si las variables expuestas influyen o no en el riesgo de crédito, asimismo,
identificar el grado de correlación que tiene esta variable dependiente con las variables
independientes establecidas.
Cabe indicar, que como investigador se ha considerado que los efectos externos
macroeconómicos (como el producto bruto interno, la inflación, la tasa de desempleo,
167
etc.) afectan, de una u otra manera, a todas las instituciones microfinancieras; en síntesis,
esta investigación establece como criterio de éxito establecer una alta correlación en el
comportamiento de las variables independientes como la variable dependiente.
5.7.1.4. Realizar plan de proyecto
Finalmente, para el desarrollo de este modelo, se ha descrito un plan o ruta a seguir, donde
se describen los pasos para facilitar su aplicación y desarrollo:
- Analizar la base de datos recibida como fuentes secundarias.

- Analizar la estructura de la información.
- Describir el comportamiento de las variables independientes como dependiente.
- Preparar los datos (revisión, limpieza, selección), con el fin de facilitar la
aplicación de la minería de datos sobre ellos.
- Analizar los resultados obtenido de su modelamiento y realizar los informes
finales con respecto a los objetivos del negocio y el éxito establecido.
5.7.2. Análisis de los datos
Jensen (2016), indica “La fase de comprensión o análisis de datos de CRISP-DM implica
estudiar más de cerca los datos disponibles de minería. Este paso es esencial para evitar
problemas inesperados durante la siguiente fase (preparación de datos). La comprensión
de datos implica acceder a los datos y explorarlos con la ayuda de tablas y gráficos” (p.14).
5.7.2.1. Recolectar los datos iniciales
La tarea de esta fase empieza con la recopilación inicial de los datos, familiarizándose
con ellos, se identifican si existe problemas con la calidad de la información, a través de
168
la comprensión de ellos se pueden descubrir o detectar las primeras ideas interesantes
para formar las hipótesis que posiblemente estén ocultas. Las actividades que se hacen,
es la de recopilar datos iniciales, se realiza una descripción de ellos, se exploran.
La recolección de datos para la presente investigación se enfocó en capturar la

información financiera de personas naturales o jurídicas que mantengan una obligación
crediticia con las Cajas Municipales de Ahorro y Crédito (CMAC) del Sistema Financiero
peruano durante el periodo de tiempo de enero de 2016 a diciembre de 2019.
La Superintendencia de Banca y Seguros del Perú (SBS) estableció a través de la

resolución N°820-2000 el Reporte Crediticio de Deudores40 (RCD) a fin de optimizar la
supervisión y control preventivo de la información crediticia, así como para brindar un
mejor servicio a las empresas del sistema financiero. En este reporte, cada entidad
financiera debe presentar la identificación, calificación crediticia y saldos contables que
mantiene el deudor bajo cualquier modalidad según lo establecido en el Anexo N°6 de la
SBS.
Asimismo, esta Superintendencia, consolida los RCD de cada entidad financiera y publica
mensualmente el Reporte Consolidado de Créditos (RCC) con la información crediticia
y datos generales de todos los deudores del sistema financiero peruano. Este reporte
consolidado, es la fuente principal para obtener la información real de los deudores
respecto a los saldos contables, calificación de deuda y entidad financiera con la que
mantiene una obligación crediticia.
Para la etapa de recolección de los datos también se ha utilizado la información publicada

por la Superintendencia de Banca y Seguros a través del Portal SBS en el cual podemos
acceder al aplicativo de series estadísticas mensuales de los principales indicadores
financieros, tasa de interés y tipo de cambio de las entidades financieras del Perú. Las
series estadísticas de los indicadores han sido construidas sobre la base de la información
40
Manual de contabilidad SBS – Riesgo de Crédito – Anexo 6. Fuente:
https://www.sbs.gob.pe/BuscadorSbs/Search/IndexWeb
169
enviada por las entidades supervisadas a la SBS a través de reportes y anexos que forman
parte del manual de contabilidad exigido por el regulador.
Es importante señalar que, en adición, se ha utilizado como insumo de datos para la

construcción del modelo, la estimación de las probabilidades de default resultantes del
análisis de matrices de transición desarrollado anteriormente.
Los indicadores mensuales se obtuvieron del reporte crediticio consolidado (RCC),

asimismo, se han revisado y se han formado nuevos indicadores, siendo los siguientes:
• Saldo de cartera total, saldo de cartera vencida, saldo de cartera

refinanciada/reestructurada y saldo de cartera en judicial.
• Cartera promedio por deudor.
• Número de deudores con cuatro a más entidades.
• Saldo de cartera de deudores con cuatro a más entidades.
• Saldo de cartera con probabilidad de default.
Los indicadores mensuales obtenidos de las series estadísticas publicadas por la SBS son
los siguientes:
• Número de clientes en cartera por funcionario
• Saldo de cartera en región norte.
• Saldo de cartera en región sur.
• Saldo de cartera en región centro-oriente.
• Saldo de cartera en región Lima y Callao.
Utilizando como fuente el reporte crediticio consolidado de deudores y las series

estadísticas publicadas por la SBS para la construcción de las variables, se ha construido
un esquema de tabla estructurada de una base de datos SQL con los indicadores mensuales
detallados en la Tabla 29, matriz operacional de variables para cada una de las doce Cajas
Municipales de Ahorro y Crédito y para todo el periodo de análisis desde enero de 2016
a diciembre de 2019.
170
Por lo tanto, los datos que se van a procesar, se han recolectado teniendo en consideración
fuentes secundarias como la información disponible del reporte crediticio de deudores,
(la misma que ha sido otorgada por una empresa especializada en información del sistema
microfinanciero, ver anexo 8), asimismo de datos obtenidos de la Superintendencia de
Banca y Seguros.
5.7.2.2. Descripción de los datos
Los datos recolectados fueron almacenados en una tabla de una base de datos relacional
SQL, luego de este proceso de almacenamiento, la información fue trasladada al
aplicativo IBM SPSS 41 Statistics para la construcción de las variables y modelado
estadístico.
Con respecto al almacenamiento de los datos, registros totales, se cuenta con la

información mensual desde enero de 2016 hasta diciembre 2019 para las doce Cajas
Municipales de Ahorro y Crédito, lo que origina una base de datos de 576 registros totales.
A nivel de indicadores por cada registro, es decir columnas, se cuenta con 10 indicadores
(ítems), los cuales están detallados en la matriz operacional de variables. Asimismo, cada
registro cuenta con un código identificador único que permite etiquetar y distinguir cada
registro.
En la tabla 28, Descriptiva de datos, se detalla los siguientes atributos de los datos:
• Nombre: Identificación abreviado y único de las variables utilizadas para el

análisis. Este atributo será el identificador para la construcción de los indicadores
y modelado en el software estadístico.
• Tipo de dato: Especifica si el dato es numérico, notación científica, fecha, moneda,
cadena o numéricos restringido. En caso de la presente tesis se utilizan los tipos
de dato numéricos.
41
Fuente: https://www.ibm.com/support/pages/downloading-ibm-spss-statistics-25
171
• Formato: Está dividido en dos atributos: la anchura que indica la cantidad de
dígitos del dato numérico y los decimales, que indican la precisión decimal del
dato numérico.
• Etiqueta: se asigna una descripción detallada de cada variable con una longitud de
256 caracteres. Las etiquetas pueden contener espacios y caracteres que no
permite el atributo nombre.
• Medida: se establece si los datos son nominales cuando representan categorías que
no tienen una ordenación, escala cuando representan una métrica con significado
y ordinal cuando representan categorías ordenadas.
• Rol: Especifica cómo se utiliza la variable en la generación del modelo, el rol de
entrada indica que se utiliza en el aprendizaje del modelo. El rol objetivo indica
que la variable se utiliza como un campo de salida o resultado.
Tabla 28: Descriptiva de datos
Nombre Tipo Anchura Decimales Etiqueta Medida Rol

CartRiesgo Numérico 10 4 Cartera en Riesgo Escala Objetivo
CartProm_Deu Numérico 10 4 Cartera Prom Deudor Escala Entrada
RatDeuEmpl Numérico 10 4 Ratio Deu / Empleados Escala Entrada
NumDeu4Ent Numérico 5 0 Deudores 4 Entidades Escala Entrada
SalDeu4Ent Numérico 10 4 Saldo 4 Entidades Escala Entrada
Default Numérico 10 4 Deuda en Default Escala Entrada
RatCartNor Numérico 10 4 Ratio Cartera Norte Escala Entrada
RatCartSur Numérico 10 4 Ratio Cartera Sur Escala Entrada
RatCartLima Numérico 10 4 Ratio Cartera Lima Escala Entrada
RatCartCent Numérico 10 4 Ratio Cartera Cen-Ori Escala Entrada
Asimismo, las variables analizadas son descritas en la Matriz operacional de variables, se

presenta su indicador y el concepto que se tiene como objetivo a explicar por cada una de
ellas. Los datos recolectados permiten generar variables (algunas agrupadas) que son
explicadas a continuación a nivel conceptual:
1. CartRiesgo: Cartera de alto Riesgo: Porcentaje de los créditos directos que se

encuentran en situación de vencido, refinanciado/reestructurado y en cobranza
judicial.
172
2. CartProm_Deu: Saldo Promedio por deudor: Saldo total que mantiene un deudor
con una CMAC en promedio al mes expresado en miles de soles.
3. NumDeu4Ent: Número Deudores con 4 Entidades: Número de deudores que
mantienen una obligación crediticia con cuatro o más entidades financieras a la
vez.
4. SalDeu4Ent Saldo Deudores con 4 Entidades: Saldo de los deudores que
mantienen una obligación crediticia con cuatro o más entidades financieras a la
vez.
5. Default: Saldo con probabilidad de default: Saldo de los deudores con
probabilidad de default o pérdida.
6. RatCartNor: Saldo en Región Norte: Porcentaje de los saldos de las oficinas
CMAC ubicadas en los departamentos de Ancash, Cajamarca, La Libertad,
Lambayeque, Piura y Tumbes
7. RatCartSur: Saldo en Región Sur: Porcentaje de los saldos de las oficinas
CMAC ubicadas en los departamentos de Apurímac, Arequipa, Ayacucho, Cusco,
Ica, Moquegua, Puno y Tacna.
8. RatCartLima: Saldo en Lima y Callao: Porcentaje de los saldos de las oficinas
CMAC ubicadas en el departamento de Lima y Callao
9. RatCartCent: Saldo en Centro y Oriente: Porcentaje de los saldos de las oficinas
CMAC ubicadas en los departamentos de Amazonas, Huancavelica, Huánuco,
Junín, Loreto, Madre de Dios, Pasco, San Martín y Ucayali
10. RatDeuEmpl: Número de clientes en cartera por funcionario: Número de
deudores que gestiona cada funcionario de las CMAC
173
Tabla 29: Matriz operacional de variables
Variable Indicador Escala Ítems
Categórica*:
- Saldo cartera vencida, 1. Riesgo Nivel 1
Cartera en Alto
refinanciada/reestructurada y judicial 2. Riesgo Nivel 2 1
Riesgo (Y)
entre saldo total de cartera 3. Riesgo Nivel 3
Cartera Promedio Numérico

por deudor - Total de cartera entre total deudores Continuo 2
(X1)
Sobre - Número Deudores con 4 Entidades Numérico
endeudamiento de - Saldo Deudores con 4 Entidades Continuo
3,4
clientes
(X2)
Numérico
Default de cartera Continuo
- Probabilidad de default por saldo 5
(X3)
Distribución - Saldo Región Norte Numérico
geográfica por - Saldo Región Sur Continuo
6,7,8,9
regiones - Saldo Región Lima y Callao
(X4) - Saldo Región Centro Oriente
Cantidad de Numérico
deudores por Total de deudores ente total de Continuo
10
empleado empleados
(X5)
Elaboración propia
(*) La escala categórica por la cual he considerado para la variable dependiente, se
explicará a detalle más adelante.
A continuación, se analizará de forma descriptiva el comportamiento de cada una de las

variables durante el periodo en estudio, se mostrará su evolución y posible relación con
Análisis de los datos del Riesgo de Crédito (Y)
En el gráfico 30, se describe la evolución del riesgo de crédito, en forma trimestral, desde
enero 2016 hasta diciembre del 2019, en este gráfico se observa que el comportamiento
de este indicador ha variado constantemente en los años de estudio, fluctuando en todo el
período de análisis entre el 7% y sobrepasando el 9%, se analiza que este incremento se
realiza en forma consecutiva y gradual desde el 2017 hasta el fin del 2019, en valores
174
absolutos, el incremento ha pasado del 1.2millones a 2 millones de soles lo que nos da un
indicio de que este indicador está afectado por variables que producen su incremento.
Asimismo, se puede observar que en el 2018 existe un aumento de la cartera de alto riesgo,
pudiendo ser por los efectos del fenómeno del niño costero42, que impactó directamente
a los comerciantes, productores, agricultores microempresarios. En los principales diarios
de la capital hicieron referencia al impacto en las instituciones financieras, llegando
muchas de ellas a la reprogramación de cuotas, así se observó en diferentes titulares de
diarios: “El fenómeno del niño presiona a entidades a priorizar la morosidad 43 ”, el
Congreso de la República a través del proyecto de ley 3565 - 2018, se presentó la “Ley
que declara de interés nacional la creación de un plan de rescate financiero a los
productores de la micro y pequeña empresa, que han sido afectados por los desastres
naturales del fenómeno del niño costero en el Perú44”, sin embargo, con intervención de
la SBS, a través de políticas se pudo controlar esta situación.
Gráfico 30: Evolución de Riesgo de Crédito medido como Cartera Alto Riesgo.
Elaboración propia: Fuente, tomados de información de la SBS
42
El niño costero, o conocido también como Fenómeno del Niño costero, es un evento climatológico
anómalo que afecta las costas de Perú – Ecuador.
43
Diario El Comercio: Fuente https://elcomercio.pe/economia/nino-presiona-entidades-priorizar-mora-
1-422633-noticia/?ref=ecr
44
Proyecto de Ley 3665-2018 - Fuente:
http://www.leyes.congreso.gob.pe/Documentos/2016_2021/Proyectos_de_Ley_y_de_Resoluciones_Le
gislativas/PL0366520181127.pdf
175
En los gráficos ubicados en el Anexo 11, se presentan a mayor detalle el comportamiento
de este indicador, donde se aprecia la evolución por montos de la cartera de alto riesgo,
como varía el incremento por la cartera vencida, la cartera refinanciada/reestructurada y
la cartera judicial, asimismo, se hace un comparativo con la cartera vigente, la recolección
de los datos se ha realizado mes a mes, sin embargo, para efectos de esta presentación se
está considerando información trimestral.
Existen disminuciones de este indicador en los finales de cada año, pudiendo ser producto
de los pagos por recaudación de las ventas que se realizan en las campañas navideñas,
(época del año muy buena para los microempresarios, que normalmente incrementan sus
niveles de ventas).
En síntesis, se ha recolectado, explorado y analizado los datos a utilizar sobre el

comportamiento de la cartera de alto riesgo por todo el periodo de análisis (48 meses),
esta información, cuenta con la validez para su procesamiento porque ha sido obtenida
del reporte crediticio de deudores y de la Superintendencia de Banca y Seguros del Perú,
se considera este indicador como el porcentaje de la cartera de alto riesgo (vencida,
refinanciada/reestructurada y judicial) entre el total de la cartera de créditos.
Análisis de los datos: Cartera promedio por deudor (X1).
Para comprender esta variable, se ha considerado información del reporte crediticio de

deudores, tomando en cuenta el total de la cartera de colocaciones y el total de deudores
por entidad y para un mejor entendimiento, de una posible asociación, también se presenta
en el mismo gráfico la cartera de alto riesgo, cuya descripción ya se ha realizado
anteriormente. Se recuerda que el objetivo de proponer esta variable es entender la
profundidad de atención financiera, es decir, si las CMAC están enfocadas a la atención
de créditos pequeños, clientes chicos, o su atención ha sido orientada a clientes grandes.
La información recolectada es de 48 meses (2016-2019), el primer indicador es la cartera

promedio por deudor que se ha obtenido dividiendo el total de cartera entre el total de
deudores, la cartera de alto riesgo, como ya se ha mencionado, es el total de las carteras
176
vencidas, refinanciada/reestructurada y judicial entre el total de cartera. Se recuerda que
el objetivo de esta variable es demostrar que la cartera promedio por deudor tiene una
correlación con el riesgo de crédito, como se ha explicado en marco teórico, un mayor
incremento de cartera por deudor puede llevar a tener un mayor riesgo.
Gráfico 31: Cartera promedio por deudor y Cartera de alto riesgo.
Elaboración propia: Fuente, tomados de reporte crediticio de deudores.
Los datos numéricos, utilizados para la construcción del gráfico 31, se encuentran en el
anexo 12, detallando el total de la cartera y el total de los deudores. De los datos
recolectados se observa que desde todo el 2016 hasta fines del 2017, el crecimiento de la
cartera promedio por deudor vino en aumento, (pasando de 12mil a 14 mil soles como
cartera promedio por deudor (ver anexo 11), lo mismo que la cartera en riesgo, durante el
2018 se aprecia una especie de lenta caída de la cartera promedio por deudor (de 14mil a
13mil aproximadamente) y la cartera de alto riesgo un poco que se nivela en ese tramo,
sin embargo, durante el último año de análisis se aprecia que hay una disminución de la
cartera promedio por deudor (de 13mil a 12mil) y la cartera de alto riesgo continúa su
ascenso gradual, pude ser porque a pesar de que la cartera promedio baje ya el daño
causado está hecho y se sincera el deterioro.
Cuando se realice el modelamiento, se explicará el nivel de correlación que se tienen entre

ellos. Cabe precisar que los datos se han recolectado de forma mensual, pero para efectos
de presentación de gráficos y cuadros en anexo, se registra en forma trimestral.
177
Análisis de los datos: Sobreendeudamiento de clientes (X2).
Los datos recolectados para esta variable, han sido obtenidos del reporte crediticio de
deudores. Para la construcción de este indicador se consideraron todos los deudores y su
respectivo saldo que tienen en más de tres entidades financieras, trabajando en forma
paralela, entre el total de cartera de cada CMAC. El objetivo que se busca es demostrar
que aquellos clientes, con más de tres entidades, se encuentran sobreendeudados, y que
este sobreendeudamiento está relacionado directamente con el riesgo de crédito.
Considero, para efectos de esta investigación, que un cliente se encuentra sobreendeudado
cuando tiene créditos en más de tres instituciones; esto se validará con las entrevistas a
expertos en el sector.
Gráfico 32: Sobreendeudamiento y cartera de alto riesgo
En el gráfico 32 se aprecia la evolución del saldo de la cartera de todos los deudores que
tienen créditos en más de tres instituciones, en ella se observa que aproximadamente el
promedio de cartera de este indicador, se encuentra entre el 20% y 22%. La evolución por
deudor, de los años de análisis, se puede observar en el anexo 13; asimismo, el gráfico
muestra el comportamiento de la cartera de alto riesgo. De acuerdo con lo observado, solo
se podría decir que el saldo de la cartera de los deudores que trabajan con más de tres
entidades han tenido una paulatina reducción en los últimos años. Se podrá apreciar el
impacto de esta variable cuando se efectúe el modelamiento y se conozca su relación con
178
Análisis de los datos: Probabilidad de default asociada a la cartera de créditos (X3)
Uno de los objetivos de la presente investigación es pretender demostrar que la

probabilidad de default de las carteras de las CMAC tiene un impacto en el riesgo de
crédito. La probabilidad de default, la que considero una métrica relevante para este
trabajo, ha sido calculada utilizando la matriz de transición, asimismo, como su
probabilidad condicional respectiva de aquellos deudores que llegaron a la categoría de
riesgo pérdida, los saldos de las carteras se han obtenido de la información proporcionada
por la SBS, por lo tanto, su grado de validez es segura.
Esta probabilidad de default, se ha asociado al saldo de cartera mensual de colocaciones

de cada institución por todos los años de análisis, con el fin de tener un estimado del total
de cartera que llegará a tener categoría de riesgo pérdida. El detalle de los saldos de cartera
default y de las probabilidades condicionales se encuentran en el anexo 14.
Examinando el comportamiento de los datos de acuerdo con el gráfico 33, se observa que
puede existir, probablemente, una correlación de la cartera en default y la cartera de alto
riesgo, desde el 2016, hasta diciembre del 2019 porque se aprecia un incremento constante
del default de cartera, casi en línea con la cartera de alto riesgo.
De poder demostrar este postulado en la investigación, sería de gran aporte para este
grupo de instituciones, ya que sería una medida que ayude, a sus funcionarios, a centrar
sus decisiones en evitar que los deudores se deterioren tanto que lleguen a pérdida total
en sus créditos, lo que implicaría un mayor aumento de la cartera de alto riesgo.
179
Gráfico 33: Probabilidad de cartera en default y cartera de alto riesgo
Elaboración propia: Fuente, tomados de la probabilidad de default asociada a la cartera
Este indicador, en adición a la correlación de la probabilidad de default con la cartera de

alto riesgo, ayuda a proyectar un estimado de lo que sería la constitución de provisiones
para estas instituciones. Estas proyecciones son importantes para la realización de las
planeaciones financieras, presupuestos, elaboración de estados financieros puesto que
este indicador representa un gran riesgo para las instituciones por su relación directa con
la rentabilidad.
Cuando se realice la discusión de resultados y luego de las entrevistas a expertos, se

presentará diversos factores que determinen su comportamiento y el aporte de esta
investigación se traducirá en un mejor conocimiento para la salud crediticia de los
deudores de las CMAC.
Análisis de los datos: distribución geográfica por regiones (X4)
Las CMAC se encuentran distribuidas a nivel nacional, como se ha explicado en los

antecedentes de esta investigación, estas instituciones han tenido un crecimiento
escalonado, teniendo participación en casi todas las provincias, asimismo, se explicó que
las CMAC nacieron para la atención de su propia provincia municipal, sin embargo, con
el transcurrir de los años se han expandido por todo el país. A la fecha, podemos encontrar
agencias que nacieron en el sur del Perú, pero se encuentran en el norte, en centro oriente,
180
es decir, en casi todas las provincias, lo mismo sucede con aquellas que nacieron en el
norte, o en el centro oriente, su diversificación de todas ha sido masiva.
En este punto se han recogido y analizado los datos de la cartera de las CMAC distribuidas
en forma geográfica por regiones en el Perú. Identificando cuatro grandes zonas a nivel
nacional. De acuerdo con el gráfico 34, se observa que, aproximadamente, el 20% del
total de la cartera de las CMAC se ubican en la capital (Lima), otro 20% en la región
centro oriente, que comprende provincias de la sierra y selva del Perú, otros 20% en la
región norte, y un 40% en la región sur, lo que se puede decir que existe un mayor grado
de concentración en la región sur.
Gráfico 34: Distribución de cartera por regiones en el Perú
Elaboración propia: Fuente, adecuación del reporte crediticio de deudores
Para la obtención de estos datos se ha considerado el total de la cartera por región dividido
entre el total de la cartera. Tal como se mencionó en el marco teórico la distribución por
regiones es la siguiente.
• Región Norte: provincias de Tumbes, Piura, Lambayeque, Cajamarca, La Libertad, Ancash.

• Región Centro-Oriente: provincias de Loreto, Amazonas, San Martín, Huánuco, Ucayali,
Pasco, Junín, Huancavelica, Madre de Dios.
• Región Sur: provincias de Ica, Arequipa, Moquegua, Tacna, Apurímac, Puno, Cuzco.
• Región Lima y Callao.
181
Caber recordar que el objetivo que se ha planteado para este punto, es demostrar que esta
distribución geográfica de la cartera tiene impacto directo en el riesgo de crédito. El que
las instituciones se diversifiquen, es bueno, sin embargo, como resultado de esto, las
gerencias deben de tener centrado cuales son las regiones donde la cartera en riesgo en
más alta, es decir, uno de los aportes que busca esta investigación es determinar la
influencia de esta variable con el incremento de la cartera de alto riesgo, de tal manera
que puedan tener tarifarios de tasas de interés diversificados, o como lo denomino, debe
existir una “tropicalización” de las tasas activas por región, esto permitirá tomar
decisiones estratégicas para el control de su morosidad. En el Anexo 15 se puede apreciar
a mayor detalle las variaciones por región y las variaciones de la cartera de alto riesgo
durante los cuatro años de análisis.
Cabe indicar que, para efectos de tener una mejor identificación de esta variable y sus
resultados, se ha considerado cuatro grandes zonas a nivel nacional, de tal manera que se
analizará cada una de ellas, y se podrá observar si las CMAC tienen zonas con mayor
riesgo que en otras.
Análisis de los datos: Cantidad de deudores por empleado (X5).
En la recolección de datos para la comprensión de este indicador, se ha considerado la

información del reporte crediticio de deudores, tomando en cuenta el total de deudores
entre el total de empleados de cada CMAC, con el fin de obtener un aproximado de
cuantos deudores promedio es administrado por cada empleado durante el periodo de
análisis (48 meses).
Cabe indicar que la cartera de créditos, es gestionada y administrada por los asesores de
negocios, sin embargo, en ninguna base de datos se encuentra cual es el número de
asesores actual ni histórico, por lo que, en esta investigación, estamos considerando la
información de empleados, que si se tiene registro y data histórica. El objetivo en este
punto de la investigación es determinar si este factor, (deudor por empleado), influye en
el riesgo de crédito de las CMAC.
182
En el gráfico 35 se muestra las variaciones de la cartera de alto riesgo y el número de
deudores promedio por empleado, de lo que podemos observar es que en estas variaciones
se muestra un incremento del número de clientes gestionados por cada empleado. Este
aumento es constante durante los cuatro años de análisis.
Gráfico 35: Deudores por empleados y cartera de alto riesgo
Elaboración propia: Fuente, adecuación del reporte crediticio de deudores
Como se puede observar en el gráfico anterior, a inicios del 2016 el manejo promedio por
empleado era de 71.5 deudores, sin embargo, a finales del 2019, es de 85.2 deudores, es
decir se ha incrementado el número de deudores por empleado, más crédito en pocas
manos, esto es un posible factor de riesgo de impago, porque es tener mayor cartera que
no se pueda administrar adecuadamente; en el anexo 16 se presentan la evolución por
trimestre, del total número deudores y del total de empleados, observándose una variación
constante del crecimiento promedio del 2.77%, donde aparentemente existe una
correlación con la cartera de alto riesgo.
El aporte que se plantea en este punto está relacionado a mejorar la toma de decisiones
con respecto a la eficiencia operativa de las CMAC. Cada institución debe tener en
consideración el conocimiento de este indicador puesto que las diversas estructuras
administrativas, conformado por diferentes niveles de asesores, resultan ser muy caras,
ante ello la eficiencia operativa se ha convertido en un factor fundamental en la gestión
estratégica de estas instituciones.
183
En síntesis, en esta tarea de la segunda fase de la investigación, se ha realizado una
descripción de los datos que se van a utilizar en el modelado, identificando sus atributos
y funciones, se ha presentado la matriz operacional y se ha descrito en forma conceptual
cada una de ellas. Asimismo, se ha observado el comportamiento de las variables a través
de su evolución en el periodo de análisis establecido, realizando, como dice la teoría, un
análisis descriptivo inicial de sus cifras y tendencias con el fin de observar si,
aparentemente, nos dan señales de relación, del indicador correspondiente, con la variable
dependiente.
5.7.2.3. Exploración de los datos
Una vez terminada la tarea de descripción de los datos, se procede a su exploración, cuyo
fin es de aplicar pruebas estadísticas básicas que nos revele propiedades de los datos, por
lo tanto, tal como se indicó en la metodología, se presentará los estadísticos descriptivos
generales. Asimismo, se realizará las pruebas de bondad, para determinar si los datos
observados se ajustan a una determinada distribución de normalidad, (se presentarán
histogramas). Romero (2016), menciona que “Las pruebas de bondad de ajuste se utilizan
para contrastar si los datos de la muestra pueden considerarse que proceden de una
determinada distribución o modelo de probabilidad” (p.105).
Estadísticos Descriptivos de las variables
El objetivo principal del análisis descriptivo es encontrar patrones o características que

nos permitan hallar las propiedades de los datos respecto a su distribución y dispersión.
Los estadísticos, asimismo, nos darán señales de posibles errores o valores perdidos
originados en la etapa de recolección de datos y que podrían impactar en los resultados
del modelamiento.
184
De acuerdo a la tabla 30 se puede observar que el número total de datos validos es 576
para todas las variables, lo que nos indica un 100% de datos válidos y la no existencia de
datos perdidos o ausentes.
El análisis estadístico es básico en la investigación, en este caso, los estadísticos de

medias, medianas y moda nos permiten analizar la característica de los datos, y explorar
si estos presentan indicios de una distribución normal45. Una distribución normal tiene la
característica de presentar valores de media, mediana y moda similares. En la tabla de
estadísticos descriptivos de las variables, se observa que las variables analizadas
presentan medias, mediana y modas, en su mayoría, muy dispersos y por lo tanto no
cumplirían con la característica de normalidad, sin embargo, para determinar de qué tipo
de distribución estadística se aplicará la prueba Kolmogorov – Smirnov.
Dentro de los estadísticos calculados también se han incluido los indicadores de asimetría
y curtosis los cuales nos permiten conocer la forma de la distribución de las variables. El
estadístico de Asimetría46 nos indica si los datos están distribuidos de manera uniforme
respecto a la media. Una característica de normalidad de los datos tendrá como resultado
un estadístico de asimetría lo más cercano a cero (+/- 0.5), sin embargo, un indicador
positivo (>+0.5), o “cola” a la derecha, nos indica que los datos se encuentran distribuidos
por encima de la media y un indicador negativo (<-0.5), o “cola” hacia la izquierda, nos
indica que se encuentran por debajo.
En la tabla de estadísticos descriptivos de las variables, vemos que las únicas variables
con un nivel aceptable de asimetría que se encuentre entre (+/-0,5) son cartera promedio
por deudor y ratio de cartera zona norte (sin embargo, ambas variables tienen mucha
diferencia entre media, mediana y moda), las demás variables estadísticos de asimetría
fuera del rango aceptable lo que nos indican un problema de no normalidad de los datos,
inclusive las dos variables mencionadas que tienen un nivel de asimetría aceptable.
45
Es muy importante la determinación de la normalidad de los datos, toda vez que nos permitirá decidir
qué tipo de prueba se puede llevar a cabo, considerando si son pruebas paramétricas o no paramétricas.
46
Asimetría: medida que indica la simetría de la distribución de una variable ello con referencia a la
media aritmética; de tipo positiva: cola de la distribución se alarga a la derecha; de tipo negativa, cola
de distribución se alarga a valores inferiores (izquierda).
185
La variable dependiente cartera de alto riesgo presenta un indicador de asimetría de 0.94,
lo que nos indica que los datos se distribuyen de forma asimétrica hacia la derecha de la
media.
El estadístico de curtosis nos indica el nivel la concentración de los datos respecto a la

media. Una característica de normalidad de los datos nos dará como resultado un
estadístico de curtosis cercano a cero (+/- 0,5), sin embargo, un indicador positivo (>+0.5)
nos indica que los datos se encuentran altamente concentrados respecto a la media, y un
indicador negativo (<-0.5) nos indica una distribución dispersa respecto a la media. En la
tabla de estadísticos descriptivos de las variables, vemos que las únicas variables que
cumplen con un nivel aceptable de curtosis entre (+/- 0.5) son cartera de alto riesgo,
cartera promedio deudor y ratio de deudores por empleado.
Si analizamos la variable dependiente, cartera de alto riesgo, vemos que existe una
marcada diferencia entre los estadísticos de media, mediana y moda. Asimismo,
encontramos también que el estadístico de asimetría nos sugiere una distribución no
normal. Para complementar el análisis, graficamos el histograma47 de la variable cartera
de alto riesgo y encontramos que se muestran dos conglomerados con picos distintos y
una distribución asimétrica a la derecha, con lo que podemos concluir que la variable
dependiente cartera de alto riesgo no presenta una distribución normal.
En el gráfico 36, histograma de la cartera de alto riesgo, en el eje horizontal se presenta

los porcentajes de la cartera de alto riesgo, donde se aprecia que la media es 11.6%, y en
cada columna se describe la frecuencia de veces con las que se han presentado durante
todo el período de análisis (2016-2019).
47
Se le conoce como histograma, en estadística, a una representación gráfica en forma barras de una
variable y sirve para observar a “primera vista” general del tipo de distribución de la población.
Fuente: https://es.wikipedia.org/wiki/Histograma
186
Gráfico 36: Histograma: Cartera de alto riesgo (%)
Media = 11.6%
Elaboración propia: Se observa que la variable, no presenta normalidad, (asimetría

positiva) cola de distribución apunta ala derecha.
Por lo tanto, de acuerdo a los datos observados, las variables no presentan normalidad,
eso lo podemos ver en la tabla 30, revisando los diferentes estadísticos descriptivos, como
asimetría, curtosis, media, mediana y moda. Asimismo, en el anexo 17 se presentan los
diversos histogramas, donde se puede observar, en forma general, que las variables no
presentan distribución normal.:
Ver anexo 17
- Histograma de cartera promedio por deudor.
- Histograma de deudores con cuatro a más entidades y su saldo de cartera.
- Histograma de deudores por empleado.
- Histograma por cada región establecida en el estudio.
187
Tabla 30: Estadísticos descriptivos de las variables
Cartera Ratio Ratio

Cartera en Ratio Ratio Ratio
Promedio Deudores Saldo 4 Deuda en Cartera Cartera
Alto Cartera Cartera Deudores /
por 4 Entidad Entidades Default Lima y Centro y
Riesgo Norte Sur Emplead
Deudor (X2) (X2) (X3) Callao Oriente
(Y) (X4.1) (X4.2) (X5)
(X1) (X4.3) (X4.4)
N° Válidos 576 576 576 576 576 576 576 576 576 576
N° Perdidos 0 0 0 0 0 0 0 0 0 0
Media 11.6 10.8 21,219.2 338,583.5 189,870.9 29.3 30.7 18.3 21.7 78.6
Mediana 9.1 11.1 12,710.0 257,787.0 136,223.8 7.8 10.9 12.7 14.0 75.2
Moda 3,6 4.9 3904 23445,23 12581,55 0.0 0.0 0.0 0.0 49.12
Desv.
6.2 2.5 16,603.4 282,831.0 165,368.1 32.1 36.1 20.0 26.4 16.4
Desviación
Asimetría 0.94 -0.49 0.75 0.67 0.75 0.45 0.69 2.09 1.56 0.56
Curtosis -0.44 -0.22 -0.59 -0.81 -0.58 -1.55 -1.39 3.84 1.46 -0.13
Mínimo 3.62 4.96 3,352.00 23445.24 12581.55 0.00 0.00 0.00 0.00 49.13
Máximo 27.77 15.37 66,513.00 1084839 637813.2 90.03 93.81 80.98 92.61 140.08
Elaboración propia
188
Pruebas de Normalidad
Con el objetivo de complementar el análisis de estadísticos descriptivos y confirmar los

indicios de no normalidad de las variables, se utilizará la prueba de Kolmogorov -
Smirnov. La prueba K-S es una prueba no paramétrica que pertenece al grupo de pruebas
llamadas de bondad de ajuste y tiene como objetivo indicar si los datos presentan una
distribución especifica definida por el investigador.
Romero (2016) menciona con respecto a la prueba de Kolmogorov-Smirnov, “conocida

como prueba K-S, es una prueba de significación estadística para verificar si los datos de
la muestra proceden de una distribución normal. Se emplea para variables cuantitativas
continuas y cuando el tamaño muestral es mayor de 50” (p.36). De acuerdo a la teoría
respectiva, para aceptar la hipótesis nula, el valor de la significancia estadística (valor p),
debe ser mayor a 0.05.
Por lo tanto, como investigador se establece:
- H0: Hipótesis nula: El conjunto de datos sigue una distribución normal.
- H1: Hipótesis alternativa: El conjunto de datos no sigue una distribución normal.
La tabla de normalidad de las variables: Prueba de Kolmogorov-Smirnov nos muestra el

estadístico de prueba y el valor p (significancia asintótica) para cada una de las variables.
Vemos que todos los valores de p son menores a 0.05, por lo tanto se rechaza la hipótesis
nula: El conjunto de datos no sigue una distribución normal, es decir rechazamos
homogeneidad y decimos que hay diferencias en la distribución de las variables
analizadas y la distribución normal, no hay homogeneidad y tenemos evidencia suficiente
para concluir que los datos de las variables no presentan distribución normal con un nivel
de confianza del 95%.
189
Tabla 31: Normalidad de las variables: Prueba de Kolmogorov-Smirnov
Prueba K-S
Significación
Estadístico
estadística. Desviación
de prueba Media
Variables Asintótica típica
z
valor p
Cartera alto riesgo 0.211 ,000 11.62 6.19761
Cartera alto riesgo (Agrupada) 0.223 ,000 2.00 0.816
Cartera Promedio por Deudor 0.114 ,040 10.78 2.48756
Ratio Número Deudores 4 Entidades 0.197 ,000 0.175 0.06286
Ratio Saldo Deudores 4 Entidades 0.138 ,000 0.229 0.05529
Ratio Deudores / Empleados 0.096 ,000 78.60 16.38325
Deuda en Default 0.194 ,000 189,870.90 165368.05
Ratio Cartera Zona Norte 0.274 ,000 29.252110 32.1019
Ratio Cartera Zona Sur 0.291 ,000 30.730557 36.11776
Elaboración propia: adaptado del SPSS
Prueba de correlación de variables
Como parte de la etapa de exploración de las variables, además del análisis de normalidad,
también realizamos el análisis de correlación entre las variables independientes y
dependiente con el fin de encontrar una aproximación estadística del tipo de asociación
(positiva/negativa) y de la intensidad de la interdependencia (coeficiente >+/- 0.5).
Flores, Miranda y Villasís (2017), mencionan con respecto al análisis de correlación:

“Cuando se desea establecer la relación de dos variables cuantitativas continuas con
distribución normal se utilizará el coeficiente de correlación de Pearson (r de Pearson).
Sin embargo, cuando alguna de las dos variables por correlacionar no sigue una
distribución normal, la prueba que corresponde es el coeficiente de correlación de
Spearman (rho de Spearman)” (p. 369).
190
Por lo tanto, para el análisis de correlación de la presente investigación, se utiliza el
coeficiente de Spearman48 dado que se trata de una prueba no paramétrica de correlación
la cual es posible aplicar a variables continuas o discretas y permite analizar la correlación
de variables que no presentan una distribución normal. Asimismo, el coeficiente de
Spearman tiene como supuesto que una de las variables analizadas sea de escala ordinal
(variable que tiene orden y jerarquía), lo que se cumple con la característica de la variable
dependiente de cartera en riesgo.
En la tabla 32, correlación no paramétrica: Coeficiente de Spearman se muestra el valor

p (significancia asintótica) con el cual podemos determinar los casos donde la prueba
tiene un nivel de significación menor o igual 0.05. Solo en los casos de las variables ratio
cartera zona Lima y ratio cartera zona centro - oriente encontramos que el valor p es
mayor a 0.05, por lo que no sería posible establecer una correlación lineal con la variable
dependiente.
Un hallazgo importante que se observa del coeficiente de Spearman es que casi todas las
variables independientes tienen una interdependencia fuerte con la variable dependiente,
una más fuerte que otras: ratio número deudores con 4 a más entidades, ratio saldo
deudores 4 a más entidades, deuda en default, asimismo, las variables ratio deudores por
empleado, y ratio cartera zona norte. Todas las mencionadas presentan una
interdependencia mayor a (+/-0.5) con la variable dependiente. Finalmente, solo la
variable cartera promedio por deudor presenta una correlación, pero débil, respecto a la
variable dependiente, menor al (+/-0.5).
En la fase de evaluación se explicará los resultados producto de la correlación por cada

una de las variables, en dicha fase se interpretará los indicadores correspondientes y su
tipo de comportamiento positivo o negativo con respecto a la variable dependiente.
48
Mide la fuerza y la dirección de la asociación entre dos variables clasificadas.
191
Tabla 32: Correlación no paramétrica: Coeficiente de Spearman
Cartera en Alto Riesgo (continua)

Significación
Coeficiente de estadística.
Variable N
correlación Asintótica
valor p
Ratio Número Deudores 4 Entidades ,788* 0.000 576
Ratio Saldo Deudores 4 Entidades ,773* 0.000 576
Deuda en Default -,711* 0.000 576
Ratio Deudores / Empleados -,611* 0.000 576
Ratio Cartera Zona Sur -,602* 0.000 576
Ratio Cartera Zona Norte ,546* 0.000 576
Cartera Promedio por Deudor -,223 0.000 576
Ratio Cartera Zona Lima y Callao -0.066 0.112 576
Ratio Cartera Zona Centro y Oriente -0.081 0.052 576
(*) Interdependencia con la variable dependiente (+ - 0.5)
Con el objetivo de explorar a mayor detalle la correlación entre las variables, se elaboró
una tabla categórica en función de la variable dependiente, cartera de alto riesgo,
aplicando la definición de los percentiles se formó tres grupos distribuidos, según se
muestra, en la tabla 33 “Categórica: Variable cartera en riesgo”:
- Riesgo 1: riesgo con un nivel bajo.

- Riesgo 2: riesgo con nivel medio.
- Riesgo 3: riesgo con nivel alto.
Con este mayor detalle del grado de riesgo, las instituciones van a poder tener mayor
información para que puedan tomar su decisión, teniendo en cuenta su apetito y tolerancia
al riesgo que como organización lo han definido. (se entiende como apetito de riesgo, al
nivel de riesgo que la empresa está dispuesta a aceptar, considerando su búsqueda de
192
rentabilidad; y se entiende por tolerancia al riesgo, al nivel de variación que la empresa
está dispuesta a asumir en caso tenga desviación de los objetivos trazados)
Considerando las categorías de la variable cartera en alto riesgo, tal como se muestra en
la tabla 33, se procede a hacer el análisis de correlación. Se realizó la prueba de
correlación no paramétrica del coeficiente de Spearman y se encontraron los resultados
que se detallan en la tabla 34, correlación no paramétrica: Coeficiente de Spearman
(Cartera en Riesgo Categórica).
Tabla 33: Categórica: Variable cartera de alto riesgo
Rango (indicador N° Desv.

Categoría Media Max Min
de riesgo) valor estándar
Riesgo 1 <= 7,62% 191 6.248 7.618 3.624 1.027
Riesgo 2 7,62% - 11,20% 193 9.158 11.201 7.622 0.951
Riesgo 3 11,20%+ 192 19.446 27.771 11.286 4.137
Los resultados encontrados del coeficiente de Spearman, presentados en la tabla 34, sobre
la correlación entre las variables independientes y la cartera de alto riesgo (ahora tomando
en consideración la división categórica de la variable dependiente) presentan, igualmente,
una alta interdependencia, más aún las variables ratio cartera zona sur y ratio cartera zona
norte, las cuales presentan un aumento en la correlación.
En la fase de evaluación se explicará los resultados de la correlación por cada una de las
variables, en dicha fase se interpretará los indicadores correspondientes y tipo de
comportamiento positivo o negativo con respecto a la variable dependiente.
193
Tabla 34: Correlación no paramétrica: Coeficiente de Spearman
Cartera en Alto Riesgo (categórica)

Coeficiente de Sig.
Variable N
correlación (bilateral)
Ratio Número Deudores 4 Entidades ,750* 0.000 576
Ratio Saldo Deudores 4 Entidades ,743* 0.000 576
Deuda en Default -,692* 0.000 576
Ratio Deudores / Empleados -,574* 0.000 576
Ratio Cartera Zona Sur -,631* 0.000 576
Ratio Cartera Zona Norte ,562* 0.000 576
Cartera Promedio por Deudor -,276 0.000 576
Ratio Cartera Zona Lima y Callao -0.052 0.214 576
Ratio Cartera Zona Centro y Oriente 0.029 0.481 576
Elaboración propia: obtenido del SPSS

* Interdependencia observable con la variable dependiente (+- 0.5)
5.7.2.4. Verificar la calidad de los datos
La recolección de datos se enfocó en la captura de información de fuentes oficiales que

publica la Superintendencia de Banca y Seguros del Perú, y la principal ventaja es que
estos datos pasan por un proceso de validación previa a su publicación, y por lo tanto los
datos presentan una buena calidad y se ajustan a la realidad observada.
En la etapa de exploración, también se encontró que los datos analizados de cada variable
están completos y no se hallaron datos nulos. Asimismo, para la variable dependiente se
analizó la ocurrencia de datos fuera de rango (outliers) a través del análisis de
puntuaciones z y no se identificó impacto en los datos de la variable dependiente.
Podemos concluir que los datos presentan los atributos de calidad y confiabilidad
esperados para para la construcción del modelo estadísticos propuesta para la
investigación.
194
En síntesis, como resumen de la fase de análisis de datos, se ha podido observar el
comportamiento de las variables en el periodo de estudio, asimismo con la recolección de
datos iniciales, se ha podido explorar y analizar los principales estadísticos descriptivos
de las variables considerando pruebas de normalidad (en forma cuantitativa y en
histogramas). Al respecto, se ha evidenciado que no presentan distribución normal, y para
observar su correlación se ha utilizado el coeficiente de Spearman. En la parte de
evaluación del desarrollo de la tesis se expondrá a detalle el tipo de correlación, positiva
o negativa.
5.7.3. Preparación de los datos.
Continuando con el desarrollo de la metodología CRISP-DM, en esta fase se trata de

preparar todos los datos que van a entrar a la técnica de la minería. Consiste en indicar
como se han seleccionado los datos a utilizar, la manera en que han sido estructurados o
construidos.
5.7.3.1. Selección de datos
En esta etapa, en términos de registros, se ha procedido a seleccionar el set de datos a

utilizar para el modelamiento estadístico, considerando, como criterio fundamental, el
nivel de calidad de esta información. Asimismo, en la etapa de análisis de datos se
mencionó que las fuentes de los datos presentan una alta calidad dado que provienen del
ente oficial que regula el sistema financiero peruano.
La Superintendencia de Banca y Seguros tiene estrictos procesos de validación y de

control de calidad sobre los datos reportados por todas las entidades financieras, que luego
de procesar el integro de la información, lo pone a disposición pública en su página oficial.
195
Es por esta razón, y luego de la validación realizada en la etapa exploratoria, es que se ha
seleccionado el integro de los datos para la construcción del dataset49.
Al respecto, se ha seleccionado un periodo de 48 meses desde enero 2016 hasta diciembre

2019. Asimismo, se identificó en la etapa exploratoria, un evento que, aparentemente,
pudo haber afectado los datos durante el periodo de meses entre octubre 2017 a octubre
2018 ocasionado por el efecto del fenómeno del niño costero. Este efecto se presentó en
la zona norte del Perú, sin embargo, a pesar de este comportamiento, se ha decidido
seleccionar estos datos y realizar un tratamiento de estos, de tal manera que permita su
análisis, identificando en primer lugar, las CMAC que concentran créditos en la zona
afectada y luego corregir los datos aplicando el método de promedios móviles sobre los
datos adyacentes, con esto, se mitigará lo observado durante la etapa de construcción de
datos.
5.7.3.2. Construcción de los datos
Los datos se han estructurado teniendo en consideración lo siguiente: para la construcción

de la variable explicada o dependiente, cartera en alto riesgo, se ha calculado los saldos
totales y mensuales de la cartera total, cartera vencida, refinanciada, reestructurada y en
cobranza judicial, tomando como fuente el reporte consolidado de créditos emitido por la
superintendencia de Banca y Seguros del Perú. Como se indicó en la etapa de recolección
de datos, esta información se encuentra a nivel de deudor y ha sido llevada a una base de
datos estructurada para poder realizar los cálculos agrupados del saldo total a nivel de
CMAC y para los periodos de análisis.
Asimismo, considerando la cartera en alto riesgo, y con el fin de brindar un mayor aporte
a la investigación, se procedió a construir una variable categórica 50 , la cual, como
investigador, he determinado tres categorías dentro de la cartera en alto riesgo. Estas tres
49
Dataset: “colección o representación de datos residentes en memoria con un modelo
de programación relacional coherente e independientemente sea cual sea el origen de los datos que
contiene”. Fuente: https://www.deustoformacion.com/blog/programacion-diseno-web/que-son-
datasets-dataframes-big-data
50
Variable que puede tomar, valores, cualidades o categorías.
196
categorías fueron construidas en el software estadístico SPSS51 y permitió la creación de
categorías agrupadas por percentiles, es decir, se generan tres grupos distribuidos de
manera uniforme. Los puntos de corte se muestran en la Tabla 33, Categórica: Variable
de cartera en alto riesgo. Cabe indicar que el programa SPSS es un paquete estadístico
que se utiliza para las ciencias sociales, y es muy potente y completa herramienta para los
análisis y representación y tratamiento de datos. “Es uno de los programas estadísticos
más conocidos teniendo en cuenta su capacidad para trabajar con grandes bases de datos
y una sencilla interfaz para la mayoría de los análisis”52
La variable sobreendeudamiento, definida en la investigación como los deudores

reportados con más de tres entidades financieras, se construyó sobre la base de
información de las series estadísticas publicadas por la Superintendencia de Banca y
Seguros. Las series estadísticas permiten identificar el número de deudores y el saldo
asociado a estos, categorizando a los clientes según el número de entidades con las que
mantienen una obligación crediticia. La serie estadística categoriza a los deudores con
una, dos, tres, o más entidades financieras. Para la construcción de esta variable se ha
utilizado la categoría de clientes con más de tres entidades y se calculó a través del
programa SQL53.
La variable independiente, saldo probabilidad de default fue construida tomando como

referencia dos fuentes de datos. En primer lugar, para la obtención del saldo total de
cartera para cada una de las CMAC se consideró la publicación de series estadísticas
realizada por la SBS; en segundo lugar, se utilizó la probabilidad de default obtenida del
análisis de matrices de transición, realizado en los inicios de este capítulo. Con esta
información se procedió a calcular el saldo con probabilidad de default a través de un
script54 en SQL.
51
SPSS (Statiscal Package for the Social Sciences)
52
Fuente: https://es.wikipedia.org/wiki/SPSS
53
SQL: Structured Query Language, programa utilizado para diseñar y recuperar información de bases
de datos relacionales
54
Un script es una secuencia de comandos o un guion, es un término informal en ingles que se usa para
designar un programa relativamente simple.
197
La variable segmentación por zona geográfica, está determinado por la distribución
porcentual de la cartera de créditos por zonas, siendo estas la zona norte, sur, centro,
oriente y Lima y Callao, fueron construidos tomando como fuente las series estadísticas
publicadas por la SBS. En estas series estadísticas se publican los saldos de cartera
distribuidos a nivel de cada una de las agencias de las CMAC y distribuidas por distrito,
provincia y departamento. La distribución de los departamentos y zonas, y el número

datos recopilados de la serie estadística se muestran en la tabla 35.
Tabla 35: Distribución de oficinas y saldos por zona geográfica
Región Lima Región Centro y

Región Norte Región Sur
y Callao Oriente
Amazonas,
Apurímac,
Ancash, Huancavelica,
Arequipa,
Cajamarca, La Huánuco, Junín,
Datos Ayacucho,
Libertad, Lima y Callao Loreto, Madre
categorizados Cusco, Ica,
Lambayeque, de Dios, Pasco,
Moquegua, Puno
Piura y Tumbes San Martín y
y Tacna.
Ucayali.
Departamentos 6 8 2 9
Provincias 41 52 8 45
Distritos 79 101 49 77
Oficinas 232 327 194 201
Saldo de Crédito
(miles de soles) 5,050,417 9,754,978 4,022,008 4,749,177
al 31.12.19
Elaboración propia
Dentro de la etapa de exploración de datos se identificó que la variable dependiente,

cartera en alto riesgo presenta un comportamiento diferenciado durante el periodo entre
los meses de octubre 2017 y octubre 2018 producto del fenómeno del niño costero
ocurrido durante este periodo. Este fenómeno tuvo un impacto en la calidad de cartera de
las CMAC que tienen una alta concentración en la zona norte del Perú, que es donde
ocurrió este evento. El fenómeno del niño costero, fue un evento anómalo que se presentó
de manera estacional en la zona norte del Perú y para que sus efectos no alteren los datos
198
indicados de ese periodo, se realizará un tratamiento en base a promedios móviles de tal
manera que se pueda suavizar los datos.
Por lo tanto, con el objetivo de corregir esta distorsión se ha procedido, en primer lugar,
a identificar las CMAC ubicadas en la zona norte, en segundo lugar, se procedió a aplicar
dentro del software estadístico la transformación de los datos por promedio móviles sobre
los datos adyacentes durante el periodo de octubre 2017 a octubre 2018.
Salazar (2019), establece que el uso del promedio móvil es óptimo para eliminar el
impacto de los elementos irregulares históricos en un conjunto de datos, de tal manera
que se puedan crear series de promedios. Así las medias móviles son una relación de
números en la cual cada dato es promedio de un subconjunto de datos.
El resultado de esta corrección se puede apreciar en el grafico 37, cartera en alto riesgo
incorporando promedios móviles, apreciándose un suavizamiento de los datos.
Gráfico 37: Cartera en alto riesgo incorporando promedio móviles
Elaboración propia
199
5.7.3.3. Integración de datos
Luego de la etapa de construcción y estructuración de la información, los datos han sido

integrados en un repositorio de datos final dentro del software estadístico SPSS con el
objetivo de construir el modelo estadístico. Para la integración de los datos se ha tomado
en consideración la estructura de las categorías de riesgo establecida para nuestra variable
dependiente. Además de esto, no se ha realizado otra integración con otros datos, ni se ha
generado nuevos campos de datos existentes o nuevas tablas desde otras fuentes.
5.7.3.4. Formateo de los Datos
En esta etapa, la principal actividad que se ha realizado, es la estandarización de las

unidades de medida de las variables. Con el objetivo de alinear a las unidades recopiladas
de las series estadísticas publicadas por la SBS, la variable probabilidad de default
asociado a la cartera de créditos, ha sido formateado a la unidad de miles de soles. Para
el caso de la variable cartera de deudores por empleado, se han formateado los datos a
numérico entero dado que las unidades se encuentran en número de deudores. Para el caso
de las demás variables, están representadas en numérico decimal con una precisión de
cuatro decimales.
De acuerdo a lo señalado, para brindar un mayor aporte a la investigación, se ha

establecido que la cartera en alto riesgo va a tener categorías, presentando el siguiente
formato: Se ha asignado 1 (uno) para la categoría riesgo bajo y agrupa a los indicadores
de cartera en alto riesgo menores a 0.0762, asimismo, se ha asignado 2 (dos) para la
categoría riesgo medio y considera a los indicadores mayores a 0.0762 y menores a
0.1120, y finalmente se ha asignado 3 (tres) para la categoría riesgo alto e incluye a los
indicadores mayores a 0.1120.
200
5.7.4. Modelamiento
En esta fase de la investigación se va a presentar la técnica del modelado apropiado para

el cumplimiento de los objetivos utilizando la minería de datos. Una vez descrito el
modelo escogido se procederá al desarrollo de la técnica sobre los datos y obtener el
modelo, en la etapa final se procederá a evaluar si el modelo cumple con los criterios de
éxito.
5.7.4.1. Técnica de modelado
El objetivo principal de esta etapa es presentar la técnica estadística apropiada que permita
identificar el nivel explicativo de cada una de las variables analizadas y, además, debe
permitir determinar cuáles son las variables que tienen mayor relevancia explicativa sobre
la variable cartera en alto riesgo, para las Caja Municipales de Ahorro y Crédito.
Asimismo, se busca evaluar si las variables seleccionadas en conjunto permiten explicar
el evento que una CMAC presente un alto indicador de cartera en alto riesgo.
Tal como se indicó en el marco teórico, existen diferentes técnicas estadísticas para poder
aplicar la minería de datos, donde el conocimiento de los estadísticos para verificar la
relación entre variables es esencial para llevar a cabo la técnica.
Un criterio importante para la selección de la técnica de modelado es que esta debe

ajustarse al tipo de variables cuantitativas y cualitativas construidas en la etapa de
preparación de datos, así como a las características y comportamiento de las variables,
como por ejemplo la distribución no normal o también llamada distribución no
paramétrica, ambos aspectos fueron analizados y demostrados en la etapa de descripción
de los datos. Un punto importante que se ha considerado como criterio es que la técnica
a elegir también pueda ajustarse al tamaño de la muestra y al número de variables que se
están analizando.
201
Dentro de las principales técnicas para poder analizar el comportamiento de las variables
y su relación, considerando su distribución no paramétrica se tiene a la regresión logística
y la de árbol de decisión (Menes, Arcos y Gallegos, 2015).
Asimismo, y de acuerdo a lo presentado en el marco teórico, diversos autores como:
- Fernández (2011), menciona que “la regresión logística es un tipo de análisis

estadístico orientado a la predicción de una variable categórica en función de otras
variables consideradas como parámetros predictores”. Considera que este
algoritmo es utilizado muy frecuentemente, ya que es flexible, para el uso de la
minería de datos.
- Lara (2010), en su tesis doctoral indica que “la regresión logística es

probablemente la técnica estadística más utilizado en las ciencias sociales”
(p.388), mencionando diversas ventajas en su uso, pudiéndose utilizar las
variables independientes en relación a la variable explicada. Asimismo, aporta
una metodología flexible, y permite relacionar eventos en función a variables.
Considerando estas premisas, y a lo presentado en el marco teórico, se ha decidido utilizar

la técnica estadística de regresión logística multinomial para la construcción del modelo.
Hosmer & Lemeshow (2013), establecen en su libro publicado, regresión logística

aplicada:
Regression methods have become an integral component of any data

analysis related to the description of the relationship between a
response variable and one or more explanatory variables. It often
happens that the outcome variable is discrete, taking two or more
possible values. During the last decade, the logistic regression model
has become, in many fields, the standard method of analysis in this
situation. (pg. 1)
Los métodos de regresión se han convertido en un componente integral

de cualquier análisis de datos relacionados con la descripción de la
relación entre una variable de respuesta y una o más variables
202
explicativas. A menudo sucede que la variable de resultado es discreta,
tomando dos o más valores posibles. Durante la última década, el
modelo de regresión logística se ha convertido, en muchos campos, en
el método estándar de análisis en esta situación. (traducción propia)
Esta técnica nos permite construir modelos estadísticos con los cuales podemos conocer
la relación entre una variable dependiente cualitativa, (de acuerdo a la agrupación
categórica por niveles que se ha realizado a la variable explicada) y variables explicativas
independientes cuantitativas continuas (covariables). Asimismo, es de mucha utilidad
para comprender las causas de los fenómenos y comportamientos.
Asimismo, la regresión logística multinomial permite trabajar con variables dependientes

de tipo categóricas (de allí su nombre multi-nomial), tal como se ha construido la variable
dependiente cartera en alto riesgo en la etapa de preparación de datos y que se muestra en
la tabla 33, Categórica: Variable de cartera en alto riesgo. Una ventaja de esta técnica es
que permite trabajar con variables independiente cuantitativas continuas, característica
que presentas las variables independientes observadas de las CMAC.
Por otro lado, un beneficio importante de esta técnica es que permite al investigador una
mejor interpretación de los resultados, dado que la significancia y los coeficientes de cada
variable nos indicará si la variable o característica es explicativa de la variable
dependiente, aspecto importante que no nos permiten otras técnicas estadísticas.
Un aspecto que también se ha considerado para la elección de esta técnica, es que la

regresión logística multinomial permite al investigador trabajar con pruebas no
paramétricas o también conocido como variables sin distribución normal, luego de haber
realizado el análisis de normalidad de las variables, características que se ha evidenciado
anteriormente, en la etapa de descripción de los datos.
203
5.7.4.2. Construcción del Modelo
A continuación, se va a proceder a ejecutar el modelo sobre los datos seleccionados y

preparados. El fin de esta parte es el desarrollo de la herramienta, proporcionando la salida
de resultados y su descripción.
Como parte del plan de ejecución para la construcción del modelo a presentar y sobre la
base de las correlaciones presentadas en la etapa de preparación de datos, tabla 34,
Correlación no paramétrica: Coeficiente de Spearman, (tabla donde se detalla las
correlaciones observadas en la exploración de datos respecto de la variable categórica de
cartera en alto riesgo) se han ejecutado simulaciones e iteraciones del modelo
considerando y ponderando tres criterios importantes:
1. Juicio de experto y evidencia teórica para la selección de las variables.

2. Maximizar el nivel de explicativo del modelo y
3. Maximizar el número de variables significativas.
Para la simulación se ha configurado el modelo de la siguiente manera:
• Se ha definido como variable dependiente la variable categórica cartera en alto

riesgo (considerando tres niveles de riesgo).
• Se ha definido como categoría de referencia la categoría bajo riesgo.
• Para definir las variables factores y las covariables, y dado que todas las variables
independientes son cuantitativas continuas se ha considerado las cinco variables
independientes como covariables.
• Los estadísticos seleccionados son: Tabla de especificación, pseudo R cuadrado55,
parámetros con intervalo de confianza de 95%, pruebas de razón de
verosimilitud56, estimadores y tabla de clasificación (de los datos).
• Los criterios de convergencia se mantienen con los valores por default57.
55
Pseudo R cuadrado es una aproximación al coeficiente de determinación en una regresión logística
multinomial.
56
Prueba de verosimilitud o Likelihood ratio es una prueba que compara la bondad de ajuste (verifica si
los datos observados de una muestra tienen un nivel de significancia) de modelos estadísticos.
57
Las simulaciones estimadas no difieren mucho de la anterior, es decir hay concurrencia en el modelo.
204
A continuación, se muestran los resultados de la simulación con los mejores indicadores
y nivel explicativo de las variables mostrados por el software estadístico SPSS bajo los
parámetros explicados.
Tabla 36: Resumen de procesamiento de casos
Porcentaje
N marginal
Cartera en alto riesgo Riesgo Bajo 191 33,2%
(Agrupada) Riesgo Medio 193 33,5%
Riesgo Alto 192 33,3%
Válidos 576 100,0%
Perdidos 0
Total 576
Elaboración propia
La tabla 36, resumen de procesamiento de casos, se muestra a nivel informativo los datos
procesados válidos, así como los datos perdidos para la construcción del modelo.
Asimismo, muestra la frecuencia para la variable categórica de cartera en alto riesgo. Un
resultado importante es que el modelo no muestra valores perdidos, y muestra un 100%
de datos válidos.
A continuación, se presenta la prueba de hipótesis, donde se desea demostrar que el

modelo de regresión logística multinomial se ajusta al conjunto de datos, ya que a través
de esta prueba se permite analizar la relación entre las variables. Tinoco (2008), menciona
en su investigación que para analizar la relación de dependencia y/o independencia entre
variables se utiliza la prueba de Chi cuadrado; es decir, esta prueba es para identificar la
bondad de ajuste del modelo, con esta prueba se sabrá si las variables del modelo que se
está proponiendo mejoran significativamente la predicción de la ocurrencia de las
categorías de la variable dependiente.
205
Un resultado importante que se muestra en la tabla 37, información de ajuste de los
modelos, es la prueba de la razón de verosimilitud del modelo, el cual, dada la prueba de
Chi cuadrado, considerando un nivel de confianza del 95%, se establece como:
- H0 (hipótesis nula): Existe evidencia estadística de que el modelo de regresión

logística multinomial se ajusta al conjunto de datos.
- H1 (hipótesis alternativa): No existe evidencia de que el modelo de regresión
logística multinomial se ajusta al conjunto de datos.
De acuerdo a la teoría de pruebas de bondad del modelo, si el nivel de significación de

chi-cuadrado, (valor – p), es menor a 0.05 indica que el modelo ayuda a explicar el evento,
es decir, las variables independientes explican la variable dependiente58.
Como resultado se observa que el valor de significancia es menor a 0.05, lo que nos indica
que aceptamos la hipótesis nula y se puede establecer que existe evidencia estadística de
que el modelo de regresión logística multinomial se ajusta al conjunto de datos.
Tabla 37: Información de ajuste de los modelos
Criterios de
Pruebas de la razón de verosimilitud
ajuste de modelo
Logaritmo de la Chi- Significancia
gl
Modelo verosimilitud -2 cuadrado Valor p
Sólo intersección 1265,591
Final 387,927 877,664 8 ,000
Elaboración propia: obtenido del SPSS
Lara (2010), en su tesis doctoral indica que para “evaluar el modelo de regresión logística
se requiere de la comprobación de dos aspectos. El primero de ellos consiste en
comprobar si las variables explicativas incluidas en el modelo están estadísticamente
relacionadas con la variable respuesta. Para ello, el modelo realiza una comparación entre
58
Fuente: Que es la regresión logística y como analizarla. http://networkianos.com/regresion-logistica-
binaria/
206
los valores observados y los valores estimados tomando como base el logaritmo de la
función de verosimilitud, donde se obtiene, entonces, el estadístico D, que se denomina
deviance (o desvianza)” (pg. 165).
De acuerdo a lo descrito anteriormente, para los resultados de las pruebas de bondad de

ajuste, lo que se busca, es que haya similitud entre los eventos esperados versus los
eventos observados, por lo que el resultado del chi-cuadrado de Pearson y de Desvianza
muestran un valor significancia mayor a 0.05 y cercano a 1, lo que nos indica que el nivel
de efectividad de los valores predichos respecto a los valores observados es óptimo.
Pruebas de bondad de Ajuste

Sig.
Pearson X2 0.797
Desvianza D 0.835
Elaboración propia: adaptado de SPSS
Para los resultados análogos a los coeficientes de determinación (en regresión logística
multinomial, los valores de R2, son los valores de pseudo R cuadrado59), el software nos
muestra tres pruebas: Cox y Snell, Nagelkerke y MacFadden.
Gualda (2004), indica que, para evaluar la calidad del modelo, también se utilizan los
coeficientes de Cox y Sell, Nagelkerke y McFadden, ya que estos indicadores tienen un
papel similar al coeficiente de determinación. Estas pruebas indican la parte de la varianza
de la variable explicada por el modelo, cuanto más alto es el R-cuadrado, más explicativo
es el modelo, es decir las variables independientes explican la variable dependiente.
Para los tres casos se muestran indicadores mayores a 0.70 lo que nos indica que existe
una explicación optima respecto de la variable dependiente y por lo tanto podemos
concluir que es un modelo eficiente.
59
Para mejor entendimiento, véase Scout Long, invetigación Review of Regression Models for
Categorical Dependent Variables Using. (pg. 274).
207
Pseudo R cuadrado (*)
Cox y Snell 0.712
Nagelkerke 0.780
McFadden 0.693
(*) Indicador usado en la regresión logística multinomial, que es análogo al

coeficiente de determinación R2.
Elaboración propia: adaptado de SPSS
Una vez formulado el modelo de regresión logística corresponde realizar estimación de

sus parámetros, esto con el fin de determinar la probabilidad de que exista significancia
explicativa con respecto a la variable explicada; para estos casos, se realiza el método o
test de verosimilitud.
Larranaga, Inza y Mougahid (2007), mencionan que el “test de la razón de verosimilitud

se basa en comparar el producto entre -2 y el logaritmo neperiano de un cociente entre
verosimilitudes con el percentil correspondiente de una distribución chi-cuadrado” (pg.
6), con el fin de comparar la regresión logística del modelo.
Los resultados de las pruebas de verosimilitud, indican si las variables seleccionadas

tienen una significancia explicativa para determinar la variable dependiente, cartera en
alto riesgo. En la tabla pruebas de la razón de verosimilitud, vemos que las variables
independientes seleccionadas en este modelo sí muestran un nivel de significancia menor
a 0.05. Por lo que se puede concluir que las variables independientes presentadas a
continuación son estadísticamente explicativas para la variable dependiente (cartera de
alto riesgo) objeto del presente trabajo de investigación:
(X1), Cartera promedio por deudor – total de cartera entre total de deudores.
(X2), Sobreendeudamiento de clientes - número de deudores con cuatro entidades a más.
(X3), Default de cartera – probabilidad de default por saldo.
208
(X4), Distribución geográfica – (solo cartera zona norte).
(X5), Deudores por empleado – total de deudores entre total de empleados.
Tabla 38: Pruebas de la razón de verosimilitud
Criterios de ajuste Pruebas de la razón de

de modelo verosimilitud
Logaritmo de la Chi-
gl Sig.
Efecto verosimilitud -2 cuadrado
Intersección 431.595 43.668 2 0.000
(X1)Cartera Promedio por Deudor 416.589 28.662 2 0.000
(X2)Ratio Número Deudores 4 Entidades 648.900 260.974 2 0.000
(X3)Deuda en Default 395.170 7.244 2 0.027
(X4.1)Distribución: Ratio Cartera Zona Norte 412.813 24.886 2 0.000
(X5)Ratio Deudores / Empleados 495.283 107.356 2 0.000
5.7.4.3. Resultados del modelo
A continuación, se mostrará los resultados de salida del modelo cuando se ejecuta la

regresión logística, donde se expondrá los resultados por cada objetivo planteado en la
investigación, donde el resultado de sus principales vistas está centrado en: el nivel de
significación (valor – p), el tipo de relación o comportamiento (positivo o negativo, en
base al signo del coeficiente B y el grado de fuerza de la relación que presenta el modelo
de regresión logística, es decir Exp(B)
Con el objetivo de analizar la relación de las variables independientes con la variable

dependiente utilizaremos el resultado de la estimación de parámetros para la categoría
riesgo alto. La interpretación de los coeficientes en la regresión logística multinomial es:
209
- B > 0, incrementos en Xi incrementan la probabilidad de pertenecer al grupo de
interés (variable dependiente).
- B < 0, incrementos en Xi, disminuyen la probabilidad de pertenecer al grupo de
interés. (variable dependiente)
En síntesis, para el presente análisis se tiene la siguiente interpretación de los

indicadores60:
- El nivel de significancia (valor – p). – explica si la variable independiente es

significativa o no, si el valor es menor a 0.05 indica que el modelo explica la
relación con la variable dependiente, las que son mayores a 0.05 no son
significativas.
- Coeficiente del parámetro (B). - el signo del coeficiente indicará el tipo de

relación con la variable dependiente, si es positiva, va en la misma dirección y si
es negativa, va en sentido contrario. Cabe indicar que los valores de los
coeficientes no tienen interpretación, solamente sirve para ver la relación positiva
o negativa con respecto a la variable dependiente.
- El Exp(B) o también llamado odd ratio, es una medida de asociación entre

variables utilizados en modelos de regresión logística, que nos indicará la
fortaleza de la relación con la variable dependiente, este indicador es la razón del
porqué se usa la regresión logística, sus características son:
o Odd oscilan entre 0 e infinito.

o Cuando Odd es 1 indica ausencia de asociación entre las variables.
o Cuanto más se aleje el Odd ratio de 1 es más fuerte la relación.
o Cuando el odd ratio es menor de 1 es conveniente calcular la inversa.
o Los valores de Exp (B) menores a 1 señalan una asociación negativa entre
las variables. La interpretación es, a medida que aumenta el puntaje en la
variable independiente va a disminuir en la variable dependiente.
60
Información adaptada de “Que es la regresión logística y como analizarla”.
http://networkianos.com/regresion-logistica-binaria/; y de Odd ratio: “Que es y cómo se interpreta”
http://networkianos.com/odd-ratio-que-es-como-se-interpreta/#toc-2;
210
o y si los valores de Exp (B), mayores a 1 indican una asociación positiva
entre las variables. La interpretación es, a medida que aumenta el puntaje
en la variable independiente, también va a aumentar el de la dependiente.
Teniendo en consideración estos criterios indicados, el modelo nos presenta los siguientes
resultados:
Tabla 39: Resultados del Modelamiento
Variable B Significancia
Exp(B)
(Valor – p)
Intersección -2.338 0.000 0.000
(X1) Cartera Promedio por Deudor 1.062 2.892 0.000

(X2) Sobreendeudamiento:
2.104 8.198 0.000
Ratio número deudores 4 entidades a más
(X3) Default de cartera 0.452 1.571 0.029
(X4) Diversificación geográfica(*):

-0.250 0.778 0.012
(X4.1) Ratio Cartera zona norte
(X5) Deudores por empleado -0.229 0.796 0.000
(*) Cabe indicar que los indicadores de las demás zonas de diversificación, de acuerdo al
modelo, no son significativas.
Fuente: Elaboración propia – adaptado del SPSS
A continuación, se presenta el resultado del modelo para cada objetivo planteado en la

presente investigación:
Modelo para objetivo 1: Este modelo ha devuelto los siguientes resultados:
Exp(B)
(Valor – p)
(X1) Cartera Promedio por Deudor 1.062 2.892 0.000
211
- Significancia (valor – p) menor a 0.05, indica que el modelo explica el evento, es
decir la cartera promedio por deudor explica la variable dependiente.
- Coeficiente B (positivo), indica, si aumenta la cartera promedio por deudor,
incrementa la cartera de alto riesgo.
- Exp (B), indica que la fortaleza de la variable es de 2.892 el número de veces con
respecto a la variable explicada; es decir, por cada incremento en la unidad de la
cartera promedio por deudor, existe una probabilidad de que la cartera de alto
riesgo incremente en 2.892 veces.
Exp(B)
(Valor – p)
(X2) Sobreendeudamiento: 2.104 8.198 0.000
Ratio número deudores 4 entidades a más

decir la variable sobreendeudamiento, con su indicador, ratio número de deudores
con 4 entidades a más, explica la variable dependiente.
- Coeficiente B (positivo), a mayor sobreendeudamiento (si clientes aumentan el
número de entidades), crece la probabilidad de incrementar la cartera de alto
riesgo.
respecto a la variable explicada; es decir, por cada incremento en la unidad de los
clientes con 4 o más entidades financieras, existe una probabilidad de que la
cartera de alto riesgo incremente 8.198 veces.
Exp(B)
(Valor – p)
(X3) Default de cartera 0.452 1.571 0.029
212
decir el default de la cartera explica la variable dependiente.
- Coeficiente B (positivo), si aumenta la variable, cartera en default, crece la
probabilidad de incrementar la cartera de alto riesgo.
respecto a la variable explicada; es decir, por cada incremento en la unidad de
cartera en default, existe una probabilidad de que la cartera de alto riesgo
incremente 1.571 veces.
Exp(B)
(Valor – p)
(X5) Diversificación geográfica(*):
-0.250 0.778 0.012
(X5.1) Ratio Cartera zona norte
- Significancia (valor de p): menor a 0.05, indica que el modelo explica el evento,
es decir, la variable diversificación geográfica (Cartera zona norte), explica la
variable dependiente. Para la construcción de este modelo, y producto de las
iteraciones realizadas en el estadístico, las demás regiones no han presentado un
nivel de significancia, por lo que se han descartado.
o X4.2 Cartera región sur / total de cartera

o X4.3 Cartera región Lima / total de cartera
o X4.4 Cartera centro oriente / total de cartera
- Coeficiente B (negativo), si disminuye la cartera en la región norte, crece la

probabilidad de incremento de la cartera de alto riesgo.
- Exp (B), indica que la fortaleza de la variable es 1.285 el número de veces con
respecto a la variable explicada, resultado de (1/0.778), es decir, por cada
incremento en la unidad de cartera en la región norte, existe la probabilidad de
que la cartera de alto riesgo incremente en 1.285 veces.
213
Significancia
Variable B Exp(B)
(Valor – p)
(X5) Deudores por empleado -0.229 0.796 0.000

decir la variable deudores por empleado, explica la variable dependiente.
- Coeficiente B (negativo), si disminuye la variable deudores por empleados, crece
la probabilidad de que se incremente la cartera de alto riesgo.
- Exp (B), indica que la fortaleza de la variable es 1.256 el número de veces con
respecto a la variable explicada, resultado de (1/0.796), es decir, por cada
incremento en la unidad de la variable deudores por empleado, existe la
probabilidad de que la cartera de alto riesgo incremente en 1.256 veces.
Si bien es cierto que, de acuerdo al desarrollo realizado, todas las variables en mención
explican la variable dependiente, existe un orden o tipo de fortaleza en su relación, la cual
es presentada en la tabla 40. En ella se puede observar que es la variable
sobreendeudamiento, representada por el número de deudores con 4 entidades a más, la
que tiene mayor fortaleza dentro de todas las variables, seguido por la cartera promedio
por deudor. Sin embargo, todas las demás variables también tienen un importante y
significativo nivel de fortaleza con la variable dependiente, ya que, de acuerdo a la teoría,
todas ellas se alejan de 1.
214
Tabla 40: Orden de la contribución y fortaleza de la relación
Variable Fortaleza de Orden de la

Exp(B)
la relación contribución
(X2) Sobreendeudamiento - ratio
8.198 8.198 1
número deudores 4 entidades a más
(X1) Cartera Promedio por Deudor 2.892 2.892 2
(X3) Default de cartera 1.571 1.571 3

(X4) Diversificación geográfica (*):
0.778 1.285(*) 4
(X4.1)Ratio Cartera zona norte
(X5) Deudores por empleado 0.796 1.256(*) 5
(*) Cuando el Exp(B) es menor a 1, la fortaleza de la relación es: 1/Exp(B)

Finalmente, la tabla 41, clasificación de datos, se presenta el nivel de efectividad del

modelo para poder identificar los valores observados. Tenemos que el modelo ha
pronosticado correctamente al 85.6% de los eventos observados, lo que lleva a concluir
que es un modelo altamente efectivo y ha clasificado correctamente.
Asimismo, para la categoría riesgo alto, es decir para los eventos donde se presentan un
alto indicador de cartera en riesgo tenemos que el modelo ha identificado correctamente
al 81.8% de los eventos observados, y un 18.2% no fueron correctamente clasificados. Si
bien, vemos que el indicador de efectividad para la categoría de riesgo alto está por debajo
de la efectividad global del modelo, se considera que un indicador superior al 80% es un
nivel óptimo de efectividad.
Tabla 41: Clasificación de datos
Pronosticado
Porcentaje
Riesgo Bajo Riesgo Medio Riesgo Alto
Observado correcto
Riesgo Bajo 167 11 13 87.4%
Riesgo Medio 16 169 8 87.6%
Riesgo Alto 4 31 157 81.8%
Porcentaje global 32.5% 36.6% 30.9% 85.6%
Elaboración propia: Adaptado del SPSS

215
5.7.4.4. Evaluación del modelo
Esta parte está dirigida a la evaluación del modelo generado, orientados a cumplir los
objetivos de la minería de datos, se trata de conocer los problemas más habituales que se
tienen al trabajar con datos.
Multicolinealidad
Gujarati y Porter (2010), mencionan que la multicolinealidad está referido a una situación
en la que dos o más variables explicativas se parecen mucho y, por lo tanto, resulta difícil
medir sus efectos individuales sobre la variable explicada. Es decir, un modelo presenta
multicolinealidad cuando dos o más variables independientes presentan una alta
correlación, lo que afecta fuertemente el sesgo y los estimadores de máxima verosimilitud.
La colinealidad en regresión logística puede presentar los siguientes problemas al modelo:
1. Los estimados son sensibles a cambios pequeños en las variables independientes.

2. Algunos componentes de los estimadores son grandes.
3. Las varianzas estimadas de algunas componentes de los estimados son muy
grandes.
Esta multicolinealidad se puede observar si sometemos los datos al análisis correlacional

de Pearson. Si el indicador de correlación de Pearson es mayor a 0.6561 se indica que
existe una alta correlación entre las variables y por lo tanto un sesgo en las estimaciones,
por otro lado, si el nivel de correlación es menor a (+/-)0.65 es tolerable para el modelo.
Para analizar la correlación entre las variables independientes se ha elaborado la tabla 42:
Correlaciones de Variables.
Del análisis de correlación, se observa, que para las variables donde encontramos un valor
de significación menor de 0.05, los niveles de correlación entre las variables son menores
a (+/-) 0.65 y por lo tanto aceptables. Podemos concluir entonces que no existe
multicolinealidad entre las variables.
61
Se considera un valor crítico. http://www.tradingsys.org/multicolinealidad
216
Tabla 42: Correlaciones de Variables independientes
Ratio
Ratio
Cartera Número Ratio
Deuda en Cartera
Promedio Deudores Deudores /
Default Zona
por Deudor 4 Empleados
Norte
Entidades
Cartera Correlación Pearson 1 -,121 0.012 ,479 -,460
Promedio Sig. (bilateral) 0.004 0.766 0.000 0.000
por Deudor
N 576 576 576 576 576
Ratio Correlación Pearson -,121 1 -,371 -,360 ,297
Número Sig. (bilateral) 0.004 0.000 0.000 0.000
Deudores 4
N 576 576 576 576 576
Entidades
Ratio Correlación Pearson 0.012 -,371 1 ,565 -,207
Deudores / Sig. (bilateral) 0.766 0.000 0.000 0.000
Empleados
N 576 576 576 576 576
Deuda en Correlación Pearson ,479 -,360 ,565 1 -,143
Default Sig. (bilateral) 0.000 0.000 0.000 0.001
N 576 576 576 576 576
Ratio Correlación Pearson -,460 ,297 -,207 -,143 1
Cartera Sig. (bilateral) 0.000 0.000 0.000 0.001
Zona Norte
N 576 576 576 576 576
Elaboración propia
Heterocedasticidad y Autocorrelación
Schreiber-Gregory (2018), en su investigación “Logistic regression and linear

assumtions”, supuestos en la regresión logística y lineal, establece que cuando se usa la
regresión logística se asume homocedasticidad y ausencia de autocorrelación, el autor
menciona que otro supuesto común, cuando se usa regresión logística, es la necesidad de
independencia de los términos de error, es decir no están auto correlacionados y existe
homogeneidad de la varianzas por lo tanto, se asume homocedasticidad.
Se dice que hay heterocedasticidad, cuando la dispersión de los términos de perturbación

es diferente para distintos valores de la variable explicativa62. En regresión logística se
asumen el supuesto de que los datos son homocedasticos. Alderete (2006), en su
62
Fuente: https://www.centro-virtual.com/recursos/biblioteca/pdf/econometria/unidad3_pdf1.pdf
217
investigación “Fundamentos del análisis de regresión logística en una investigación”,
menciona que una de las ventajas de utilizar regresión logística es que esta técnica no
requiere supuestos como el de normalidad o de homocedasticidad. Es decir, señala que
el uso de la regresión logística tiene ventajas sobre el análisis discriminante dado que no
requiere los supuestos de homocedasticidad (igualdad de varianzas). Por lo tanto, para el
modelo presentado no requiere de estas pruebas.
En adición, Schreiber-Gregory (2018), sobre la autocorrelación en regresión logística:
Another common assumption is the need for independence from the error
terms. Says the mistakes associated with one observation are not correlated
with the errors of any other observation. It's a problem when you use time
series data. The autocorrelation inflates the significance results of the
coefficients in underestimate the standard errors of the coefficients. (pg.15)
Otro supuesto común es la necesidad de independencia de los términos de

error. Dice los errores asociados con una observación no están
correlacionados con los errores de cualquier otra observación. Es un
problema cuando utiliza datos de series de tiempo. La autocorrelación infla
los resultados de significancia de los coeficientes en subestimar los errores
estándar de los coeficientes. (traducción propia)
La autocorrelación se presenta cuando se encuentra una alta correlación entre la

perturbación de un periodo y la del periodo anterior, en otras palabras, cuando existe una
similitud entre el comportamiento del tiempo hoy y su comportamiento en cualquier otra
fecha. Para el modelo evaluado no aplica este análisis ya que en regresión logística se
asume independencia de los términos de error en las variables.
En síntesis, en la fase de modelamiento, se ha demostrado la viabilidad del modelo con

el uso de herramientas y técnicas estadísticas, desde el punto de vista de los objetivos de
la minería de datos. A continuación, se presentará la evaluación de los resultados, desde
el punto de vista del negocio.
218
5.7.5. Evaluación
En esta fase final, a desarrollar de la metodología, se procederá a evaluar el modelo

generado, pero en esta ocasión desde el punto de vista de los objetivos planteados en la
investigación y ya no desde la minería de datos. Una vez culminada la revisión se
determinará cual ha sido el resultado por los objetivos e hipótesis planteadas en la
presente investigación, asimismo, se realizará el contrate de las variables, con las
entrevistas a profundidad, vía videoconferencias, a expertos en el negocio
microfinanciero63.
5.7.5.1. Evaluación de los resultados
En el inicio de esta investigación se presentó como problema general, que factores

determinantes influyeron en el riesgo de crédito (entendida como la variable cartera de
alto riesgo), en las Cajas Municipales de Ahorro y Crédito durante los años 2016-2019.
Para poder demostrar los postulados planteados en las hipótesis, se presentaron objetivos
que se han explicado a lo largo de la investigación, los mismos que se han desarrollado
utilizando herramientas y técnicas estadísticas con el uso de minería de datos, con el fin
de presentar objetivamente los resultados que se mostrarán a continuación. También va a
ser conveniente evaluar los resultados, con entrevistas a un grupo de expertos en el
negocio microfinanciero en el Perú.
Entrevistas a profundidad con expertos
Se puede definir como una serie de preguntas estructuradas que se realizan a una persona,
donde se combinan temas prácticos, analíticos e interpretativo que se encuentran
implícitos en toda la comunicación.
63
Kothari (2004), indica que “la entrevista consiste en presentarle a una persona un estímulo verbal
para que responda, se puede hacer en persona, por teléfono o por internet” (pg. 205).
219
Arbaiza (2014), indica que las “entrevistas de corte cuantitativo difieren de las de enfoque
cualitativo. En las primeras, se fijan por anticipado y se comunica al entrevistado el
tiempo que durarán, se formula las mismas preguntas a todos los participantes, es decir el
trato es homogéneo para todos”. (p.206).
Por lo tanto, se trata de una narración abierta y está dirigida a conocer la comprensión
desde las perspectivas de su vida, en base a su experiencia en la especialidad de estudio.
Se formuló una plantilla sobre el cuestionario, (ver anexo 18), de preguntas que se
realizarán a cada uno de los entrevistados.
Grinnell y Unrau (2007), como se cita en Hernández et al. (2010), mencionan que, “las
entrevistas se dividen en estructuradas, semiestructuradas o abiertas. Se debe de tener en
cuenta cuál utilizar de acuerdo a su planeación. La más utilizada es la entrevista
semiestructurada, porque presenta un mayor grado de flexibilidad, como las preguntas ya
están planeadas, se pueden ajustar a los entrevistados, es una entrevista más amistosa. Lo
que se requiere es explicar al entrevistado los propósitos de la entrevista, tomar sus datos
personales, la actitud general del entrevistador debe ser receptiva sin mostrar
desaprobación y no interrumpir al entrevistado.
Técnica del procesamiento de las entrevistas
Una vez culminado el proceso de las entrevistas, se procedió a la transcripción de las

conversaciones, las mismas que están indicadas y detalladas en el anexo 19, (entrevistas
a expertos en el negocio microfinanciero). Finalmente, se procedió a procesarlas en base
a la técnica de identificación de palabras claves o identificación de temas comunes entre
todos los entrevistados, ya que lo que se persigue es cubrir o dar respuesta a los objetivos
presentados en la investigación.
Hernández et al.(2014), mencionan, “con la finalidad de identificar relaciones entre temas,

debemos desarrollar interpretaciones de los mismos, los cuales emergen de manera
consistente con respecto a los esquemas de categorización. Es una labor, encontrar sentido
y significado a las relaciones entre los temas” (pg.464). En ese sentido, los autores
220
presentan esta técnica para visualizar las relaciones entre los objetivos de la investigación
y las conversaciones realizadas con los expertos.
A continuación, se realizará la evaluación por cada objetivo e hipótesis presentada, pero

esta vez, desde el punto de vista del negocio y con el fin de presentar un nuevo modelo
analítico, que permita realizar aportes a la toma de decisiones empresariales de este grupo
importante de instituciones microfinancieras, asimismo, en cada uno se considerará,
como resultado las entrevistas a expertos en el negocio.
Evaluación de objetivo 1: variable, cartera promedio por deudor
Se considera que el modelo presentado es factible, (por los resultados explicados en el

modelado), y explica que la variable cartera promedio por deudor influye positivamente
en la cartera de alto riesgo de las CMAC. Lo cual como investigador lo considero
aceptable desde el punto de vista de los objetivos que tiene el negocio microfinanciero.
El análisis desde el punto de vista del negocio, para esta variable, se enmarca en que las
CMAC puedan estar enfocándose en la atención de sus créditos en otros segmentos del
mercado, diferentes para lo cual fueron creados. Tal como presentamos en el marco
teórico, Ledgerwood (2000), en su libro publicado, manual de microfinanzas, explica que
las instituciones microfinancieras, fueron creadas con el fin de ayudar a sus clientes con
necesidades de acceso al crédito con montos, promedios bajos, que puedan satisfacer sus
objetivos de desarrollo y sobretodo no se distorsione el concepto del crédito otorgado,
considerando, que no tienen ningún tipo de garantía.
Las CMAC, con el fin de tener una mejor posición, puedan querer competir con la banca
tradicional, donde los estándares de evaluación son completamente diferentes y además
cuentan con diferentes productos no financieros que permiten diversificar su riesgo, en
cambio en la banca microfinanciera existe mucha información asimétrica que haría que
el incremento de montos a los deudores no cuenten con información fidedigna y que ello
conlleve a relajar sus controles.
221
En este sentido, es muy importante que las CMAC tengan identificado plenamente cuál
es su segmento objetivo de atención, ya que depende de ello, el que puedan mantener un
crédito promedio que no lleve a incrementar la cartera de alto riesgo.
De acuerdo al análisis realizado en entrevistas a expertos, y luego de procesar dicha

información, se puede concluir en que los entrevistados indican que se trata de un buen
indicador, y que, si consideran que tiene relación directa con la cartera de alto riesgo.
Muchos de sus comentarios estuvieron dirigidos a que esta variable, sería clave para no
distraerse del segmento objetivo para el cual fueron las CMAC creadas y no se desvirtúe
el monto de crédito otorgado; asimismo, ayudaría mucho a mejorar la gestión de la
administración de la cartera.
Resultados de entrevistas para objetivo 1 Palabras claves o identificación de temas comunes
Buen indicador / incidencia directa/ mide la

temperatura de la cartera/ no se desvirtúe el monto
(X1) Cartera promedio por deudor y su
del crédito/ identificación del segmento objetivo/
relación con la cartera de alto riesgo.
mejorar táctica de gestión de la cartera/ Enfoque de
atención a clientes.
Evaluación de objetivo 2: variable sobreendeudamiento de clientes: deudores con 4

entidades a más.
El modelo para esta variable también es factible, y sobre todo luego de analizar la gran
fortaleza relacionada con la variable explicada. Esto va alineado con lo presentado en el
marco teórico, donde diversos autores señalan que el sobreendeudamiento es un grave
riesgo para la industria microfinanciera.
A lo largo de la tesis, se ha indicado sobre el crecimiento de este negocio de manera

acelerada y escalonada, que ha sido producto de la aparición de una sobreoferta de
entidades, no solamente microfinancieras, sino, inclusive de la banca tradicional. Esto ha
originado una mayor competitividad, disminución de las tasas de interés, relajamiento de
222
políticas, e incremento de metas de los funcionarios o asesores de negocios llevándolos a
la necesidad de colocar cada vez más, llegando a sobre endeudar a los clientes.
El resultado de este modelo, es un gran aporte para las decisiones estratégicas de las
CMAC, donde se ha evidenciado que, a mayor número de entidades financieras tenga un
deudor, mayor será las dificultades de pagos que resulten, ya sea de una insuficiente
capacidad de pago o a una falta de voluntad en cumplir con sus obligaciones financieras
impactando directamente en el incremento en la cartera de alto riesgo.
Las estrategias a tomar, también deben estar dirigidas al control de la compra de deudas
que se realiza en forma agresiva en este mercado, donde prácticamente los asesores se
están “canibalizando” al quitarse a los mismos clientes, las CMAC deben de tener en
cuenta que la insolvencia del cliente no se verá al momento de otorgar el crédito, sino, se
verá reflejado más adelante.

información, se puede concluir que, a opinión de los entrevistados, la variable
sobreendeudamiento, medido como el número de deudores con cuatro a más entidades,
es una variable que podría explicar la cartera de alto riesgo; consideran que aún no existe
sobreoferta de instituciones microfinancieras, sino, que estas instituciones se disputan al
mismo cliente, existe poca bancarización, y el problema de que los clientes tengan
mayores volúmenes de dinero, no lo emplean para sus negocios, sinó, para asuntos
personales, llegando a tener en un corto o mediano plazo, problemas de liquidez para el
pago de sus deudas.
Definitivamente una variable que podría explicar la

cartera de alto riesgo/ considera como indicador al
número de entidades/ no hay sobreoferta de
(X2) Sobreendeudamiento - ratio número
instituciones/ poca bancarización/ peleas por tener
deudores 4 entidades a más
al mismo cliente/ cumplir metas/ competir con
prestamistas informales/ mal inversión del dinero/
identificación del momento/
223
Evaluación de objetivo 3: variable default de cartera.
El modelo explicado para esta variable, también es factible, se ha determinado que el

default de los créditos, asociado a la cartera de crédito, (obtenido como resultado de
matrices de transición), influye directamente a tener una mayor probabilidad de
incrementar la cartera de alto riesgo. El aporte adicional en esta parte de la investigación,
está orientada a la recomendación del uso de las matrices de transición para poder conocer
los diferentes tipos de comportamientos de pagos de los deudores de las CMAC, pudiendo
así llegar a gestionar riesgos medibles ante eventos adversos que pueda llevar a pérdida
económica a la institución.
En la primera parte de este capítulo se ha desarrollado y analizado los resultados de los

últimos cuatro años de las diferentes matrices de transición, de tal manera que las
decisiones empresariales estén orientadas a gestionar, conociendo las probabilidades de
que los clientes puedan permanecer, mejorar o llegar al default (de su cartera), de acuerdo
a su clasificación crediticia en el periodo anterior.
Por lo tanto, no solo se ha demostrado la relación que tiene el default de los créditos en
la cartera de alto riesgo, sino que también, se ha evidenciado que el uso de las matrices
de transición es una herramienta fundamental para que las CMAC puedan gestionar y
determinar políticas no solo en el origen de los créditos sino también tener una adecuada
gestión de cobranza. El cálculo de la probabilidad de default es un paso previo para el
cálculo de las pérdidas esperadas, por lo que se deja abierta la posibilidad para que otras
investigaciones puedan tomar como base lo desarrollado en esta tesis.

información, se puede concluir que, a opinión de los entrevistados, que la probabilidad
de default es una variable que está directamente relacionado con la cartera de alto riesgo.
Desde el desarrollo de su cálculo, permite a las CMAC realizar proyecciones de
presupuestos, mencionan también que su evaluación es fundamental para fortalecer la
confianza con los depositantes, lo relacionan directamente con la gestión temprana dela
cobranzas, y su correcta administración mitigaría los riesgos.
224
Con respecto al uso de la técnica de matrices de transición, en algunos casos, los
entrevistados, tienen poco conocimiento del mismo, sin embargo, los que conocen,
opinaron que sería una buena herramienta para poder predecir el comportamiento de los
clientes de acuerdo a su clasificación crediticia.
Futuro castigo de créditos/ afecta rentabilidad/

confianza en los depositantes/ proyección de
presupuestos/ gestión de cobranzas/ originación del
crédito/ relación directa con la cartera de alto
riesgo/ mitigar riesgos/ acciones preventivas/
(X3) Deuda en default apetito de riesgos.
Matriz de transición.
Matriz de transición. - potente herramienta/ poco
conocimiento/ poco desarrollo/ análisis oportuno/
proyectar situación de la cartera/
Evaluación del objetivo 4: variable segmentación geográfica por regiones:
De acuerdo al resultado del modelo, esta variable es factible y explica que la distribución
geográfica influye en la cartera de alto riesgo de las CMAC. De los cuatro indicadores
presentados, el correspondiente a la región zona norte del Perú es significativa para el
modelo. Las demás regiones no lograron un nivel de significancia. Los resultados del
modelo nos indica que, la concentración de los créditos en la región norte del Perú influye
en la cartera de alto riesgo de las CMAC.
En general, de acuerdo a lo presentado por diversos autores, como Aguilar, Camargo y

Morales (2006), mencionan que un factor importante para reducir los niveles de
morosidad de los créditos en microfinanzas es la diversificación geográfica, otros autores
presentados indican la importancia de dividir un mercado por segmentos o grupos
diversificables.
225
De acuerdo a cifras del Instituto Nacional de Estadística e Informática en el Perú (INEI),
la capital concentra el 40%, mientras que el resto de microempresas se encuentra
distribuido por regiones 64 . Desde el punto de vista del negocio y a lo indicado por
diferentes autores, evidenciamos la importancia de tener diversificado los créditos, en
base a ello las decisiones empresariales están dirigidos a tener tarifarios regionalizados,
o como lo he denominado en esta investigación, “es de importancia la tropicalización de
las tasas de interés en las CMAC”.
Más aún cuando existe mucha informalidad en el Perú. La sociedad de Comercio Exterior
del Perú, COMEXPERU65, indica que en su publicación zonas o regiones en el Perú que
concentran hasta un 90% de informalidad y evidentemente un índice bajo de capacidad
formal.
De allí la importancia de la presentación de este objetivo en esta investigación, donde,

como investigador considero que la segmentación geográfica de la cartera de las CMAC
es importante para diferentes tipos de gestiones que puedan realizar los ejecutivos, tales
como el correcto justiprecio por regiones, (equilibrio de tasas de interés y riesgo),
satisfacción de los clientes y estar enfocados en segmentos geográficos de tal manera que
puedan tener conocimiento de las necesidad de sus clientes.

información, se puede concluir que, a opinión de los entrevistados, existe una relación
directa entre la distribución geográfica por regiones, con la cartera en alto riesgo; hacen
referencia a que pueden existir mayores riesgos con respecto al seguimiento y supervición
de las agencias, por el tema de las lejanías e incrementar el riesgo operativo o riesgo de
fraude, asimismo, hacen referencia a que cada provincia tiene un nivel distinto del otro,
por lo que se debería “tropicalizar” las tasas de interés y el hecho de diversificarse, daría
mayor oportunidad a clientes donde aún no tienen acceso al crédito. En síntesis, de
acuerdo a todos los entrevistados consideran que si es una variable explicativa de la
cartera en alto riesgo.
64
Fuente:
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1703/libro.pdf
65
Las Mypes peruanas en el 2019 y su realidad ante la crisis.
https://www.comexperu.org.pe/articulo/las-mype-peruanas-en-2019-y-su-realidad-ante-la-
crisis#:~:text=De%20acuerdo%20con%20cifras%20de,lo%20que%20equivale%20a%20un
226
Focalización de las CMAC en algunas provincias/

control de morosidad por lejanía/ diversificación
de cartera/ relación directa con la cartera de alto
(X4) Diversificación geográfica de la
riesgo/ minimizar riesgos/ acceso al crédito a todos
cartera
los necesitados en el Perú/ tropicalización del
riesgo/ particularidad de cada región/ riesgo
operativo.
Evaluación del objetivo 5: variable deudores por empleado
Se considera que el modelo presentado para esta variable también es factible y explica
que la variable deudores por empleado influye en la cartera de alto riesgo de las CMAC.
Lo cual como investigador considero aceptable desde el punto de vista de los objetivos
que tiene el negocio microfinanciero.
Estos resultados dejan en evidencia lo presentado en el marco teórico de la investigación,

donde diversos autores señalan o hacen referencia a que el número de deudores atendidos
puede tener efectos negativos sobre indicadores de las instituciones microfinancieras,
destacando la importancia del número de clientes que maneja cada empleado.
El mantener un adecuado número de clientes les permitirá a los empleados utilizar

eficientemente mecanismos de selección, seguimiento y retención, así como minimizar el
riesgo. Las decisiones empresariales que se realicen entorno a esta variable se asocia a la
gestión del costo operativo, administrativo, puesto que el hecho de mantener una cartera
adecuada de clientes permite atenderlos de manera rápida.
Asimismo, está relacionada a la gestión de recursos humanos, tal como se ha explicado a

lo largo de la investigación sobre la importancia del talento humano en estas instituciones,
por lo tanto, estas decisiones estarán orientadas a mejorar la contratación del personal,
227
diseñar un plan de seguimiento de su desempeño, establecerles un buen plan de carrera y
una adecuada compensación y retribución.
Lozano (2007), indica que la eficiencia de las microfinancieras está definida entre otros
aspectos por el número de clientes que se atiende por empleado. Asimismo, otros autores
presentados en el marco teórico señalan que es necesario que las instituciones
microfinancieras tengan economías de escala que puedan equilibrar el riesgo en cada
cartera de clientes. Por todo lo mencionado, se evidencia la importancia de esta variable.

información, se puede concluir que, a opinión de los entrevistados, la variable, cantidad
de deudores por empleado, si explica la cartera de alto riesgo, de acuerdo a sus opiniones
está relacionado a la economía de escalas, en que las CMAC, con el análisis de esta
variable, puedan encontrar su punto de equilibrio. Asimismo, hacen referencia a que el
asesor de negocios debe tener, en base al número de deudores asignados, capacidad para
atender en forma oportuna a sus clientes. Opinan, que esta variable, está relacionada con
el desempeño del asesor, por lo que el área de recursos humanos, debería implementar
estrategias que permitan complementar el buen desempeño del asesor.
Existe relación directa/ aplicación de la tecnología

crediticia del asesor/ economías de escala/ costos/
administración de cartera/ gestión / capacidad de
(X5) Deudores por empleado
atención oportuna/ ineficiencia operativa/ punto de
equilibrio/ desempeño de asesor/ gestión de
recursos humanos.
Resultados complementarios de las entrevistas a expertos.
En síntesis, de acuerdo a las entrevistas a profundidad realizadas a cinco expertos en el

negocio microfinanciero, se puede indicar, que, de acuerdo a sus opiniones, las cinco
variables presentadas, explican el riesgo de crédito, definida por muchos de ellos, como
la cartera de alto riesgo, donde se refleja la morosidad de la cartera, y es el principal riesgo
228
en este negocio. Asimismo, hacen referencia de la importancia de que las CMAC puedan
conocer no solamente las variables indicadas, sino, la fortaleza de cada una de ellas con
respecto a la variable explicada.
5.7.5.2. Revisar el proceso
El proceso, hasta esta parte de la investigación, se ha realizado tal y cual estaba previsto,
se comenzó con la compresión del negocio, y todo lo relacionado al planteo de los
objetivos de aplicar la minería de datos, luego, se presentó la parte más laboriosa, que fue
el análisis de toda la información obtenida con el fin de realizar una descripción sobre su
evolución y comportamiento , se exploró los datos aplicando pruebas estadísticas a las
variables, pruebas de significancia, pruebas de correlación que permitan ofrecer indicios
sobre la relación. Luego se procedió a seleccionar el set de datos que se utilizarían en el
modelo y su respectiva construcción.
Finalmente, la parte más importante, fue el desarrollo de la metodología, explicando la

técnica a utilizar y la construcción del modelo en sí, una vez culminado con el
modelamiento se procedió a la evaluación de los resultados, tanto desde el punto de vista
de los objetivos de la minería de datos, como desde el punto de vista de los objetivos
planteados en la investigación. De acuerdo a todo lo mencionado se puede determinar que
el proceso ha sido un éxito.
5.7.5.3. Determinar los próximos pasos
Esta es la parte final de la metodología, que consiste en determinar la presentación del

modelo explicativo, mostrar los resultados a los interesados considerando que el
desarrollo de la investigación ha sido satisfactorio. Cabe indicar, que el seguimiento y la
supervisión del modelo es muy importante, puesto que algunos datos pueden ser
modificados por diferentes motivos y cambiar de codificaciones en el futuro.
229
CAPITULO VI: CONCLUSIONES
Dedico este parte a presentar las principales conclusiones, resultado del presente trabajo
de investigación, para ello se seguirá el mismo orden de los objetivos planteados en la
tesis doctoral, presentando juicios y reflexiones personales por cada uno de los resultados
obtenidos.
Las Cajas Municipales de Ahorro y Crédito en el Perú, son un grupo de instituciones

financieras especializadas en la atención de la micro y pequeña empresa en el país,
representan aproximadamente el 50% del mercado microfinanciero, y es notable su
participación en la actividad económica, cumpliendo un rol fundamental, como es el de
brindar el acceso e inclusión al financiamiento a los micro y pequeños empresarios. Ese
dinamismo presentado, está siendo acompañado de un problema, referido al incremento
del riesgo de crédito, (entendido como la cartera de alto riesgo), de este importante grupo
de instituciones, el cual, su relevancia ha sido debidamente justificada en los inicios de
esta investigación.
En base a la hipótesis general planteada inicialmente, se puede afirmar, que existen

factores determinantes que influyen en el riesgo de crédito de las Cajas Municipales de
Ahorro y Crédito en el Perú, siendo estas, la cartera promedio por deudor, el
sobreendeudamiento de clientes, la probabilidad de default de la cartera, la segmentación
geográfica y la cantidad de deudores por empleados. Esto se determinó, a través de los
análisis a profundidad de los resultados de un inédito modelo estadístico desarrollado,
utilizando la metodología CRISP-DM, uso de regresiones logísticas multinomial, así
como herramientas y técnicas analíticas, trabajadas con minería de datos, obtenidos de
fuentes secundarias. Estos resultados fueron contrastados, utilizando fuentes primarias
con entrevistas a expertos en el sector microfinanciero, quienes validaron en su conjunto
que las variables que se presentan a continuación, en su experiencia, explican la cartera
de alto riesgo.
230
En base al primer objetivo planteado, se postuló que la cartera promedio por deudor, tiene
un impacto en el riesgo de crédito de las CMAC; para poder demostrar este objetivo, se
utilizó la metodología estadística CRISP-DM y del análisis de una regresión logística
multinomial, cuyo resultado mostró un nivel de significancia (valor – p) menor a 0.05, lo
que significa que el modelo explica el evento y se comprueba que la cartera promedio por
deudor es una variable explicativa de la cartera de alto riesgo. Asimismo, dio como
resultado un coeficiente B (positivo, 1.062), lo que nos demuestra la hipótesis planteada,
que esta variable tiene una relación positiva con el riesgo de crédito; y su exp.(B) del
modelo, indica que la fortaleza de la variable es de 2.892, es decir, que por cada
incremento en la unidad de la cartera promedio por deudor, existe una probabilidad de
que la cartera de alto riesgo incremente en 2.892 veces. En ese sentido, como resultado
del modelo, las decisiones estratégicas empresariales deben estar direccionadas a
gestionar la correcta asignación y seguimiento del tamaño de la cartera, con el fin de no
perder el foco en los mercados y segmentos objetivos del negocio microfinanciero, ya
que el no hacerlo está directamente relacionado con el incremento de su riesgo. Este
resultado está alineado con lo señalado en el marco teórico, contextualizando que las
microfinanzas consisten en facilitar el acceso a los servicios financieros a las personas
más desfavorecidas, por lo que, las CMAC deben concentrar su atención a este sector
emergente, diferenciándolo del otorgamiento de créditos convencionales como el de la
banca tradicional.
En base al segundo objetivo planteado, se pretendió determinar la influencia del

sobreendeudamiento de clientes, medida como el número de clientes con cuatro entidades
financieras a más, en el riesgo de crédito de las CMAC; para la demostración de este
objetivo, se utilizó la metodología estadística CRISP-DM y del análisis de una regresión
logística multinomial, donde el nivel de significación (valor – p) fue menor de 0.05, lo
que significa que el modelo explica el evento y se comprueba que la variable
sobreendeudamiento es una variable explicativa de la cartera de alto riesgo. El resultado
del coeficiente B (positivo, 2.104), demuestra la hipótesis postulada, que esta variable
tiene una relación positiva con el riesgo de crédito, y lo más destacado en este resultado,
es el nivel de fortaleza de la relación con la variable dependiente, su exp. (B) de 8.198, es
decir que, por cada incremento en la unidad de clientes con cuatro o más entidades
financieras, existe una probabilidad de que la cartera de alto riesgo se incremente en 8.198
231
veces. En síntesis, se pudo determinar que el sobreendeudamiento de clientes, medido
como el número de deudores con cuatro o más entidades, influye en forma directa, la
cartera de alto riesgo de las CMAC. Sobre todo, que, como resultado del modelo realizado,
esta variable es la que más fortaleza de relación tiene con la variable dependiente. En
opinión del investigador y de los resultados de las entrevistas a expertos, esto está referido
a la sobreoferta de productos financieros que ofrecen las CMAC a los clientes, quienes,
al no tener cultura financiera, comienzan a tomar dinero de varias entidades en forma
paralela, por lo que sus flujos futuros no llegan a tener coincidencia con el efectivo que
necesitan para hacer frente a sus pagos. Las estrategias que deben tener las CMAC deben
estar orientadas a la reunificación de deudas, es decir, permitir agrupar todas las deudas
en un único producto y con un único pago. Adicionalmente, es de importancia, hacer
seguimiento a los clientes en forma constante para observar su comportamiento, con
respecto al número de entidades que pueda tener en el tiempo.
En base al tercer objetivo planteado, fue determinar la probabilidad de default de las

carteras de crédito de las CMAC y su impacto en el riesgo de crédito. Para la demostración
de este objetivo, se realizó primeramente, los modelos de matrices de transición, con ellos
se determinó la probabilidad de default de las CMAC y comparándolas con las demás
instituciones del sistema microfinanciero, se concluyó, que a pesar de que las CMAC
tienen una mayor probabilidad de default, no se puede afirmar que haya diferencias
significativas entre ellas, esto, como resultado de los test de hipótesis realizado sobre las
medias poblacionales y con el uso de la prueba estadística Kolmogorov –Smirnov y las
pruebas de U Mann Whitney. Seguidamente, para demostrar que la probabilidad de
default asociada a la cartera tiene un impacto en la cartera de alto riesgo, se utilizó la
metodología estadística CRISP-DM y del análisis de una regresión logística multinomial,
cuyo nivel de significación (valor – p) fue menor a 0.05, lo que significa que el modelo
explica el evento y se comprueba que la variable probabilidad de default asociada a la
cartera es una variable explicativa de la cartera de alto riesgo. El coeficiente B (positivo,
0.452) demuestra la hipótesis postulada, que esta variable tiene una relación positiva con
el riesgo de crédito. El exp. (B) de 1.571, quiere decir por cada incremento en
probabilidad de la cartera en default, existe una probabilidad de que la cartera de alto
riesgo incremente en 1.571 veces. En síntesis, el default de la cartera de créditos tiene un
impacto directo y positivo sobre la cartera de alto riesgo de las CMAC. Ello constituye
232
un nuevo y original aporte a la gestión de este grupo de instituciones, donde pueden
gestionar este default desde el punto de vista del origen de las operaciones, (con
adecuadas políticas en la prospección de créditos), como decisiones estratégicas con
respecto a la gestión de cobranza, evitando que los créditos puedan mejorar o mantener
su clasificación crediticia, en lugar de deteriorarse o peor aún, lleguen a pérdida. Cabe
mencionar también en este punto, que el cálculo de la probabilidad de default es un paso
previo al cálculo de las pérdidas esperadas de las instituciones, por lo que dejo abierto
esta posibilidad para futuras investigaciones.
En base al cuarto objetivo planteado, se pretendió determinar el impacto que tiene la

segmentación geográfica por regiones, en el riesgo de crédito de las CMAC. Para
demostrar este objetivo se desarrolló un modelo estadístico CRISP-DM y del análisis de
una regresión logística multinomial, donde el nivel de significación, (valor - p), fue menor
a 0.05, lo que significa que el modelo explica el evento y se comprueba que la
segmentación geográfica por regiones explica la cartera de alto riesgo. El resultado del
coeficiente B (negativo, -0.250) demuestra la hipótesis postulada, que la segmentación
geográfica por regiones tiene una relación negativa en la cartera de alto riesgo de las
CMAC, es decir a mayor segmentación de la cartera, menor será la probabilidad de
incrementar la variable dependiente; el exp. (B) del modelo, indica que la fortaleza de la
variable es de 1.285, por lo que es determinante en el control de la cartera de alto riesgo.
En síntesis, hay que tomar en cuenta la segmentación geográfica en las estrategias que
pueda plantear las gerencias de las CMAC. Si bien, para este modelo, se determinó que
la concentración de cartera en una de las regiones del Perú está directamente relacionada
con el incremento de la cartera de alto riesgo, se debe considerar estrategias de expansión
de nuevos mercados. El incremento de agencias a nivel nacional es una señal de variedad
de mercados que necesitan financiamientos, sin embargo, se debe tener en cuenta la
“tropicalización” de las tasas de interés, identificando el nivel cultural de pagos de cada
región, teniendo en cuenta la falta de experiencia en la atención de una zona y sobre todo
evitar la “canivalización” de los clientes en competencia perfecta entre estas entidades, y
las demás especializadas en este sector.
233
En base al quinto objetivo planteado, se postuló que la variable deudores por empleado,
influye directamente en el riesgo de crédito de las CMAC. Para demostrar este objetivo,
se utilizó la metodología estadística CRISP-DM y del análisis de una regresión logística
multinomial, cuyo nivel de significancia (valor – p) es menor a 0.05 lo que significa que
el modelo explica el evento, y se demuestra que la variable deudores por empleado explica
la cartera de alto riesgo de las CMAC. Asimismo, el coeficiente B (negativo, -0.229) nos
indica que la relación es negativa, es decir si disminuye la variable deudores por
empleados, crece la probabilidad de que se incremente la cartera de alto riesgo; el nivel
de fortaleza de la relación es de 1.256 el número de veces con respecto a la variable
explicada. Por lo tanto, se determinó que la cantidad de deudores atendidos por empleado,
impacta directamente en la cartera de alto riesgo de las CMAC. Este importante aporte
esta direccionado a la gestión administrativa que deben tener estas instituciones, donde
un determinado número de clientes por empleados les permitirá realizar eficientemente
la gestión de selección, evaluación y seguimiento a los deudores, con el fin de buscar un
equilibrio en su cartera entre el riesgo y la rentabilidad. Asimismo, está orientada a la
dirección estratégica de la gestión de recursos humanos de las CMAC, quienes deberán
tomar decisiones que permita tener al personal idóneo para la atención de clientes, ya que
se demostró la importancia del modelo relacional, (asesor – cliente) en este negocio y de
esa manera evitar la alta rotación que pone en riesgo la administración de la cartera.
Finalmente, en virtud de los resultados obtenidos en el presente trabajo de investigación,

se demuestra que la metodología CRISP-DM empleada, las matrices de transición, así
como el uso de técnicas estadísticas utilizadas a nivel cuantitativo y corroborado con
entrevistas a profundidad a expertos, permitió el desarrollo de los objetivos planteados y
la demostración de las hipótesis, denotando una rigurosidad en toda la investigación con
el fin de generar valor con el aporte de un nuevo y original modelo que permita
administrar el apetito de riesgos en la toma de decisiones de las Cajas Municipales de
Ahorro y Crédito, en pro de mejoras en el sistema microfinanciero peruano.
234
RECOMENDACIONES
En la sección anterior se presentaron las conclusiones de los hallazgos producto del

estudio en investigación; esta parte se centra en las recomendaciones, que, a nivel de
investigador, propongo con el fin de que estas sugerencias puedan proporcionar diferentes
opciones con esfuerzos en ayudar a las Cajas Municipales de Ahorro y Crédito en la
gestión de toma de decisiones estratégicas empresariales.
En base a los objetivos planteados, se recomienda:
• El monitoreo constante de la cartera promedio por deudor, identificando el mercado

objetivo y potencial de clientes, teniendo en consideración el objetivo por el cual las
CMAC fueron creadas y no desviarse del segmento microempresarial.
• Implementar como parte de sus indicadores el seguimiento a todos los clientes que
se encuentran trabajando con más de tres entidades financieras. Esto con el fin de
monitorear los niveles de endeudamiento de los clientes y estar alertas ante la
posibilidad de un incumplimiento de sus obligaciones.
• No contribuir a los niveles de sobreendeudamiento y por el contrario evitar dar
préstamos a clientes sobre expuestos.
• Es necesario la implementación de matrices de transición para analizar el
comportamiento de los deudores con respecto a su clasificación crediticia, de tal
manera que se pueda determinar anticipadamente la probabilidad de default de cada
cliente y como institución tomar las medidas correctivas con respecto al origen y
gestión de cobranza del crédito.
• Es necesaria la diversificación geográfica como la apertura de nuevas agencias, sin
embargo, no flexibilizar el análisis del otorgamiento del crédito; tomar en cuenta esta
segmentación que permita establecer tarifarios de acuerdo al riesgo de la zona de
atención.
• Se recomienda que las CMAC deben de considerar un número creciente de clientes
en correspondencia con el número de asesores de crédito responsables de administrar
la cartera de la institución, de tal manera que pueda, en forma efectiva, brindar
orientación e información necesaria a los clientes.
235
• Se recomienda el uso de la metodología CRISP-DM, así como herramientas
estadísticas que se encuentran disponibles, todo ello complementado con el
conocimiento práctico de los asesores de créditos en el levantamiento de la
información en el campo.
• Se recomienda la supervisión y mantenimiento del modelo, puesto que los datos
utilizados, puedan ser modificados o cambiados de codificación; el volumen de datos
es grande por lo que es necesario realizar backups.
236
Referencias Bibliográficas
Aguilar, A., & Galarza, F. (2013). Rentabilidad versus profundidad del alcance: un
análisis de las entidades microfinancieras peruanas, 2006-2011. Universidad Del
Pacífico. MPRA Paper, 51860. https://mpra.ub.uni-
muenchen.de/51860/1/MPRA_paper_51860.pdf
Aguilar, G. (2014). Dos estudios sobre las microfinanzas en el peru (tesis de
Doctorado) [Pontificia Universidad Católica del Perú].
http://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/5183
Aguilar, G., Camargo, G., & Morales, R. (2004). Análisis de la Morosidad en el Sistema
Bancario Peruano Informe final de investigación. Instituto de Estudios Peruanos,
1, 1–108. https://www.cies.org.pe/sites/default/files/investigaciones/analisis-de-la-
morosidad-en-el-sistema-bancario-peruano.pdf
Aguilar, Giovanna, & Camargo, G. (2004). Análisis de la morosidad de las instituciones
microfinancieras (IMF) en el Perú. IEP, Instituto de Estudios Peruanos.
Alcántara, E., & Damián, J. (2020). Causas generadoras de la morosidad crediticia y el
grado de afectación en el mercado financiero, en el distrito de Chiclayo, periodo
2012-2013.
Alderete, A. (2006). Fundamentos del análisis de regresión logística en la investigación
psicológica. Revista Evaluar, 6(1).
https://revistas.psi.unc.edu.ar/index.php/revaluar/article/view/534
Aquice, J., Mamani, J., & Peña, M. (2019). Pérdida de fidelidad de los clientes, por la
alta rotación de personal del área de negocios en las instituciones especializadas
en microfinanzas.(ciudad Arequipa).
Arbaiza, L. (2014). Cómo elaborar una tesis de grado. (1a ed.). Universidad ESAN.
http://ezproxybib.pucp.edu.pe:2048/login?url=http://search.ebscohost.com/login.as
px?direct=true&db=cat02225a&AN=pucp.560025&lang=es&site=eds-
live&scope=site
Armendáriz, B., & Morduch, J. (2007). The economics of microfinance (M. Press (Ed.);
First MIT). MIT press.
Asencios, C., López, F., Poma, H., & Babilón, J. (2019). Buenas prácticas de gestión de
riesgo de crédito y su impacto en la creación de valor: los casos de las seis
cooperativas de ahorro y crédito top del Perú 2018. In Pontificia Universidad
Católica del Perú. Pontificia Universidad Católica del Perú.
ASOMIF. (2018). Resumen Ejecutivo del Sistema Microfinanciero.
http://asomifperu.com/web/descarga/estadistica/Resumen_Ejecutivo_2018.pdf
Banerjee, S. B., & Jackson, L. (2017). Microfinance and the business of poverty
reduction: Critical perspectives from rural Bangladesh. Human Relations, 70(1),
63–91. https://journals.sagepub.com/doi/full/10.1177/0018726716640865
237
Berger, M., Goldmark, L., & Sanabria, T. M. (2007). Boom de las microfinanzas: el
modelo Latinoamericano visto desde adentro. Inter-American Development Bank.
Berger, M., Otero, M., & Schor, G. (2006). Microfinance: The Significance and Future
of Upgraded Microfinance Institutions. An Inside View of Latin American
Microfinance, 37.
Bernal, C. (2006). Metodología de la investigación : para administración, economía,
humanidades y ciencias sociales. (2a ed.). Pearson Educación.
Calderón, M. L. (2001). Los microcréditos: un nuevo instrumento de financiación para
luchar contra la pobreza. Revista de Economía Mundial, 5, 121–138. http://sem-
wes.org/sites/default/files/revistas/rem5_7_0.pdf
Camargo, G., Aguilar, G., & Morales, R. (2006). Análisis de la morosidad en el sistema
bancario peruano. Economía y Sociedad --.
Carpio, J. (2016). Modelo de Predicción de la Morosidad en el otorgamiento de Crédito
Financiero Aplicando Metodología CRISP-DM.
Castillo, N. (2019). Morosidad afecta a los bancos y las cajas. Diario El Comercio.
https://elcomercio.pe/economia/dia-1/morosidad-afecta-bancos-cajas-noticia-
669915-noticia/
Cermeño, R., León, J., & Mantilla, G. (2011). Determinantes de la morosidad : un
estudio panel para el uso de las cajas municipales de ahorro y crédito del Perú,
2003-2010. Centro de Investigación y Docencia Económicas.
Céspedes, G., & Gómez, L. (2015). El enfoque financiero vs. el enfoque social del
microcrédito. Un análisis comparativo mundial. REVESCO. Revista de Estudios
Cooperativos, 118, 31–59.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., Wirth, R.,
& others. (2000). CRISP-DM : Step-by-step data mining guide. SPSS Inc, 9, 13.
Cóndor, J., & Cajamarca, R. (2014). Matrices de transición y análisis de cosechas en el
contexto de riesgo de crédito. Quito: SBS, 22.
Conger, L., Inga, P., & Webb, R. C. (2009). El árbol de la mostaza: Historia de las
microfinanzas en el Perú. Universidad de San Martín de Porres.
COPEME -Microfinanzas. (2019). Performance del Sistema de Microfinanzas en el
Perú - Reporte Financiero.
http://www.copeme.org.pe/reportes_2019/Reporte_COPEME_IMF_Jun2019.pdf
Delfiner, M., Pailhé, C., & Perón, S. (2006). Microfinanzas: un análisis de experiencias
y alternativas de regulación.
http://www.sbs.gob.pe/Portals/0/jer/EDIPUB_VOLUMEN4/63-118.pdf
Dupouy, C. (2014). Aplicación de Árboles de decisión para la estimación del escenario
económico y la estimación de movimiento la tasa de interés en Chile.
http://repositorio.uchile.cl/bitstream/handle/2250/117556/Dupouy%2520Berrios%
2520Carlos.pdf%3Bsequence%3D1
238
Earne, J., Jansson, T., Koning, A., & Flaming, M. (2014). Greenfield MFIs in Sub-
Saharan Africa A Business Model for Advancing Access to Finance. Access to
Finance Forum, Reports by CGAP and Its Partners, 8, 44.
ENIF. (2015). Estrategia Nacional de Inclusión Financiera Ministerio de Economía y
Finanzas - Comisión Multisectorial. https://www.mef.gob.pe/contenidos/archivos-
descarga/ENIF.pdf
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge
discovery in databases. AI Magazine, 17(3), 37.
Fernández, S. (2011). Regresión logística. Universidad Autónoma de Madrid. Madrid:
Facultad.
Flores, E., Miranda, M., & Villasís, M. (2017). El protocolo de investigación VI: cómo
elegir la prueba estadística adecuada. Estadística inferencial. Revista Alergia
México, 64(3), 364–370.
FOMIN. (2010). Lo bueno de lo malo en Microfinanzas: Lecciones aprendidas de
experiencias fallidas en América Latina. 1–126.
Galán, V. (2016). Aplicación de la metodología CRISP-DM a un proyecto de minería
de datos en el entorno universitario. https://e-
archivo.uc3m.es/bitstream/handle/10016/22198/PFC_Victor_Galan_Cortina.pdf
Gallardo, J. (2009). Metodología para la definición de requisitos en proyectos de data
mining [Informatica].
http://oa.upm.es/1946/1/JOSE_ALBERTO_GALLARDO_ARANCIBIA.pdf
García, E. (2019). Se desata agresiva compra de deuda en campaña navideña. Diario
Gestión. https://gestion.pe/economia/desata-agresiva-compra-deuda-campana-
navidena-249558-noticia/?ref=gesr
Garrocho, C., Jiménez, E., & Álvarez, J. (2016). Modelando la migración interestatal de
México: cadenas de Markov estáticas versus cadenas de Markov dinámicas con
medias móviles. Papeles de Población, 22(90), 109–144.
Goldberg, Mi., & Palladini, E. (2011). Gestión de Riesgos y Creación de Valor con las
Microfinanzas (E. Gondo (Ed.)). Banco Mundial.
González, A., & González-Vega, C. (2003). Sobreendeudamiento en las microfinanzas
bolivianas, 1997-2001. 36019.
Gualda, E. (2004). Actitudes hacia las migraciones y capital social: la participación de
los europeos en redes sociales y sus lazos con la mayor o menor aceptación de la
población extranjera. Redes. Revista Hispana Para El Análisis de Redes Sociales,
7, 81–124.
Gujarati, D., & Porter, D. (2010). Econometría (Vol. 2). Irwin/McGraw-Hill
Interamericana.
Hernández, C., & Dueñas, M. (2009). Hacia una metodología de gestión del
conocimiento basada en minería de datos.
239
Hernández, R., Fernández, C., & Baptista, P. (2010). Metología de la Investigación
(MacGrawHil).
Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la investigación.
(6a ed.). McGraw-Hill Education.
Hernandez, R., & Mendoza, C. (2018). Metodología de la investigación las rutas
cuatitativa, cualitativa y mixta (McGrawHill (Ed.); McGrawHill).
Hosmer, D., & Lemeshow, S. (2013). Applied logistic regression (Vol. 398). John
Wiley & Sons.
Isem, J., & Porteous, D. (2005). Comercial banks and microfinance: Evolving models of
success. CGAP, 1, 12.
http://documents.worldbank.org/curated/en/518201468176042878/pdf/334580SPA
NISH0FocusNote1281sp0Box334125B.pdf
Jarrow, R., Lando, D., & Turnbull, S. (1997). A Markov model for the term structure of
credit risk spreads. The Review of Financial Studies, 10(2), 481–523.
https://academic.oup.com/rfs/article-abstract/10/2/481/1589160
Jensen, K. (2016). IBM SPSS Modeler CRISP-DM Guide. Tersedia Di: Ftp://Public.
Dhe. Ibm.
Com/Software/Analytics/Spss/Documentation/Modeler/18.0/En/ModelerCRISPDM
. Pdf.
Jiménez, M. (2017). La movilidad socioeconómica intergeneracional en Argentina.
Universidad Nacional de La Plata.
Kendall, K. (2005). Análisis y diseño de sistemas (Prentice H). Pearson educación.
Koh, H., & Tan, G. (2011). Data mining applications in healthcare. Journal of
Healthcare Information Management, 19(2), 65.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.92.3184&rep=rep1&typ
e=pdf
Lara, A. (2014). Medición y control de riesgos financieros. (3a ed.). Limusa.
live&scope=site
Lara, J. (2010). La gestión del riesgo de crédito en las instituciones de microfinanzas
[Granada: Universidad de Granada].
https://digibug.ugr.es/bitstream/handle/10481/5648/18892656.pdf?sequence=1&is
Allowed=y
Larralde, M., Real, C., & Viana, S. (2011). Matriz de Transición Condicional de los
Créditos del Sector No Financiero para Uruguay y sus Ventajas frente al Cálculo
Incondicional. Revista de Ciencias Empresariales y Economía, 9, 99–124.
Larranaga, P., Inza, I., & Moujahid, A. (2007). Regresión Logística. Universidad Del
París Vasco- Euskal Herriko Unib.
240
Ledgerwood, J. (2000). Manual de las microfinanzas : una perspectiva institucional y
financiera. Banco Mundial.
live&scope=site
Ledgerwood, J., & White, V. (2006). Transforming microfinance institutions :
providing full financial services to the poor. World Bank.
live&scope=site
Ley 28015. (2003). Ley de Promoción y Formalización de la micro y pequeña empresa.
http://www.sunat.gob.pe/orientacion/mypes/normas/ley-28015.pdf
Lopez, M., & Perez, E. (2017). Determinantes que explican la morosidadde las caja
rurales de ahorro y credito durante el periodo 2009 al 2016.Aplicacion de los
resultados a la gestion de la Caja Rural de Ahorro y Credito los Andes.
http://tesis.pucp.edu.pe/repositorio/bitstream/handle/20.500.12404/12823/Lopez
Rojas_Perez
Valdez_Determinantes_explican_morosidad1.pdf?sequence=1&isAllowed=y
Lozano, M. M. (2007). ¿La eficiencia del personal en las microfinancieras influye en la
cartera vencida? Análisis Económico, 22(50), 173–184.
https://www.econstor.eu/bitstream/10419/115387/1/IDB-WP-177.pdf
Market, M. I. X., & Khamar, M. (2019). Global Outreach & Financial. Performance
Benchmark Report-2018 (p. 42). FinDev Gateway.
https://www.findevgateway.org/sites/default/files/publications/files/mix_market_gl
obal_outreach_financial_benchmark_report_2017-2018_1.pdf
Martínez, F., Contreras, L., Ferri, C., Orallo, J., Kull, M., Lachiche, N., Quintana, M., &
Flach, P. (2019). CRISP-DM Twenty Years Later: From Data Mining Processes to
Data Science Trajectories. IEEE Transactions on Knowledge and Data
Engineering.
Marulanda, B. (2006). Downscaling: Moving Latin American Banks into Microfinance.
An Inside View of Latin American Microfinance, 79–108.
Marulanda, C., López, M., & Mejía, M. (2017). Minería de datos en gestión del
conocimiento de pymes de Colombia. Revista Virtual Universidad Católica Del
Norte, 50, 224–237.
https://revistavirtual.ucn.edu.co/index.php/RevistaUCN/article/viewFile/821/1339
Menes, I., Arcos, G., & Gallegos, K. (2015). Desempeño de algoritmos de minería en
indicadores académicos: Árbol de Decisión y Regresión Logística. Revista Cubana
de Ciencias Informáticas, 9(4), 104–117.
Mérida, J. (2017). Adaptación de estándares de dirección de proyectos particularizados
para la minería de datos. http://digibuo.uniovi.es/dspace/handle/10651/43633
241
Microscopio global de 2019: El entorno propicio para la inclusión financiera y la
expansión de los servicios financieros digitales. (2019).
https://www.findevgateway.org/sites/default/files/publications/files/es_eiu_micros
cope_2019_spanish_03.pdf
Moine, J., Gordillo, S., & Haedo, A. (2011). Análisis comparativo de metodologías para
la gestión de proyectos de minería de datos. Congreso Argentino de Ciencias de La
Computación, 17.
Ngonyani, D. (2019). Implication of Credit Risk Management Practices on
Performance of Microfinance Institutions in Tanzania. Mzumbe University.
Nieto, B. G. (2005). Antecedentes del microcrédito. Lecciones del pasado para las
experiencias actuales. CIRIEC-España, Revista de Economía Pública, Social y
Cooperativa, 51, 25–50.
Nigro, O., Xodo, D., Corti, G., & Terren, D. (2004). KDD (Knowledge Discovery in
Databases): Un proceso centrado en el usuario. VI Workshop de Investigadores En
Ciencias de La Computación.
Osorio, A. (2015). Deficiencias en las actividades de control de las cajas municipales
del norte del Perú. Quipukamayoc, 23(43), 111–118.
Paredes, M., & Ugarte, S. (2015). Factores que influyen en el nivel de morosidad de la
cartera de créditos en una Caja Municipal del Perú.
Peña, L. (2013). Matrices de transicion del credito en nicaragua. Managua, Nicaragua,
22. https://www.bcn.gob.ni/estadisticas/estudios/2014/DT-
31_Matrices_de_Transicion_del_Credito_en_Nicaragua.pdf
Pérez, C., & Santín, D. (2007). Minería de datos: técnicas y herramientas. Editorial
Paraninfo.
Polanco, C., González, J., & Castañón, A. (2015). Cadenas de Markov un vistazo al
futuro. Archipiélago, 90, 27–28.
Portocarrero, F. (2003). Microfinanzas en el Perú: experiencias y perspectivas.
Universidad del Pacífico: Centro de Promoción de la Pequeña Empresa.
Prahalad, C. K. (2009). The fortune at the bottom of the pyramid, revised and updated
5th anniversary edition: Eradicating poverty through profits (W. School (Ed.)). FT
Press.
Quiñones, K. (2015). Relación entre rentabilidad y estrategias de crecimiento orgánico
e inorgánico.
http://repobib.ubiobio.cl/jspui/bitstream/123456789/1704/1/Quiñones Pardo Karen
Yesenia.pdf
Quispe, Z., León, D., Contreras, A., & others. (2012). El exitoso desarrollo de las
microfinanzas en el Perú. Revista Moneda, 151, 13–18.
242
Ramírez, F., & Ayús, A. (2012). Análisis discriminante como seleccionador de
variables influyentes en el cálculo de la probabilidad de incumplimiento. Revista
Ciencias Estratégicas, 20(27), 103–118.
https://www.redalyc.org/pdf/1513/151325816008.pdf
Rayo, S., Rodríguez, M., & Lara, J. (2011). Un caso empírico en la evaluación del
riesgo de crédito de una institución de microfinanzas peruana. Contabilidad y
Negocios, 6(11), 21–30.
Rebolledo, P., & Soto, R. (2004). Estructura del mercado de créditos y tasas de interés:
una aproximación al segmento de las microfinanzas. Revista Estudios Económicos,
11. https://ideas.repec.org/a/rbp/esteco/ree-11-04.html
Reganie, B. (2013). Application of Data Mining Techniques for Customers
Segmentation and Prediction: The Case of Buusaa Gonofa Microfinance
Institution. In Master of Science Thesis, School of Information Science, Addis
Ababa University: Addis Ababa, Ethiopia. ADDIS ABABA UNIVERSITY.
Rodríguez, C., & García, M. (2016). Adecuación a metodología de minería de datos
para aplicar a problemas no supervisados tipo atributo-valor. Revista Universidad y
Sociedad, 8(4), 43–53.
Rodriguez, J. (2020). Descripción de la Realidad Problemática. Universidad Nacional
de Piura. https://slideplayer.es/slide/5486060/#:~:text=Rodríguez Vélez%2C
Ph.,contexto social donde tiene lugar.
Rodríguez, V. (2013). Matriz de probabilidad de transición de microcréditos: el caso de
una microfinanciera mexicana. Estudios Económicos, 39–77.
https://www.redalyc.org/pdf/597/59727431002.pdf
Román, P. (2014). Estadística descriptiva e introducción a la probabilidad.
https://docplayer.es/23007685-Tema-4-probabilidad-condicionada-teoremas-
basicos-independencia-de-sucesos.html
Romero, M. (2016). Pruebas de bondad de ajuste a una distribución normal. Revista
Enfermería Del Trabajo, 6(3), 114.
https://dialnet.unirioja.es/servlet/articulo?codigo=5633043
Romero, R. (2010). Texto concordado de la ley general del sistema financiero y del
sistema de seguros y orgánica de la Superintendencia de Banca y Seguros : Ley No
26702. Superintendencia de Banca, Seguros y AFP.
Ross, S., Westerfield, R., & Jaffe, J. (2012). Finanzas Corporativas. Novena edición.
Editorial McGRAW-HILL (p. 1025). SA DE CV de la ciudad México.
Rossi, J. (2017). Regulación del endeudamiento y sobreendeudamiento del consumidor
en la república argentina. Universidad de Morón.
Salazar, B. (2019). Promedio Móvil. Pronostico de La Demanda.
https://www.ingenieriaindustrialonline.com/pronostico-de-la-demanda/promedio-
movil/
243
SBS. (2008). Superintendencia de Banca Seguro y AFP. Resolucion N° 11356.
https://intranet2.sbs.gob.pe/Preproyectos/1725AFDXUSVR3EWEEMH4LDENB2
JVUCIVPV.PDF
Schicks, J. (2010). Microfinance Over-Indebtedness: Understanding its drivers and
challenging the common myths. Bruxelles: Centre Emilee Bergheim, Solvay
School of Business, CEB Working Paper, 10, 48.
Schreiber-Gregory, D. (2018). Logistic and Linear Regression Assumptions: Violation
Recognition and Control. Henry M Jackson Foundation.
Solorio, J., Marquez, Z., Montoya, M., Cárdenas, S., & Hernandez, R. (2014).
Aplicacion de Metodos Markovianos en el Modelado del Deterioro de Carreteras.
Publicacion Tecnica, 396.
Superintendencia de Banca, Seguro y AFP. (2008). In Reglamento de la Gestión
Integral de Riesgos SBS-37-2008.
https://intranet2.sbs.gob.pe/intranet/INT_CN/DV_INT_CN/1363/v3.0/Adjuntos/00
37-2008.r.pdf
Tello, M., Eslava, H., & Tobias, L. (2013). Análisis y evaluación del nivel de riesgo en
el otorgamiento de créditos financieros utilizando técnicas de minería de datos.
Visión Electrónica, 7(1), 13–26.
https://revistas.udistrital.edu.co/index.php/visele/article/view/4389
Ticona, P. (2017). La Calidad de la Cartera de Créditos y su Incidencia enla Solvencia
Financiera de las Cooperativas de Ahorro y Crédito de la región Puno, 2012-2014.
Revista de La Escuela de Posgrado UNAP, 6 (2).
http://revistaepgunapuno.org/index.php/SECONOMICO/article/view/621/202
Tinoco, O. (2008). Una aplicación de la prueba chi cuadrado con SPSS. Industrial Data,
11(1), 73–77. https://www.redalyc.org/pdf/816/81611211011.pdf
Toledo, E. (2009). Microfinanzas : diagnóstico del sector de la micro y pequeña
empresa y su tecnología crediticia. In Contabilidad y negocios
Toledo, E. (2018). Microfinanzas en el Perú y los desafíos de la bancarización.
REMIPE-Revista de Micro e Pequenas Empresas e Empreendedorismo Da Fatec
Osasco, 4(1 jan-jun), 48–62.
Torres, E., & Farroñay, J. (2017). Implementacion de Mineria de Datos para detectar
Patrones de Comportamiento de Clientes Morosos en Empresa de Credito
Crediserv EIRL--ChiclayoHICLAYO.
Valencia, V., & Zambrano, J. (2012). Cálculo de la Probabilidad de Default para una
cartera de créditos Vehiculares. Escuela Superior Politécnica Del Litoral, 8.
https://pdfs.semanticscholar.org/582d/42a45722e6fea4a088d97d2883784b2cc0e1.
pdf
Vásconez, G. (2010). El riesgo de crédito en las microfinanzas. Asunción, Paraguay.
Vela, L., Uriol, J., Medina, O., Palacios, F., & Pintado, E. (2012). Los factores que
determinan la calidad de la cartera crediticia de las entidades microfinancieras de
244
la Amazonía peruana en el periodo 2008-2011.
https://web.ua.es/es/giecryal/documentos/microfinanzas-amazonia.pdf
Wenner, M., & Campos, S. (1998). Lessons in Microfinance Downscaling: The Case of
Banco de la Empresa, SA. Inter-American Development Bank, Sustainable
Development Department
Wynarczyk, H. (2017). Caja de herramientas para hacer una tesis (F. E. Consejo (Ed.);
1ra Edició).
Yunus, M. (2008). El banquero de los pobres : los microcréditos y la batalla contra la
pobreza en el mundoBolsillo Paidós (Paidos (Ed.)). Paidos PP - Barcelona.
Yunus, M., Jolis, A., & Morshed, L. (2006). El banquero de los pobres: los
microcréditos y la batalla contra la pobreza en el mundo (Paidos).
file:///C:/Users/etole/Downloads/El_banquero_de_los_pobres_-
_Muhammad_Yun.pdf
Zárraga, L., Molina, V., & Sandoval, E. (2013). estudio de caso: análisis de la
aplicación de la segmentación de mercado como estrategia para las pequeñas
empresas (Case Study: Analysis of Implementation of Market Segmentation as a
Strategy for Small Business). Revista Internacional Administración & Finanzas,
6(5), 109–119.
245
Índice de Gráficos
Gráfico 1: Indicadores financieros de las entidades especializadas en microfinanzas en el Perú11

Gráfico 2: Evolución de cartera en riesgo CMAC y Sistema microfinanciero ........................... 12
Gráfico 3: Ingresos financieros / Activos totales (por regiones en el mundo) ............................ 33
Gráfico 4: Saldo promedio por prestatario US$ - (por regiones en el mundo) ........................... 33
Gráfico 5: Costo promedio por prestatario US$ (por regiones en el mundo) ............................. 34
Gráfico 6: Atención a mujeres prestatarias (por regiones en el mundo) ..................................... 35
Gráfico 7: Portafolio en Riesgo / Mayores a 30 días .................................................................. 35
Gráfico 8: Número de Instituciones microfinancieras indicadas por países en Latinoamérica .. 40
Gráfico 9 : Cartera de microfinanzas en riesgo por atraso en sus pagos (mayor a 30 días) ........ 41
Gráfico 10: Principales países por prestatarios y cartera en el mundo ...................................... 48
Gráfico 11: Proceso de otorgamiento de Créditos microfinancieros........................................... 53
Gráfico 12: Evolución de la calidad de cartera de las microfinanzas en el Perú......................... 56
Gráfico 13: Cartera de Alto Riesgo – evolución CMAC ............................................................ 64
Gráfico 14: Organigrama Cajas Municipales de Ahorro y Crédito............................................. 65
Gráfico 15: Modelos de incremento de clientes .......................................................................... 92
Gráfico 16: Proceso de Construcción del conocimiento KDD.................................................... 98
Gráfico 17: Proceso de Construcción del conocimiento SEMMA .............................................. 99
Gráfico 18: Proceso de Construcción del conocimiento CRISP-DM ....................................... 102
Gráfico 19: Fase comprensión del negocio – CRISP - DM ...................................................... 130
Gráfico 20: Fase Análisis de los datos – CRISP-DM ............................................................... 132
Gráfico 21: Fase preparación de los datos – CRISP-DM .......................................................... 133
Gráfico 22: Fase de modelamiento – CRISP-DM ..................................................................... 135
Gráfico 23: Fase evaluación – CRISP-DM ............................................................................... 136
Gráfico 24: Fase implementación ............................................................................................. 137
Gráfico 25: Tendencias de probabilidad condicional CMAC ................................................... 154
Gráfico 26: Probabilidad de mejorar categoría - comparativo .................................................. 158
Gráfico 27: Probabilidad de mantener – comparativo............................................................... 159
Gráfico 28: Probabilidad de deterioro - comparativo ................................................................ 159
Gráfico 29: Probabilidad de pérdida (default) – comparativo ................................................... 160
Gráfico 30: Evolución de Riesgo de Crédito medido como Cartera Alto Riesgo. .................... 175
Gráfico 31: Cartera promedio por deudor y Cartera de alto riesgo. .......................................... 177
Gráfico 32: Sobreendeudamiento y cartera de alto riesgo ........................................................ 178
Gráfico 33: Probabilidad de cartera en default y cartera de alto riesgo .................................... 180
Gráfico 34: Distribución de cartera por regiones en el Perú ..................................................... 181
Gráfico 35: Deudores por empleados y cartera de alto riesgo .................................................. 183
Gráfico 36: Histograma: Cartera de alto riesgo (%).................................................................. 187
Gráfico 37: Cartera en alto riesgo incorporando promedio móviles ......................................... 199
246
Índice de Figuras
Figura 1: The Botton of the Pyramid (El Fondo de la Pirámide) ................................................ 21

Figura 2: Mapa de la ubicación del Grameen bank ..................................................................... 26
Figura 3: Desembolso de un Préstamo - Bangladesh .................................................................. 28
Figura 4: Los primeros cinco países en Latinoamérica, por clientes y saldo de cartera de créditos
microfinancieros .......................................................................................................................... 38
Figura 5: Los primeros cinco países en Latinoamérica en ahorros microempresa ...................... 39
Figura 6: Descripción del modelo Upgrading ............................................................................. 42
Figura 7: Evolución de la cartera microfinanciera 2015 -2018 ................................................... 54
Figura 8: Evolución de los depósitos en las instituciones microfinancieras ............................... 55
Figura 9: Modelo de matriz de transición ................................................................................. 111
Figura 10: Comparación de las metodologías ........................................................................... 115
Figura 11: Selección de prueba estadística adecuada………………………………………….160
247
Índice de Tablas
Tabla 1: Evolución de los indicadores del Grameen Bank ......................................................... 29
Tabla 2 : Enfoque de las Microfinanzas ...................................................................................... 31
Tabla 3 : Cartera de créditos y depósitos - 2019 ......................................................................... 57
Tabla 4 : Indicadores de solvencia y productividad entidades especializadas ............................ 58
Tabla 5 : Calidad de cartera por entidades especializadas en microfinanzas – 2019 .................. 59
Tabla 6 : Tasas de interés activas – Sistema Financiero Peruano ............................................... 59
Tabla 7 : Estado de Situación Financiera CMAC - (millones S/.) ............................................. 61
Tabla 8 : Estado de resultados CMAC- (Millones S/.)................................................................ 62
Tabla 9 : Participación - Sector Económico CMAC ................................................................... 63
Tabla 10 : Resolución SBS n° 11356-2008 – Según tipo de crédito. .......................................... 67
Tabla 11 : Estructura por tipo de crédito - CMAC ..................................................................... 68
Tabla 12 : Clasificación Crediticia según Resolución SBS N° 11356 - 2008 ............................. 69
Tabla 13: Clasificación crediticia CMAC comparadas - 2019.................................................... 69
Tabla 14: Matriz de transición para i y j categorías .................................................................. 127
Tabla 15: Categorías de riesgo según clasificación crediticia. .................................................. 140
Tabla 16: Matriz de transición según categorías de riesgo ....................................................... 141
Tabla 17: Matriz de transición por periodos ............................................................................. 141
Tabla 18: Matriz de transición total .......................................................................................... 142
Tabla 19: Matriz de transición 2016 ......................................................................................... 144
Tabla 23: Matriz de transición promedio CMAC (2016-2019)................................................. 151
Tabla 24: Probabilidad condicional 2016-2019 ........................................................................ 152
Tabla 25: Matriz de transición Mibanco -2019 ......................................................................... 156
Tabla 26: Matriz de transición Financieras especializadas -2019 ............................................. 157
Tabla 27: Probabilidad condicional - Comparativo - 2019 ....................................................... 157
Tabla 28: Descriptiva de datos .................................................................................................. 172
Tabla 29: Matriz operacional de variables ................................................................................ 174
Tabla 30: Estadísticos descriptivos de las variables .................................................................. 188
Tabla 31: Normalidad de las variables: Prueba de Kolmogorov-Smirnov................................ 190
Tabla 32: Correlación no paramétrica: Coeficiente de Spearman ............................................. 192
Tabla 33: Categórica: Variable cartera de alto riesgo ............................................................... 193
Tabla 34: Correlación no paramétrica: Coeficiente de Spearman ............................................. 194
Tabla 35: Distribución de oficinas y saldos por zona geográfica .............................................. 198
Tabla 36: Resumen de procesamiento de casos ........................................................................ 205
Tabla 37: Información de ajuste de los modelos ....................................................................... 206
Tabla 38: Pruebas de la razón de verosimilitud ........................................................................ 209
Tabla 39: Resultados del Modelamiento ................................................................................... 211
Tabla 40: Orden de la contribución y fortaleza de la relación .................................................. 215
Tabla 41: Clasificación de datos ............................................................................................... 215
Tabla 42: Correlaciones de Variables independientes .............................................................. 217
248
Índice de Anexos
Anexo 1: Cronología Marco Legal para las Microempresas ..................................................... 250

Anexo 2: Clasificación crediticia por tipo de crédito ................................................................ 251
Anexo 3: Proceso de Evaluación de un Crédito Microfinanciero ............................................. 252
Anexo 4: Proceso de Aprobación de un crédito microfinanciero.............................................. 253
Anexo 5: Proceso de desembolso de un crédito microfinanciero.............................................. 254
Anexo 6: Solicitud de colaboración académica ........................................................................ 255
Anexo 7: Carta de solicitud de información para la base de datos ............................................ 256
Anexo 8: Carta de entrega de información - base de datos ...................................................... 257
Anexo 9: Correos de solicitud y respuesta de información para base de datos ......................... 258
Anexo 10: Modelo de programación SQL para los tópicos de matriz de transición ................ 259
Anexo 11: Comportamiento de indicadores del Riesgo de Crédito (Cartera de alto riesgo) .... 260
Anexo 12: Recolección de datos de Cartera Promedio X1 ....................................................... 261
Anexo 13: Recolección de datos Sobreendeudamiento de Cartera X2 ...................................... 262
Anexo 14: Recolección de datos default de cartera (X3) ........................................................... 263
Anexo 15: Recolección de datos Distribución Geográfica por Regiones de CMAC ................ 264
Anexo 16: Recolección de datos total deudores por empleados (X5)....................................... 265
Anexo 17 : Histogramas de las variables .................................................................................. 266
Anexo 18: Formato de Entrevistas a expertos ........................................................................... 274
Anexo 19: Entrevistas a expertos en el negocio microfinanciero …...………………………..278
Anexo 20: Ejecución del modelo de regresión logística en software SPSS…………………..303
249
Anexos
Anexo 1: Cronología Marco Legal para las Microempresas
D.L. AÑO DESCRIPCIÓN
1 21435 1976 “Ley de la pequeña empresa del sector privado”, la cual define a la pequeña
empresa en función a sus montos vendidos anuales, con la finalidad de
acogerse a un Sistema Tributario preferencial y a otros incentivos para su
desarrollo.
2 21621 1976 Con el fin de agilizar la formación de pequeñas empresas, creando la figura
jurídica de empresa individual de responsabilidad limitada (EIRL) teniendo
como objetivo diferenciar el patrimonio de la persona natural del de la
persona jurídica y así promocionar la constitución y operación de pequeñas
empresas.
3 23189 1980 El cual establece que la pequeña empresa debe desarrollar su actividad
como empresa unipersonal o como EIRL. Asimismo, manifiesta que su
propietario debe participar en el proceso de producción, prestación de
servicios o comercialización de bienes. Se define como máximo cinco (5)
trabajadores con que cuenta la pequeña empresa dedicada al giro de
comercialización y en diez (10) las dedicadas a servicios.
4 23407 1982 “Ley General de Industrias”, la cual determina que las ventas anuales de
una Pequeña Empresa Industrial no deben exceder los 720 sueldos
mínimos vitales de la provincia de Lima.
5 24062 1985 “Ley de la pequeña empresa industrial”, expidiéndose en junio de ese

mismo año, con el fin de regular de regular el capítulo de pequeña industria
establecido en la ley 23407.
6 705 1991 “Ley de Promoción de Micro Empresas y Pequeñas Empresas”, el que

establece el marco legal, definiéndola en función al tamaño (cantidad de
trabajadores y monto anual de ventas) al respecto, la micro empresa está
definida por poseer hasta 10 personas ocupadas y un nivel de ventas de
hasta 12 UIT anuales. En tanto que la pequeña empresa posee de 11 a 20
personas ocupadas y un nivel de ventas de 13 a 25 UIT anuales.
7 26904 1997 Efectiviza el apoyo que contribuya al despegue de las pymes, declara de
preferente interés la generación y difusión de estadísticas sobre la pequeña
y micro empresa.
8 28015 2003 “La ley de promoción y formalización de la micro y pequeña empresa” es la

ley marco vigente que tiene por objeto la promoción de la competitividad,
formalización y desarrollo de las micro y pequeñas empresas para
incrementar el empleo sostenible, su productividad y rentabilidad, su
contribución al producto bruto interno, la ampliación del mercado interno y
las exportaciones y las exportaciones a la recaudación tributaria.
250
Anexo 2: Clasificación crediticia por tipo de crédito
Resolución SBS -11356 - 2008
251
Anexo 3: Proceso de Evaluación de un Crédito Microfinanciero
Proceso: Evaluación de solicitud Proceso: Evaluación de un crédito
Asesor o Funcionario Asesor o Funcionario
Inicio
Recepciona
expediente de
crédito
¿Hay Anula el crédito y cierra

inconsistencia la evaluación; e ingresa
Consulta s? Sí datos en el CRI
información del
cliente en CRE y No
genera reportes
Establece el
monto y plazo a
Revisa su agenda proponer
(Programación de
Visita de Campo)
Cierra la
información en el
Visita dirección del negocio sistema y genera
del cliente, según su agenda la propuesta final
programada de créditos
Recopila información
cualitativa (Referencias de Aprobación
terceros) en alrededores del de solicitud
negocio
Visita negocio y
recopila información Fin
cuantitativa de datos
del cliente, los
relaciona, compara y
aplica la metodología
crediticia
Transcribe la información
relevante en una ficha de
levantamiento de información
El Asesor solicita vía wap la

verificación domiciliaria de
los datos del cliente
Retorna a agencia
ingresa los datos de la

evaluación financiera al
sistema
El Asesor analiza la viabilidad

cuantitativa y cualitativa de la
operación en base a los resultados
obtenidos del trabajo de campo y la
verificación domiciliaria
Elaboración propia: Proceso regular adaptado de distintas entidades microfinancieras.
252
Anexo 4: Proceso de Aprobación de un crédito microfinanciero
Proceso: Aprobación de solicitud de un crédito
Asesor o Funcionario Aprobador o Comité de créditos
No deberían de faltar
Inicio documentos, pues estos son
recepcionados en el proceso
de SOLICITUD, y solo se
Revisa el resultado de la
puede continuar con la
verificación automática
EVALUACIÓN,una vez que
que realiza el sistema, una
el cliente haya presentado
vez que finaliza el proceso
todos los documentos
de Evaluación Verifica documentación
solicitados.
(checklist) datos del cliente
para asegurar que se ajuste a
la normativa de crédito y hace
preguntas al asesor
Coloca la solicitud en el
sistema como "ANULADA",
¿Conforme? se registra en el archivo
No negativo y expediente se
devuelve a Operaciones
Sí
Aprueba la solicitud
en el sistema y Involucra una mala
rubrica su firma en evaluación, que el cliente
el expediente presente riesgos no
evaluados por el asesor
solicitante o una adulteración
de documentación que no
vio Operaciones en el
Fin proceso de SOLICITUD
Elaboración propia: Proceso regular adaptado de distintas entidades microfinancieras
253
Anexo 5: Proceso de desembolso de un crédito microfinanciero
Proceso: Desembolso de crédito
Funcionario de
Asesor o Funcionario Cliente Cajero
Operaciones
Inicio
Contacta al cliente
para informarle el
monto y número de
cuotas aprobado Realiza el
¿Conforme? desembolso y le
entrega al cliente
No el monto del
préstamo
Elimina la
solicitud en el Fin
sistema Cierra la operación
como
Sí DESEMBOLSADO
Informa al cliente que

ya puede realizar el Observa en el sistema integrado que
desembolso y le da las el cliente ya entregó los documentos Fin
indicaciones del caso correspondientes y compara el DNI
(llevar DNI e ir con los de los clientes con la información de
involucrados en el la RENIEC
desembolso)
Entrega la información
correspondiente al crédito como:
Contrato de préstamo/ pagaré/ hoja
de resumen/ cronograma de pagos
Firma los que se generan automáticamente
documentos con la información del sistema
respectivos
Consulta si cliente
desea desembolsar en
efectivo o si desea una
tarjeta de débito
¿Efectivo?
Sí No
Realiza las gestiones
pertinentes y le entrega
al cliente su tarjeta y su
clave secreta
1
Cierra la operación
como
DESEMBOLSADO
Elaboración propia: Proceso regular adaptado de distintas entidades microfinancieras
254
Anexo 6: Solicitud de colaboración académica
255
Anexo 7: Carta de solicitud de información para la base de datos
256
Anexo 8: Carta de entrega de información - base de datos
257
Anexo 9: Correos de solicitud y respuesta de información para base de datos
258
Anexo 10: Modelo de programación SQL para los tópicos de matriz de transición
--- CREACION DE TABLAS RCC----

GO ALTER TABLE [dbo].[th_m_rcc_201712] DROP COLUMN
mdeuda4
GO ALTER TABLE [dbo].[th_m_rcc_201712] ADD
mdeuda4 DECIMAL(20,4)
GO UPDATE [dbo].[th_m_rcc_201712] SET
mdeuda4 = 100-CAST(MDEUDA0 AS decimal(20,4))-CAST(MDEUDA1 AS decimal(20,4))
-----SELECCION CLIENTES CMAC----

SELECT DISTINCT ([ccodsbscliente]) AS [ccodsbscliente]
INTO [RCC3].[dbo].CLIENTES_CMAC_201712
FROM [RCC2].[dbo].[th_d_rcc_201712]
ctipocredito in ('06','07','08','09','10','11','12','13','99')
vcodcuenta like '14%'
substring(vcodcuenta,4,1) in ('1','3','4','5','6')
---ASIGNAR CALIFICACION DE DEUDORES INICIAL Y FINAL------

ALTER TABLE [RCC3].[dbo].CLIENTES_CMAC_201712 ADD CALIFICACION VARCHAR(5)
ALTER TABLE [RCC3].[dbo].CLIENTES_CMAC_201712 ADD CALIFICACION_12M VARCHAR(5)
UPDATE A SET
A.CALIFICACION = B.CALIFICACION
FROM [RCC2].[dbo].CLIENTES_CMAC_201612 AS A INNER JOIN
(SELECT C.CCODSBSCLIENTE ,
WHEN CAST(MDEUDA4 AS decimal(20,4)) > 0 THEN '5.PER'
WHEN CAST(MDEUDA3 AS decimal(20,4)) > 0 THEN '4.DUD'
WHEN CAST(MDEUDA2 AS decimal(20,4)) > 0 THEN '3.DEF'
WHEN CAST(MDEUDA1 AS decimal(20,4)) > 0 THEN '2.CPP'
WHEN CAST(MDEUDA0 AS decimal(20,4)) > 0 THEN '1.NOR' ELSE '6.NA' END
------TABLA MATRIZ DE TRANSICION 2017-----

SELECT CALIFICACION,CALIFICACION_12M, COUNT(DISTINCT CCODSBSCLIENTE)
INTO [RCC2].[dbo].MATRIZ_DE_TRANSICION_2017
FROM [RCC2].[dbo].[CLIENTES_CMAC_201612]
GROUP BY CALIFICACION,CALIFICACION_12M
259
Anexo 11: Comportamiento de indicadores del Riesgo de Crédito (Cartera de alto
riesgo)
Elaboración propia: Información obtenida de la SBS (2016-2019)
260
Anexo 12: Recolección de datos de Cartera Promedio X1
Total Saldo de Credito por

Y1 Cartera Cartera (miles Total deudor
Mes Riesgo S/.) deudores (Miles S/.)
Mar-16 8.26% 14,931,945 1,228,304 12.2
Jun-16 7.86% 15,377,130 1,242,588 12.4
Set-16 7.79% 16,034,716 1,290,100 12.4
Dic-16 7.09% 17,176,096 1,339,141 12.8
Mar-17 7.51% 17,586,797 1,377,752 12.8
Jun-17 7.60% 18,190,550 1,425,441 12.8
Set-17 7.82% 18,972,311 1,478,273 12.8
Dic-17 9.08% 21,173,229 1,510,017 14.0
Mar-18 9.31% 20,673,043 1,545,658 13.4
Jun-18 9.08% 20,377,906 1,582,914 12.9
Set-18 8.88% 20,931,382 1,610,630 13.0
Dic-18 7.45% 22,290,940 1,642,388 13.6
Mar-19 8.27% 21,059,701 1,689,606 12.5
Jun-19 8.61% 21,121,295 1,736,041 12.2
Set-19 8.96% 21,376,349 1,773,411 12.1
Dic-19 9.02% 21,840,336 1,821,224 12.0
Elaboración propia: Información obtenida del reporte crediticio de deudores
261
Anexo 13: Recolección de datos Sobreendeudamiento de Cartera X2
262
Anexo 14: Recolección de datos default de cartera (X3)
Cartera de Cartera
Y1 Cartera Créditos Default (miles
Mes Alto Riesgo (miles S/.) S/.)
Mar-16 8.26% 14,931,945 1,778,828
Jun-16 7.86% 15,377,130 1,831,089
Set-16 7.79% 16,034,716 1,909,557
Dic-16 7.09% 17,176,096 2,046,512
Mar-17 7.51% 17,586,797 2,095,493
Jun-17 7.60% 18,190,550 2,168,196
Set-17 7.82% 18,972,311 2,259,686
Dic-17 9.08% 21,173,229 2,496,822
Mar-18 9.31% 20,673,043 2,452,014
Jun-18 9.08% 20,377,906 2,401,230
Set-18 8.88% 20,931,382 2,466,686
Dic-18 7.45% 22,290,940 2,629,128
Mar-19 8.27% 21,059,701 2,496,630
Jun-19 8.61% 21,121,295 2,508,305
Set-19 8.96% 21,376,349 2,533,851
Dic-19 9.02% 21,840,336 2,585,379
Probabilidad Condicional (Expresado en %)

Entidad P(default)
CMAC PIURA 13.5%
CMAC TACNA 11.7%
CMCP LIMA 11.5%
CMAC TRUJILLO 12.1%
CMAC CUSCO S A 10.0%
CMAC MAYNAS 13.6%
CMAC AREQUIPA 12.1%
CMAC HUANCAYO 10.6%
CMAC PAITA 15.8%
CMAC ICA 9.8%
CMAC SULLANA 13.0%
CMAC DEL SANTA 13.6%
Total general 11.3%
Elaboración propia: Información obtenida del reporte crediticio de deudores y

probabilidades condicionales de cada CMAC
263
Anexo 15: Recolección de datos Distribución Geográfica por Regiones de CMAC
Variación trimestral distribución por regiones

Suma de
Región Centro Créditos
Mes Región Sur Variacion Región Norte Variacion Variacion Región Lima Variacion Variacion
Oriente (Miles de
S/)
Mar-16 5,879,137 3,614,203 2,921,336 2,517,268 14,931,945

Jun-16 6,102,583 3.8% 3,685,705 2.0% 2,988,156 2.3% 2,600,685 3.3% 15,377,130 3.0%
Set-16 6,356,738 4.2% 3,853,183 4.5% 3,106,753 4.0% 2,718,042 4.5% 16,034,716 4.3%
Dic-16 6,755,897 6.3% 4,150,901 7.7% 3,364,742 8.3% 2,904,556 6.9% 17,176,096 7.1%
Mar-17 6,933,597 2.6% 4,236,987 2.1% 3,459,649 2.8% 2,956,564 1.8% 17,586,797 2.4%
Jun-17 7,147,773 3.1% 4,441,373 4.8% 3,553,355 2.7% 3,048,048 3.1% 18,190,550 3.4%
Set-17 7,467,723 4.5% 4,596,320 3.5% 3,675,818 3.4% 3,232,450 6.0% 18,972,311 4.3%
Dic-17 8,692,596 16.4% 4,667,747 1.6% 4,263,873 16.0% 3,549,013 9.8% 21,173,229 11.6%
Mar-18 8,092,434 -6.9% 4,728,347 1.3% 4,303,089 0.9% 3,549,173 0.0% 20,673,043 -2.4%
Jun-18 8,223,929 1.6% 4,452,507 -5.8% 4,169,573 -3.1% 3,531,897 -0.5% 20,377,906 -1.4%
Set-18 8,431,797 2.5% 4,602,308 3.4% 4,254,193 2.0% 3,643,084 3.1% 20,931,382 2.7%
Dic-18 8,861,160 5.1% 5,036,713 9.4% 4,482,155 5.4% 3,910,912 7.4% 22,290,940 6.5%
Mar-19 8,616,970 -2.8% 4,823,628 -4.2% 4,112,636 -8.2% 3,506,467 -10.3% 21,059,701 -5.5%
Jun-19 8,573,718 -0.5% 4,878,392 1.1% 4,177,781 1.6% 3,491,403 -0.4% 21,121,295 0.3%
Set-19 8,828,435 3.0% 4,728,303 -3.1% 4,255,128 1.9% 3,564,483 2.1% 21,376,349 1.2%
Dic-19 9,129,619 3.4% 4,778,268 1.1% 4,284,275 0.7% 3,648,174 2.3% 21,840,336 2.2%
Variación anual cartera de Alto Riesgo

Suma de
Promedio
Región Centro Créditos
Mes Región Sur Variacion Región Norte Variacion Variacion Región Lima Variacion Variacion Anual Cartera
Oriente (Miles de
Riesgo
S/)
2016 415,090,138 17.1% 675,589,662 16.6% 290,455,646 17.5% 336,474,153 17.6% 17,176,096 17.1% 8.0%
2017 466,774,744 12.5% 869,259,573 28.7% 354,901,273 22.2% 426,387,278 26.7% 21,173,229 23.3% 8.0%
2018 503,671,271 7.9% 886,116,003 1.9% 391,091,237 10.2% 448,215,458 5.1% 22,290,940 5.3% 8.8%
2019 477,826,801 -5.1% 912,961,919 3.0% 364,817,440 -6.7% 428,427,450 -4.4% 21,840,336 -2.0% 8.7%
264
Anexo 16: Recolección de datos total deudores por empleados (X5)
Y1 Cartera Total Total Deudores/

Mes Riesgo Deudores Empleados Empleados Variación
Mar-16 8.26% 1,228,304 16,873 72.8
Jun-16 7.86% 1,242,588 17,388 71.5 1.16%
Set-16 7.79% 1,290,100 17,694 72.9 3.82%
Dic-16 7.09% 1,339,141 18,134 73.8 3.80%
Mar-17 7.51% 1,377,752 18,291 75.3 2.88%
Jun-17 7.60% 1,425,441 18,655 76.4 3.46%
Set-17 7.82% 1,478,273 19,080 77.5 3.71%
Dic-17 9.08% 1,510,017 21,269 71.0 2.15%
Mar-18 9.31% 1,545,658 20,887 74.0 2.36%
Jun-18 9.08% 1,582,914 20,475 77.3 2.41%
Set-18 8.88% 1,610,630 20,919 77.0 1.75%
Dic-18 7.45% 1,642,388 20,887 78.6 1.97%
Mar-19 8.27% 1,689,606 20,261 83.4 2.87%
Jun-19 8.61% 1,736,041 20,555 84.5 2.75%
Set-19 8.96% 1,773,411 20,820 85.2 2.15%
Dic-19 9.02% 1,821,224 21,420 85.0 2.70%
265
Anexo 17 : Histogramas de las variables
Cartera en alto riesgo (Exp. en porcentaje)
Datos cartera en alto riesgo (Exp. en porcentaje)
Rango Rango
Inferior Superior Frecuencia
% %
2 3 0
3 4 4
4 5 39
5 6 10
6 7 93
7 8 66
8 9 72
9 10 52
10 11 43
11 12 20
12 13 6
13 14 7
14 15 4
15 16 9
16 17 6
17 18 14
18 19 17
19 20 22
20 21 20
21 22 22
22 23 13
23 24 16
24 25 4
25 26 5
26 27 4
27 28 8
Nro. Total Datos 576
Media 11.6230
266
Cartera promedio por deudor (Exp. en miles de soles)
Datos cartera promedio por deudor (Exp. en millones de soles)
Rango Rango
Frecuencia
Inferior Superior
4.4 4.8 0
4.8 5.2 8
5.2 5.6 2
5.6 6.0 17
6.0 6.4 31
6.4 6.8 19
6.8 7.2 9
7.2 7.6 10
7.6 8.0 0
8.0 8.4 0
8.4 8.8 2
8.8 9.2 12
9.2 9.6 18
9.6 10.0 28
10.0 10.4 40
10.4 10.8 64
10.8 11.2 42
11.2 11.6 54
11.6 12.0 64
12.0 12.4 31
12.4 12.8 21
12.8 13.2 16
13.2 13.6 12
13.6 14.0 8
14.0 14.4 22
14.4 14.8 30
14.8 15.2 6
15.2 15.6 10
Media 10.781
267
Sobreendeudamiento de clientes: número de deudores con cuatro a más entidades
(Exp. en porcentaje)
Datos número de deudores con cuatro a mas entidades (Exp. en porcentaje)
Rango Rango
% %
8.0 9.0 10
9.0 10.0 37
10.0 11.0 1
11.0 12.0 34
12.0 13.0 35
13.0 14.0 16
14.0 15.0 23
15.0 16.0 131
16.0 17.0 64
17.0 18.0 61
18.0 19.0 7
19.0 20.0 36
20.0 21.0 25
21.0 22.0 5
22.0 23.0 14
23.0 24.0 11
24.0 25.0 18
25.0 26.0 0
26.0 27.0 0
27.0 28.0 0
28.0 29.0 0
29.0 30.0 0
30.0 31.0 0
31.0 32.0 0
32.0 33.0 0
33.0 34.0 9
34.0 35.0 16
35.0 36.0 21
Media 17.57
268
Deuda con probabilidad de default (Exp. en miles de soles)
Datos probabilidad de default (Exp. en miles de soles)

Rango Rango
Frecuencia
Inferior Superior
0 25,000 89
25,000 50,000 85
50,000 75,000 44
75,000 100,000 62
100,000 125,000 8
125,000 150,000 0
150,000 175,000 17
175,000 200,000 41
200,000 225,000 16
225,000 250,000 13
250,000 275,000 17
275,000 300,000 39
300,000 325,000 16
325,000 350,000 18
350,000 375,000 17
375,000 400,000 8
400,000 425,000 14
425,000 450,000 13
450,000 475,000 14
475,000 500,000 10
500,000 525,000 15
525,000 550,000 5
550,000 575,000 5
575,000 600,000 5
600,000 625,000 3
625,000 650,000 2
650,000 675,000 0
675,000 700,000 0
Media 189,871
269
Participación del saldo de deudores zona norte (Exp. en porcentaje)
Datos saldo de deudores zona norte (Exp. en porcentaje)
Rango Rango
% %
0 4 251
4 8 37
8 12 6
12 16 41
16 20 1
20 24 0
24 28 0
28 32 0
32 36 0
36 40 0
40 44 0
44 48 0
48 52 11
52 56 37
56 60 36
60 64 20
64 68 20
68 72 68
72 76 19
76 80 3
80 84 0
84 88 5
88 92 21
92 96 0
96 100 0
100 104 0
104 108 0
108 112 0
Media 29.25
270
Participación del Saldo de Deudores Zona Sur (exp. en porcentaje)
Datos Saldo de Deudores Zona Sur (exp. en porcentaje)
Rango Rango
% %
0 4 192
4 8 51
8 12 61
12 16 59
16 20 21
20 24 0
24 28 0
28 32 0
32 36 0
36 40 0
40 44 0
44 48 0
48 52 0
52 56 0
56 60 0
60 64 0
64 68 0
68 72 0
72 76 54
76 80 67
80 84 23
84 88 0
88 92 18
92 96 30
96 100 0
100 104 0
104 108 0
108 112 0
Media 30.73
271
Participación del saldo de deudores zona Lima y Callao (Exp. en porcentaje)
Datos saldo de deudores zona Lima y Callao (exp. en porcentaje)
Rango Rango
% %
0 3 68
3 6 102
6 9 29
9 11 40
11 14 102
14 17 34
17 20 9
20 23 14
23 26 73
26 29 36
29 31 21
31 34 0
34 37 0
37 40 0
40 43 0
43 46 0
46 48 0
48 51 0
51 54 0
54 57 0
57 60 0
60 63 0
63 66 0
66 68 0
68 71 0
71 74 0
74 77 7
77 80 37
Media 30.73
272
Participación del saldo de deudores zona centro y oriente (Exp. en porcentaje)
Datos saldo de deudores zona Centro y Oriente (exp. en porcentaje)
Rango Rango
% %
0 4 170
4 8 48
8 12 43
12 16 106
16 20 17
20 24 1
24 28 47
28 32 20
32 36 20
36 40 8
40 44 0
44 48 0
48 52 8
52 56 10
56 60 14
60 64 15
64 68 1
68 72 0
72 76 0
76 80 0
80 84 0
84 88 0
88 92 43
92 96 5
96 100 0
100 104 0
104 108 0
108 112 0
Media 21.68
273
Anexo 18: Formato de Entrevistas a expertos
FICHA DE DATOS
Fecha de la entrevista:
Nombre del entrevistado:
Cargo del entrevistado en institución:
Instituciones donde labora o a laborado:
Años de experiencia en el sector:
Buenos días, mi nombre es Emerson Toledo y estoy realizando una investigación doctoral acerca
de los “Factores que influyen en el Riesgo de Crédito de las instituciones microfinancieras
peruanas: Cajas Municipales de Ahorro y Crédito 2016 – 2019”, para la Escuela Superior de
Economía y Administración de Empresas (ESEADE), ubicada en Argentina.
El principal objetivo es obtener información valiosa que será puesta a disposición de la comunidad
académica. Con el fin de que el grupo de instituciones microfinancieras en estudio puedan tomar
decisiones empresariales en base al aporte de esta investigación. Al respecto, mucho agradeceré
pueda sentirse en la libertad de opinar, brindar sus ideas y/o comentarios.
Es importante mencionarle que toda la información proporcionada solamente será usada para fines
del trabajo de investigación, las mismas que serán consolidadas y unidas con otras encuestas
realizadas, por lo que no revelaremos su identificación.
Considerando su valioso tiempo, esta conversación será grabada en la presente videoconferencia

ya que nos permitirá seguir una conversación más rápida y fluida. ¿Tendría algún inconveniente?
Gracias por su tiempo.
Lima, setiembre 2020.
274
“Factores que influyen en el Riesgo de Crédito de las instituciones microfinancieras
peruanas: Cajas Municipales de Ahorro y Crédito 2016 – 2019”
A. Objetivo General: Determinar los factores que influyen en el Riesgo de Crédito

de las instituciones microfinancieras, caso peruano: Cajas municipales de ahorro
y crédito, periodo de análisis 2016-2019.
1. ¿Cómo definiría el riesgo de crédito para las instituciones

microfinancieras?
2. ¿Considera que la cartera de alto riesgo es un adecuado indicador del
riesgo de crédito?
3. ¿Porque es importante que las gerencias de las CMAC tengan
conocimiento de cuáles son los factores que influyen en el riesgo de
crédito?
B. Objetivo Específico 1: Analizar el impacto que tiene la cartera promedio en el

4. Desde su perspectiva ¿Considera que la cartera promedio por deudor

(total de cartera entre total de deudores) tiene un impacto en el riesgo de
crédito de las CMAC?, de ser afirmativo su respuesta, favor comentar
como influye en el riesgo de crédito.
C. Objetivo Específico 2: Analizar cómo el sobreendeudamiento de los clientes,

afecta el riesgo crediticio de las CMAC
5. Desde su perspectiva ¿Considera que el sobreendeudamiento de los

clientes tiene un impacto en el riesgo de crédito de las CMAC?
6. ¿Qué indicador podría reflejar el sobreendeudamiento de los clientes las
CMAC?
7. ¿Considera que en el Perú existe una sobreoferta de instituciones
microfinancieras?
D. Objetivo Específico 3: Determinar la probabilidad de default o pérdida de las

carteras de crédito de las CMAC y su impacto en el Riesgo de Crédito
8. ¿Por qué sería de importancia que las instituciones microfinancieras,

CMAC, conozcan su probabilidad de default o pérdida?
275
9. ¿Tiene conocimiento sobre la técnica de matrices de transición?, si su
respuesta es positiva, considera una buena técnica para identificar la
probabilidad de default o pérdida.
10. En su experiencia: ¿Considera que existe una relación entre la

probabilidad de default y la cartera de alto riesgo?
E. Objetivo Específico 4: Analizar el impacto que tiene la segmentación geográfica

por regiones en el Riesgo de Crédito de las CMAC.
11. En su experiencia ¿Considera que la distribución geográfica por regiones

influye en el riesgo de crédito de las CMAC, por qué?
F. Objetivo Específico 5: Evaluar de qué manera la cantidad de deudores atendidos

por empleado, impacta en el Riesgo de Crédito de las CMAC
12. En su experiencia, ¿Qué relación tiene la cantidad de deudores por

empleado con el riesgo de crédito?
13. Desde su experiencia, ¿Considera que las cinco variables presentadas a

continuación tienen relación con el riesgo de crédito?
276
Anexo 19: Entrevistas a expertos en el negocio microfinanciero
Entrevistado N°1 - Victor León Reyes – fecha, 05 de octubre - 2020
Gerente de Negocios en dos entidades microfinancieras, Gerente Regional en dos

entidades financieras y cerca de 20 años de experiencia en el sector de las microfinanzas
en el Perú.
1.- ¿Cómo definiría el riesgo de crédito para las instituciones microfinancieras?
Respuesta: Para las instituciones microfinancieras, gran parte de sus activos están
clasificados en la cartera de colocaciones. Las instituciones microfinancieras su principal
actividad es la intermediación del dinero, por lo tanto, el principal riesgo que tiene, está
asociado al riesgo de crédito, una de las formas de medir el riesgo de crédito es la
morosidad.
2.- ¿Considera que la cartera de alto riesgo es un adecuado indicador del riesgo de
crédito?
Respuesta: en realidad, la Superintendencia maneja varios indicadores de morosidad. Sin

embargo, uno de los indicadores más fuerte, es la cartera de alto riesgo. Creería yo que
este indicador engloba todas las aristas de la morosidad que queremos analizar, por qué
no solamente tenemos la cartera vencida, está la cartera refinanciada/estructurada, está la
cartera judicial, entonces como que tenemos un indicador que abarca todas las aristas.
3.- ¿Porque es importante que las gerencias de las CMAC tengan conocimiento de
cuáles son los factores que influyen en el riesgo de crédito?
Respuesta: Como te indique al inicio, siendo el riesgo de crédito el principal activo de las
instituciones, en general de las financieras, es importante conocer cuáles son los
determinantes que influyen en ese riesgo, es más, de ello depende que las instituciones
puedan ser rentables y auto sostenibles en el tiempo.
277
4. Desde su perspectiva, ¿considera que la cartera promedio por deudor tiene un
impacto en el riesgo de crédito de las cajas municipales de ahorro y crédito?, de ser
afirmativo tu respuesta favor comentar cómo influye en el riesgo de crédito.
Respuesta: Definitivamente tiene una incidencia directa. En los últimos años las
microfinancieras han tenido un crecimiento importante en su nivel de colocaciones, este
nivel, les permite hacer economías de escala, tener eficiencia y rentabilidad. Sin embargo,
la competencia también ha sido feroz. Por lo tanto, ha conllevado a que las instituciones
microfinancieras, en algunos casos, comiencen a orientar sus colocaciones en otros
segmentos, aquellos donde los montos de créditos otorgados son mayores y, por lo tanto,
incremente el riesgo. Eso está conllevando a que el crédito promedio que debería ser
direccionado para un segmento de microempresa, ahora es un monto mayor, por lo tanto,
creo yo que las CMAC deben estar re direccionando a otros mercados con perfiles
diferentes.
5. Desde su perspectiva ¿considera que el sobre endeudamiento de los clientes tiene

un impacto en el riesgo de crédito de las cajas municipales de ahorro y crédito?
Respuesta: Definitivamente, en la medida que se tenga clientes o deudores compartidos

con otras instituciones el riesgo de crédito aumenta.
6.- ¿Qué indicador podría reflejar el sobre endeudamiento de los clientes de las cajas
municipales de ahorro y crédito?
Respuesta: un indicador muy utilizado, como política interna en las Cajas Municipales de
Ahorro y Crédito, es considerar el número de entidades con las que el deudor trabaja, en
algunos casos los clientes pueden trabajar con tres o en algunos casos con cuatro
entidades, en estos casos, sería un deudor con mucho riesgo.

microfinancieras?
Respuesta: yo considero que existe una competencia muy alta en el sector. Creería, que
más de una sobreoferta de instituciones lo que faltaría es implementar más en productos,
278
podríamos decir que hay sobre productos, todavía hay una brecha importante por
bancarizar, todavía hay un gran cambio para ello, sin embargo, la competencia es muy
fuerte en el sector.
8. ¿Por qué sería de importancia que las instituciones microfinancieras, CMAC,

conozcan su probabilidad de default o pérdida?
Respuesta: se entiende la probabilidad de default, como probabilidad de tener un cliente

con calificación pérdida por lo tanto ese cliente en un futuro va ser castigado, es
importante conocerlo, porque directamente esa cartera al ser castigado afecta
directamente a los indicadores de rentabilidad de la institución.
9. ¿Tiene conocimiento sobre la técnica de matrices de transición? si su respuesta es

positiva ¿considera una buena técnica para determinar la probabilidad de default o
pérdida?
Respuesta: Así como tenemos el análisis de cosechas, las matrices de transición es una
herramienta importante para ello, el conocer o proyectar la probabilidad de que parte de
la carretera llega a estos niveles del default es importante para las instituciones
microfinancieras con ello pueden prevenir situaciones que le puedan tener peligro en su
rentabilidad.
10. En su experiencia, ¿Considera que existe una relación entre la probabilidad de

default y la cartera de alto riesgo?
Respuesta: definitivamente, porque la probabilidad de default lo que está indicando es

que parte de tu cartera realmente los clientes no te van a pagar, y el hecho de que no te
pague va a afectar tus indicadores de morosidad, aun así, siendo esta cartera castigada te
va a afectar directamente la rentabilidad de la institución.
11. En su experiencia ¿Considera que la distribución geográfica por regiones influye

en el riesgo de crédito de las Cajas Municipales de Ahorro y Crédito?
279
Respuesta: definitivamente no todas las cajas municipales tienen un ámbito de acción a
nivel nacional, eso con lleva a que unas cajas estén focalizadas a nivel nacional y otras
focalizadas a nivel regional. El tener una cobertura nacional te conlleva a que tengas
buenos niveles de control de la cartera, y de supervisión, con ello, el tener cartera muy
diversificada, si bien es cierto es bueno, puede llevarte a que tengas mayores niveles de
morosidad mayor.
12. En su experiencia. ¿Qué relación tiene la cantidad de deudores por empleado

con el riesgo de crédito?
Respuesta: claro que sí hay relación, recordemos que la tecnología en micro empresa, el
asesor es la persona que realiza todo el proceso de otorgamiento de créditos, desde la
venta promoción, evaluación, inclusivamente la aprobación, por lo tanto, en la medida
que el asesor tenga un nivel de cartera, entendiéndose como cantidad de clientes grande,
fuerte, va a poder tener economías de escala, a la hora de nosotros calcular los niveles de
costos. Por lo tanto, a mayor nivel de clientes vas a tener menos costos, sin embargo,
también podemos tener la probabilidad o el riesgo de que no pueda tener una supervisión
adecuada de todos y por lo tanto la falta de seguimiento puede llevar a originar morosidad,
por lo tanto, hay que ser muy finos aquí en saber cuál es la dotación ideal que debe tener
un analista o asesor o en este caso el indicador número de deudores por empleado.
13. Desde su experiencia ¿considera que las 5 variables presentadas a continuación

y en relación con el riesgo de crédito? Las variables presentadas son cartera
promedio por deudor sobreendeudamiento, probabilidad de default asociado a la
cartera, distribución geográfica por regiones y cantidad de deudores por empleado.
Respuesta: definitivamente creo que todas las variables tienen relación directa con la
cartera de alto riesgo, más aún, cuando cada una de estas variables, a mi entender son
productos de tomas de decisiones gerenciales de cada institución o políticas de cada
institución realiza, obviamente, va a ver que algunas de ellas van a tener más fuerza que
otros, pero de que todas están relacionadas no me queda ninguna duda.
280
Entrevistado N°2 - José Palacios Santos – 05 de octubre - 2020
Director Gerente de Microfinanzas y pequeña empresa. Banco. D-Miro (Ecuador) - 20

años de experiencia en el sector de las microfinanzas en el Perú y Ecuador.
Respuesta: lo definiría como el riesgo del no pago oportuno o puntual del

cliente. Definido mayormente como la morosidad. Algunas veces las evaluaciones no se
realizan correctamente por lo que los clientes dejan de pagar, ya sea por su capacidad o
voluntad de pago. Esto, puede deberse a la flexibilidad de políticas de las Cajas
Municipales.
crédito?
Respuesta: Considero que si es un indicador ácido puesto que considera toda la cartera
vencida refinanciada reestructurada y en cobranza judicial. Hay que tener en cuenta que
la cartera castigada esta provisionada al 100% por lo que ya no sería parte de la cartera
de alto riesgo. Por lo que considero que el riesgo de crédito puede ser medido con la
cartera de alto riesgo.
Respuesta: Creo que es importante que las gerencias de las cajas municipales de ahorro y
crédito tengan conocimiento de cuáles son los factores que influyen en el riesgo de
crédito. Que primero hay que tomar conciencia de los riesgos. Hay que cuidarse, se
resuelve todo aquello que se toma conciencia. Y qué es lo que hacen las empresas para
para prevenir o disminuir ese riesgo. El objetivo es de cómo prevenir el riesgo por lo que
sí es importante conocer el riesgo. No tenemos la bolita mágica para saber sobre qué es
lo que va a pasar, pero tenemos que prever los eventos que suceden en la zona. Tenemos
clientes en el norte del Perú y el sur en el centro y oriente y cada uno de ellos tiene un
dinamismo distinto.
281
4. Desde su perspectiva ¿considera que la cartera promedio por deudor tiene un
impactó en el riesgo de crédito de las cajas municipales de ahorro? y crédito de ser
afirmativo su respuesta favor comentar cómo influye en el riesgo de crédito.
Respuesta: Considero que sí. La cartera promedio es un buen indicador puesto que
precisamente ella nos da la temperatura del promedio de los créditos en relación a su
riesgo. De tal manera que las cajas municipales de ahorro y crédito no sé desvirtúe del
crédito por medio del cual nacieron, con ese objetivo nació, créditos pequeños a los más
necesitaros. Creo que puedo tomar la temperatura con el crédito promedio que sí explica
la cartera de alto riesgo. Pero considero que pueda haber indicadores más fuertes que
ellos.

Respuesta: Totalmente, estoy completamente de acuerdo. Salvo pocas excepciones, no

todos los clientes saben lo que es sobre endeudarse, o no se dan cuenta. Muchas veces
tienen mucha cantidad de plata y no saben de qué manera manejarla. Comienzan a tener
créditos de la primera, segunda, tercera, cuarta institución. Muchos toman crédito para
consumo, toma créditos para su fiesta patronal, toman un crédito para su fiesta de sus
hijos ya no lo utiliza el crédito para capital de trabajo o activo fijo. Y mucha gente migra
a otras entidades. Reconozco que somos partícipes de sobre endeudar a los clientes, al
tratar de cumplir las metas, los asesores prácticamente se ven obligados a colocar.
Respuesta. El número de instituciones microfinancieras que manejan los

clientes. Tenemos que tener en cuenta que no solamente son las instituciones
microfinancieras los que prestan sino, tenemos a prestamistas informales que prestan y
los clientes se emborrachan con tanto dinero y comienzan a mal invertir su dinero.
282
microfinancieras?
Respuesta. Sí y no. Considero que está sobreoferta está en la capital y en provincias como
el norte del Perú, siendo sus principales las ciudades de Chiclayo, Piura o en el sur del
Perú Arequipa o en el centro Huancayo. Sin embargo, existen provincias donde aún no
llegan los créditos, falta meterse al interior del Perú, pero sí puedo decir que en Lima hay
una mayor concentración.

Respuesta. Primero recordemos que en las microfinancieras sobre todo en las cajas
municipales de ahorro y crédito no trabajan con su capital, sino que han conseguido la
confianza de personas que han depositado en estas instituciones, personas ponen sus
depósitos y somos responsables de esa confianza. Por lo tanto, es muy importante que los
funcionarios conozcan la probabilidad de default. Porque cuando uno sabe la probabilidad
de pérdidas arman sus presupuestos, arman una batería de políticas para atacar la cobranza
de la institución es decir mejorar la gestión de cobranza. Por ejemplo, si yo sé, que de 100
clientes la probabilidad de default 10% ya estoy preparado para implementar estrategias
para mejorar la gestión en la parte de cobranzas. Este conocimiento permitiría
implementar políticas y procedimientos para mejorar tanto el otorgamiento del crédito
como la cobranza.

pérdida?
Respuesta: esta técnica debe tener unos buenos años. Ha sido desarrollado por americanos
no estoy no estoy seguro si fue desarrollado Citibank o JP Morgan. Es una técnica en la
cual se ve el comportamiento de los clientes de izquierda a derecha es decir considera un
periodo antes cómo estuvo su comportamiento y como se encuentra en estos momentos
es una buena herramienta. Lo hemos usado en el sistema financiero, sin embargo,
283
consideró que todas las cajas municipales deberían usar la técnica de matrices de
transición por lo que sí consideró que es importante.

Respuesta. Considero que si existe una correlación. Porque de una u otra manera los
clientes que llegan a tener default van a impactar en forma directa a la cartera de alto
riesgo. Precisamente de ahí vienen las estrategias que tengan que tener las instituciones
para conocer sus probabilidades de default y con eso mitigaríamos los riesgos.

Respuesta. De todas maneras, por ejemplo. Considera que tenga alguna caja municipal
solamente agencias en la zona norte del Perú y estén concentradas, cada cierto tiempo van
a tener problemas en algún momento por un tema de clima, desbordes de ríos, por lo tanto,
el objetivo es minimizar ese riesgo. Dejar de concentrarnos en un solo lugar y poner
agencias en otras regiones, es más siguiendo el principio de las finanzas nunca poner
todos los huevos en la misma canasta. Hay que considerar que las cajas municipales deben
cumplir una función social, que es ayudar al micro empresario en todo el Perú, en la costa,
sierra en la selva, hay muchos tipos de negocios, como agricultura etc. Por lo tanto,
considero que es muy importante la diversificación geográfica en el Perú. Con ello
también se responde la pregunta 12.

Respuesta. - Considero que es una variable adecuada, por qué no tenemos la información
de los asesores de negocios por institución y, por lo tanto, una mayor aproximación, son
los empleados, por lo que se consideró que es importante ese indicador. Todos en la
empresa tenemos una posición y tenemos una función. No podemos pretender que un
empleado atienda a 200 a 300 clientes. Las instituciones para no ser ineficientes tienen
que buscar el equilibrio. Que atender clientes permita equilibrar el riesgo. Puede ser
284
que. Un asesor pueda tener 300 clientes, pero de todas maneras se debe de tener en
consideración el número de deudores por asesor o empleado.

Respuesta. - Muy bien. Considero que las 5 variables mencionadas tienen relación y
explican el riesgo de crédito, yo hubiera considéralo, Adicionalmente otras variables,
pero consideró que las mencionadas si explican el riesgo de crédito. Pregunta
abierta. Existen variables macroeconómicas, así como el riesgo país como el producto
bruto interno o como el indicador de desempleo, pero esos indicadores afectan a todas las
empresas por lo que las variables presentadas si explican en gran parte el riesgo de crédito
en las cajas municipales de ahorro y crédito.
285
Entrevistado N°3 - Paul Reyna Alcántara – 06 de octubre - 2020
Gerente de Productos microfinancieros, Gerente de agencia, Analista de Riesgos - 15 años

de experiencia en el sector microfinanciero.
Respuesta: Yo opino que el riesgo de crédito es la probabilidad del riesgo de impago de

la cartera, sin embargo, al tratarse de instituciones microfinancieras, yo le agregaría la
posibilidad de no poder identificar el riesgo de la informalidad, es decir el riesgo crediticio
de una institución es distinto de empresa formales que, de empresas informales, lo que lo
diferencia es esa característica. Por lo tanto, considero que el riesgo de crédito está
asociado a la morosidad de las instituciones.
crédito?
Respuesta: sí, creo que es un adecuado indicador, apunta a sincerar el riesgo de crédito
de una institución de microfinanzas, no obstante, recoge una foto histórica. Yo le
agregaría también poder identificar el riesgo temprano, tenemos que conocer el riesgo
acumulado que sincera la cartera, por lo que la cartera de alto riesgo es un adecuado
indicador que puede medir el riesgo de crédito.
Respuesta: Es importante porque en base a ese conocimiento se hacen los planes para
poder mitigar los riesgos crediticios en cada uno de los frentes, en los equipos, en las
políticas, en los procesos, por lo que considero de mucha importancia que las CMAC
puedan tener conocimiento de los factores que afectan su riesgo de crédito.

286
Respuesta: Si, yo creo que tiene un impacto en el riesgo de crédito, por qué está
relacionada con la concentración de cartera, y la concentración de cartera en el segmento
de microfinanzas va a definir las políticas y las tácticas de gestión de la cartera y
dependiendo de la gestión, puede establecer políticas adecuadas para el control del riesgo
crediticio. La cartera promedio debe ser un indicador en la que cualquier CMAC debe
estar pendiente ya que nos puede mostrar, en base a los montos promedios, si hay atención
al mercado objetivo.

Respuesta: Sí, sin duda considero que el sobre endeudamiento es un indicador muy
importante y de alta determinación en el riesgo crediticio. Entonces el
sobreendeudamiento tiene un alto impacto en el riesgo crediticio y sobre todo en el
segmento de microfinanzas es muy importante este factor porque sabemos que los
emprendedores van a tener diversos niveles, dependiendo si se encuentra en etapa
temprana, etapa intermedia, etapa consolidada, y dependiendo de ello va a tener el
impacto en cada microempresa.
Respuesta: de hecho considero que el principal indicador es el número de entidades, por

qué hoy el número de entidades va a exponer si las microempresas tienen una alta
probabilidad de un nivel de sobreendeudamiento, se tiene que hacer un constante
seguimiento de los clientes para ver si es que han obtenido mayores créditos en otras
instituciones para estar alertas, algunos clientes comienzan a tener créditos, ofrecidos por
los asesores, y no saben administrarlo, llegando incluso a utilizarlo en su consumo
personal o familiar.

microfinancieras?
287
Respuesta: desde mi punto de vista, de hecho, ha habido un incremento en el nivel de
instituciones de microfinanzas, en los últimos 10 años. No obstante, aún existe espacio
inmenso todavía de bancarización, no obstante, la cantidad de instituciones deudoras
tienen un espacio a pesar de la cantidad e instituciones que existen en el mercado, están
por entrar instituciones microfinancieras, lo más importante sería que la bancarización
sea mayor.

Respuesta: básicamente considero que son muy importante para tomar acciones
preventivas, la probabilidad de default nos dice cuál es la línea del comportamiento de
los clientes, y en mi experiencia hay una asociación directa con la gestión de cobranza. La
probabilidad de default nos dice cuál es el apetito de riesgos que tiene la entidad. Esta
parte de la gestión integral de riesgos.

pérdida?
Respuesta: tengo entendido que miden los comportamientos de clasificación crediticia de

los clientes. El análisis de las transiciones en los clientes debe ser oportuna, nos sirve para
tomar decisiones estratégicas, cambios en políticas, y se puede intervenir la cartera en las
diversas etapas del ciclo del crédito. Las matrices de transición serían ideales para tener
la probabilidad de pérdida de los clientes.

Respuesta: claro que sí, existe una relación entre la probabilidad de default y la cartera de
alto riesgo. Cuando estos indicadores, como la probabilidad de default dan señales de que
hay un futuro impacto o cercano finalmente esto va a incrementar la cartera de riesgo alto.
Asimismo, sirve para hacer proyecciones sobre las provisiones de la cartera.
288
Respuesta: definitivamente, aquí hay algo que se llama la tropicalización del riesgo. Es
decir que hay que entender que las regiones tienen un tipo de riesgo. Unas pueden ser
debido a un tema cultural, otras por índoles económicos, otros temas de factores y
dependiendo de cada región y la política de riesgos tienen que ser regionalizada.
Definitivamente, por lo tanto, es importante la distribución geográfica, por lo que sí puedo
afirmar que influye en el riesgo de crédito.

Respuesta: considero que si tiene un claro impacto en la gestión del asesor de

negocios. Efectivamente no tenemos un dato sobre la cantidad de asesores por cada
institución, sin embargo, podemos tener un estimado por lo que considero que está bien
que se haya relacionado con el número de empleados. Una cosa es que un asesor
administre 50 deudores otra considera 100 deudores, eso nos va a decir la capacidad de
maniobra que tiene un asesor, un administrador de cartera. No hay un número definido
de cartera por asesor, aquí la institución debe ser muy precisa en buscar el punto de
equilibrio.

Respuesta: sí considero que las cinco variables son muy importantes que pueden
determinar el riesgo de crédito. Es más, me atrevo a decir que a pesar de que conozco
otras variables las mencionadas tienen mucha lógica en explicar la cartera de alto riesgo,
tanto la cartera promedio por deudor, por qué tiene que ver con el monto del préstamos
que se da al cliente, el sobre endeudamiento qué tiene que ver el número de entidades, el
289
default de la cartera para proyectar las pérdidas, la segmentación, como importancia en
la diversificación y la cantidad de deudores por empleado, son de mucha relevancia para
lo indicado.
290
Entrevistado N°4 - Aldo Cárdenas Vasquez – 06 de octubre - 2020
Gerente de Negocios en Cajas Municipales de Ahorro y Crédito, Gerente de Negocios en

Cajas Rurales, Jefe Zonal de instituciones microfinancieras – experiencia aproximada de
25 años en el sector.
Respuesta: Lo definiría básicamente como la morosidad, asociado al no pago de clientes.

Es el mayor riesgo que encuentro en los clientes de microfinanzas, entiendo que la mora
en la medida que crezca es el mayor riesgo que se encuentra en que los clientes no pueden
pagar finalmente, llega a concretarse cuando el cliente no paga por motivos económicos,
puede ser por la pandemia puede ser por cualquier motivo, por familia, por un accidente,
pero todo concluye en que haya morosidad y eso no es saludable para ninguna institución
microfinanciera.
crédito?
Consideró que sí es un adecuado indicador, en mi experiencia sobre todo los créditos

refinanciados, son aquellos que llegan a tener más morosidad que los créditos vencidos.
Yo creo que es un indicador mucho más certero, nos dice cuál es la real cartera morosa
de una institución de microfinanzas no solamente lo que está vencido sino lo que está
refinanciado, lo que está reprogramado, por ejemplo, ahorita la pandemia nos está
diciendo que hay mucho crédito refinanciado o mejor dicho reprogramado eso hace que
las gerencias estén alertas en el corto plazo. Por lo tanto, yo sí puedo considerar, que la
cartera de alto riesgo es un indicador bastante positivo o sobretodo objetivo para medir la
cartera de una institución.
Respuesta: Es muy importante que las cajas municipales conozcan cuáles son los factores
que influyen en el riesgo de crédito, cuando uno está en el mercado, tiene que saber qué
291
es lo que va a pasar, una cosa es un mercado de ciudad urbana, otro un mercado de la
sierra otra de la costa, por ejemplo, es distinto atender a madres solas, a madres solteras
o a personas de cierta edad, ya que a la larga puede haber muchos factores que pueden
afectar la morosidad. Hay algunos estudios que se hicieron hace varios años, por ejemplo,
que las mujeres eran mejores pagadoras que los hombres, pueden existir muchos factores
macroeconómicos, sin embargo, estos golpean a todas las microfinancieras por igual; si
bien es cierto hay muchas variables que afectan a las microfinanzas, es por eso que es
muy importante que las cajas municipales tengan evidenciado cuáles son esas variables
que vienen afectando a las instituciones microfinancieras.

Respuesta: yo creo que sí. Consideró que es un buen indicador de acuerdo a la

superintendencia nos brinda información y nos permite ver el tamaño de la cartera que
manejan las instituciones microfinancieras, una cosa es que las empresas tengan un
crédito promedio de 3000 soles, otra de 8000 soles, esto es un buen indicador para saber
si nos estamos enfocando en el negocio microfinanciero, todos estos son indicadores que
nos pueden ayudar a determinar el comportamiento de nuestra morosidad. Por lo tanto,
consideró que es un indicador muy positivo, y cómo le mencioné, nos permite identificar
que no nos desviemos del monto promedio que se otorgan a los clientes. Algunas CMAC
parece que quisieran competir con los bancos y por lo tanto se desenfocan de su mercado
objetivo.

Respuesta: definitivamente sí. Desde los inicios de las microfinanzas se creían que este
negocio era contra cíclico y que no tenía límites, con el tiempo nos fuimos dando cuenta
que el mercado tenía límites y las instituciones de microfinanzas cometieron un error,
comenzaron a atacar a un mismo mercado, a todos en algunos casos lo hicieron bien, pero
en muchos casos lo hicieron mal, ya que muchas instituciones comenzaron a otorgar
292
créditos a los mismos clientes. Cabe indicar, que muchos clientes al no tener mayor
capacitación, al no tener conocimiento de las finanzas, no saben utilizar el dinero, por lo
tanto, sólo lo reciben de las instituciones y muchas veces llegan a utilizarlo para gastos
personales y con tanto dinero caen en problemas de sobreendeudamiento no pudiendo
pagar. Esto, ha venido arrastrando problemas a las instituciones microfinancieras, por eso
consideró que sí es un buen indicador el seguimiento al sobreendeudamiento, en alguna
oportunidad la superintendencia quiso limitar la atención de clientes por número de
entidades, sin embargo, esto no tuvo éxito ya que cada institución es independiente.
Respuesta: para mí, el indicador más fuerte, es el número de entidades porque puede ser
que un cliente este sobreendeudado, con tres, con cuatro entidades, inclusive con cinco
entidades, en mi experiencia he visto clientes que manejan hasta 10 entidades, por lo
tanto, para mí el número de entidades es el indicador más fuerte que puede darnos la idea
de si un cliente se encuentra sobreendeudado. Hay que tener en cuenta, los montos que
han sacado préstamos, para identificar que esté sobreendeudado el objetivo es que el
cliente pueda obtener los créditos sin mayores problemas de pago en un futuro, es decir
que su flujo de caja le permita pagar sus deudas.

microfinancieras?
Respuesta: considero que no. Esta pregunta tiene que ver mucho con la zona donde se
encuentran trabajando las cajas municipales, en algunas ciudades si hay sobreoferta como
en las principales ciudades, como la capital del Perú, en el norte, ciudades como Chiclayo,
Trujillo, Arequipa, sin embargo, hay ciudades donde aún no hay muchas entidades. En
líneas generales a mi criterio, no hay una sobreoferta de instituciones, lo que hay, es
concentración de instituciones en las principales ciudades.
293
Respuesta: es muy importante que las instituciones conozcan sus niveles de morosidad,
sus niveles de pérdidas proyectadas, esto les va a servir para realizar proyecciones sobre
sus reales ingresos, reales gastos, conocer el comportamiento de los clientes a futuro es
muy importante para realizar dichas proyecciones, esto me puede indicar, hasta dónde
puedo arriesgar y poder determinar, cuál sería el apetito de riesgo que tenga la institución,
hay que considerar mucho que la tasa de interés viene a la baja, tenemos tasas promedios
del 28% y la morosidad ha subido, por lo tanto, es de mucho interés que las instituciones,
en este caso las cajas municipales, puedan conocer cuál es la probabilidad de pérdida que
puedan tener de sus carteras.

positiva ¿considera que es una buena técnica para determinar la probabilidad de
default o pérdida?
Respuesta: He escuchado muy poco sobre esa técnica, normalmente trabajamos con
análisis de cosechas, sería muy interesante poder conocer esta nueva técnica que estoy
seguro nos daría buenos resultados, en mi experiencia, no he utilizado esa técnica.

Respuesta: definitivamente si existe una relación entre la cartera de alto riesgo y la

probabilidad de default, mientras mayor sea la probabilidad de pérdida, se puede estimar
que mayor sería la cartera de alto riesgo, esto puede llevar a problemas de
autosostenibilidad a las instituciones microfinancieras. Por lo tanto, si considero que hay
una relación entre la cartera de alto riesgo y la probabilidad de default.
294
Respuesta: Definitivamente sí considero qué existe relación de la distribución geográfica

con la cartera de alto riesgo, en mi experiencia he trabajado en muchas regiones del país,
cada región tiene su particularidad, cada región tiene sus propios problemas, la región
norte del país, la región sur, la región centro, por lo tanto, sí considero que la distribución
geográfica impacta en el riesgo de crédito. Es distinto el nivel de riesgo que hay en una
zona rural que, en una zona urbana, por ejemplo, en una zona urbana existe más riesgo de
crédito de consumo que una zona rural, para mí hay una relación directa de la zona de
atención con el riesgo, tenemos que tener en cuenta que las instituciones deben tener tasas
diferenciadas para cada región, eso sería lo óptimo.

Respuesta: Consideró que si hay una relación directa; cuando aparecieron las
microfinanzas, desde hace 40 años, se encontró que el punto óptimo de equilibrio de un
asesor era entre 400 a 500 clientes, sin embargo, los tiempos han cambiado, el número de
operaciones de antes ya no es el mismo que el de ahora, por lo tanto, las carteras de los
asesores fluctúan entre 200 a 300 clientes. Esto es muy importante porque el asesor dedica
tiempo a cada cliente, tiene que hacer seguimiento, y puede tener problemas en la
administración de su cartera. aquí existe un gran problema cuando el asesor se retira de
la institución por lo que consideró que, en esta parte, debe existir un gran apoyo del área
de recursos humanos. un reto para las instituciones, es tener el óptimo de clientes que
equilibren la rentabilidad de la cartera.
295
Respuesta: las cinco variables que me presentas, son muy importantes de acuerdo a mi
experiencia. Sería muy interesante, identificar, cuáles son aquellas variables que afectan
mayormente al riesgo de crédito, recordemos que existen muchas variables tanto
macroeconómicas como microeconómicas, por lo tanto, tenemos que ser muy finos en la
detección de nuestras variables internas, sería muy interesante, conocer cuál de las cinco
variables que me muestras es la que tiene mayor fortaleza con el riesgo de crédito. Por lo
que puedo afirmarte que, para mí, las 5 variables son fuertes, pero a mi experiencia
consideró que la de sobreendeudamiento y la de la cartera promedio por deudor son las
más importantes, ojo es dentro de mi experiencia.
296
Entrevistado N° 5 - Jorge Mejía Ramírez– 06 de octubre - 2020
Gerente Regional en Cajas Municipales de Ahorro y Crédito – Jefe Zonal en bancos

(microfinanzas), Gerente de banca – 20 años de experiencia en el sistema
microfinanciero.
Respuesta: cómo entidades microfinancieras, estamos expuestos a un nivel de riesgo, sin

embargo, es el fin de la institución el otorgar créditos, por lo que tenemos que minimizar
el riesgo. Este es un indicador que representa la morosidad, tanto es así que la
superintendencia en el Perú nos muestra que el riesgo de crédito está representado por la
morosidad de los clientes. Por eso en mi experiencia, es muy importante la originación
del crédito, hay que definir claramente su aplicación y sobre todo cumplir con la
tecnología crediticia para evitar tener riesgos que nos lleven a tener pérdidas.
crédito?
Respuesta: totalmente de acuerdo, es un indicador, que desde mi experiencia en más de

20 años lo hemos venido utilizando, lo hemos venido afinando, es un indicador clave, no
solamente te dice los créditos que están vencidos, sino que estamos incluyendo las
posibilidades de no pago de un cliente que ya tiene dificultades cómo son los créditos
refinanciados, es más, así te paguen puntual en un corto plazo, pueden generar problemas
de pago en un futuro. Imagínate, tenemos la información de los créditos que se encuentran
en cobranza judicial y en todo estado. Por lo que si considero que la cartera de alto riesgo
es un adecuado indicador.
Respuesta: En primera instancia, no sólo las gerencias son las que deben tener
conocimiento de los indicadores qué influyen en el riesgo de crédito, sino todo el
personal. Las gerencias, por supuesto, deben tener una visión más holística porque son
297
los que definen las políticas de crédito, son los que definen el apetito al riesgo, son los
que definen la tolerancia al riesgo. Eso se define en los comités de créditos, a propuesta
de las gerencias de negocio en coordinación con la gerencia de riesgos. Por eso, yo
considero que es muy importante que las gerencias conozcan cuáles son los factores que
influyen en el riesgo crediticio.

Respuesta: sí estoy de acuerdo con lo que mencionas. Tenemos que tener en cuenta que
nosotros, en las cajas municipales, tenemos un nicho de mercado que está ligado a todas
las micro y pequeñas empresas, finalmente, si nosotros tenemos un volumen de cartera
mayor, nos está indicando que el ticket promedio está siendo muy elevado, por lo tanto,
podría estar entrando en un riesgo mayor, porque nuestra tecnología crediticia nos permite
evaluar a clientes con montos promedios bajos, muchas cajas municipales tienen una
visión de competir con la banca tradicional. El no tener identificado la cartera promedio,
nos puede llevar a incrementar nuestra cartera de alto riesgo.

Respuesta: es correcto, desde mi perspectiva, si es un elemento clave que tenemos que

tener en cuenta en las cajas municipales, desde el momento del desembolso del crédito y
sobre todo luego de ello, es decir en el seguimiento al cliente. Muchos deudores reciben
créditos de otras instituciones y en su mayoría de veces no hacen uso correcto del dinero
recibido, teniendo así problemas o dificultados en los pagos a corto o mediano plazo.
Respuesta: de todas maneras, el número de entidades financieras es un indicador que nos

dice si un cliente puede estar o no sobreendeudado, sin embargo, tenemos que tener en
298
cuenta el monto de los créditos, si esos montos siguen creciendo, por lo tanto, si podemos
decir que existe un sobreendeudamiento. Puedo indicar que podríamos tener dos
indicadores, el crecimiento los montos y el número de entidades, es muy diferente que un
cliente tenga una entidad a otros que puedan tener tres o cuatro entidades. Considero que
es una variable muy importante en la evaluación las instituciones, las mismas que deben
tener políticas referentes al máximo de instituciones que puede manejar un cliente
microempresario

microfinancieras?
Respuesta: no lo consideró, al contrario, todavía tenemos una brecha muy grande de

atención para trabajar. Lo que sucede, lo que nos viene pasando, es que nos venimos
concentrando en los mismos clientes, lo que comúnmente decimos, todos nosotros
estamos rascando la misma olla, nos estamos quitando los clientes entre nosotros mismos,
por lo tanto, sería muy interesante que las instituciones microfinancieras, puedan estar
focalizadas en bancarizar, en conclusión, no consideró que exista una sobreoferta de
instituciones hay mucha brecha todavía, muy grande por atender.

Respuesta: tenemos que tener en cuenta que como entidad microfinanciera, tenemos que
generar rentabilidad, por lo tanto, necesitamos que la rentabilidad sea creciente y
sostenible en el tiempo, por lo tanto, tenemos que definir claramente cuál es la
probabilidad de pérdida de los clientes; porque finalmente si se materializa, nos puede
llevar a pérdida como institución, en síntesis, considero que es importante que esta
variable sea considerado en los procesos de gestión de cartera. Las CMAC, deben de
conocer en qué productos tenemos mayores probabilidades de que los clientes no nos
paguen, nosotros hacemos seguimiento a todos los productos. Por lo tanto, consideró que
la probabilidad de default es muy importante, y que este sea de conocimiento de todas las
CMAC, adicionalmente, nos permite hacer proyecciones sobre nuestros flujos.
299
9. ¿Tiene conocimiento sobre la técnica de matrices de transición si su respuesta es
positiva considera una buena técnica para determinar la probabilidad de default o
pérdida?
Respuesta: sí, es una muy buena técnica, en alguna oportunidad hemos utilizado las
matrices de transición, sin embargo, no hemos podido desarrollarla en forma completa,
pero sí tengo conocimiento de su uso, es donde se puede ver el comportamiento de los
clientes de un período a otro, creo que nos puede ayudar mucho en poder detectar cuáles
son los clientes que mejoran, deterioran, o empeoran en su comportamiento de pago;
además nos permite dar una mirada rápida a aquellos clientes que pueden entrar en una
probabilidad de pérdida, por lo que consideró que su uso es muy importante.

Respuesta: por supuesto que sí, por el mismo hecho que la probabilidad de default nos
indica qué clientes pueden llegar a pérdida y está muy asociado con la cartera de alto
riesgo, con esto, podemos identificar a los clientes que van a tener problemas en el pago
de sus créditos, asimismo, podemos identificar cuáles son los productos que se ven más
afectados con la probabilidad de default, considero que esta relación es muy importante
en la gestión de la cartera.

Respuesta: es muy importante, que las instituciones tengan identificadas las zonas en las
cual quieren operar o trabajar, si estamos pensando en expandir, debemos de pensar, en
qué zonas geográficas lo vamos a hacer, para trabajar en ese ámbito de atención. Por lo
tanto, si consideró que la distribución geográfica, tiene que ver o está relacionada con el
riesgo de crédito, cada región, cada provincia es diferente, por lo que cada una tiene su
riesgo; y aprovechó en decir, que es muy importante que puedan tener tasas de interés
diferenciadas. Asimismo, puedo indicar que puede existir un mayor riesgo operacional,
es decir, mayores riesgos en personas, (empleados), riesgos en procesos, cuando una zona
300
geográfica está muy lejos de la sede central se pierde un poco el manejo el control la
supervisión permanente, que es necesaria para este negocio.
12 En su experiencia. ¿Qué relación tiene la cantidad de deudores por empleado con

el riesgo de crédito?
Respuesta: definitivamente es un tema muy importante, cada institución tiene que

encontrar su punto de equilibrio, cada asesor de negocios tiene una capacidad de atención
a clientes para poder atender y tener una calidad óptima; para que la evaluación sea
objetiva, tenemos que definir un número adecuado de cartera; pasa que en algunas
instituciones microfinancieras, los asesores pueden manejar entre 300 o 400 clientes. Pero
va a depender mucho del monto de sus operaciones, asimismo, es muy importante la
experiencia del asesor de negocios, a mayor experiencia, puede manejar mayores clientes;
pero definitivamente, sí estoy de acuerdo que la cantidad de deudores por empleado
influye en el riesgo de crédito,

Respuesta: sí, considero que es las cinco variables son claves para definir el tema de la
gestión adecuada del riesgo de crédito, es más estas cinco variables, deberían ser
gestionadas por todas las cajas municipales de ahorro y crédito, las gerencias deberían
centrarse en el análisis de estas cinco variables, tenemos en cuenta que existen más
variables, sin embargo, las que me has presentado considero, desde la teoría y en mi
experiencia, que si son fundamentales para el análisis del riesgo de crédito; en caso de no
controlarlos, las instituciones pueden tener problemas de sostenibilidad. Por ejemplo, con
la cartera promedio, si vemos que el crédito promedio incrementa, significaría que nos
estamos saliendo del nicho de mercado; asimismo, con las variables de
sobreendeudamiento, el número de entidades, con la probabilidad de default o con la
distribución geográfica y los deudores por empleados. En síntesis, si consideró que deben
explicar el riesgo de crédito, sería muy interesante saber cuál de ellas explica mejor el
riesgo.
301
Anexo 21: Ejecución del Modelo de Regresión Logística en software estadístico
SPSS
1. Datos del Modelo: Vista de Variables
2. Datos del Modelo: Vista de Datos
302
3. Selección de técnica por Regresión Logística Multinomial
4. Selección de Variables input al modelo: Dependiente e Independientes (Covariables)
303
5. Selección de Estadísticos resultado del Modelo
6. Resultados de estimaciones de parámetro
304

Toledo Concha Emerson J. Factores Que Influyen en El Riesgo de Credito de Las Instituciones Microfinancieras Peruanas Compressed

Cargado por

Copyright:

Formatos disponibles

Toledo Concha Emerson J. Factores Que Influyen en El Riesgo de Credito de Las Instituciones Microfinancieras Peruanas Compressed

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Toledo Concha Emerson J. Factores Que Influyen en El Riesgo de Credito de Las Instituciones Microfinancieras Peruanas Compressed

Cargado por

Copyright:

Formatos disponibles

INSTITUTO UNIVERSITARIO

PROGRAMA DE TITULACIÓN DE DOCTORADO DE ADMINISTRACIÓN DE

Factores que influyen en el Riesgo de Crédito de las instituciones

Para optar el título profesional de: Doctor en Administración de Negocios

Toledo Concha, Emerson Jesús

Dr. Juan Carlos Rosellio

Lima, octubre 2020

A mi amigo Victor León Reyes, quien me ha acompañado, orientado y enseñado a lo

En las últimas décadas, la experiencia de la microempresa y de las microfinanzas en el

El presente trabajo de investigación busca determinar qué factores determinantes influyen

Como resultado de la investigación, se ha demostrado que el modelo propuesto en su

Palabras claves: microfinanzas, riesgo de crédito, cartera de alto riesgo, cajas

Clasificación JEL: C12, C25, C35, C81, G21, N80, O16

CAPITULO I: INTRUDUCTORIO ......................................................................................... 8

1.1. Introducción General

En ese sentido, este trabajo de investigación se centrará en validar los principales

Esta investigación es de carácter cuantitativo, cualitativo utilizando para su realización,

1.2. Realidad problemática

En un artículo de mi autoría, “Microfinanzas en el Perú y los desafíos de la Bancarización”

Las instituciones financieras que atienden a la micro y a la pequeña empresa son

En el mercado peruano participan diversas instituciones especializadas en la atención de

La sobreoferta de instituciones en el mercado microfinanciero, ha originado la búsqueda

La administración de la calidad de la cartera de créditos 3 ha venido tomando mucha

Es importante mencionar lo señalado por Aguilar y Camargo (2004), acerca de la

El otorgamiento de préstamos a los microempresarios, lleva un gran riesgo de crédito,

Gráfico 1: Indicadores financieros de las entidades especializadas en microfinanzas en

Elaboración propia: Fuente – información de COPEME – con cifras SBS dic.2019

En síntesis, es de gran importancia la participación de las Cajas Municipales de Ahorro y

1.3. Plan de Tesis

1.3.1. Formulación del problema

Según Wynarczyk (2017) en su publicación “Caja de herramientas para hacer la tesis”,

De acuerdo con lo observado en el gráfico 2, la cartera en riesgo, de las Cajas Municipales

Gráfico 2: Evolución de cartera en riesgo CMAC y Sistema microfinanciero

Elaboración propia: adecuada de la información de la SBS

• ¿Qué factores determinantes influyen directamente en el Riesgo de Crédito de las

1.3.2. Objetivo General de la Investigación

De acuerdo con lo establecido por Cesar Bernal en su libro “Metodología de la

• Determinar los factores que influyen en el Riesgo de Crédito de las instituciones

1.3.3. Objetivos específicos de trabajo

Los objetivos específicos del trabajo son:

Como anticipo de respuesta al problema que se ha planteado, se puede evidenciar que

Por lo tanto, la presente investigación identifica aspectos fundamentales que justifican su

• Perú un país de microfinanzas. - El Perú al 2019, es el segundo país, seguido de

• Brindan acceso al financiamiento de las micro y pequeñas empresas. - El

• Mejora la descentralización e inclusión financiera. - Tomamos en

• Controlar el riesgo de crédito. - El otorgamiento de créditos a la micro y pequeña

• El principal riesgo de las IMF es el crediticio. - Este crecimiento viene

Los resultados de este proyecto de investigación contribuirán al desarrollo de nuevos

Problema General Objetivo General Hipótesis General Variables Metodología de

El otorgamiento de créditos a la micro y a la pequeña empresa, se ha convertido en uno

Existen muchas oportunidades en el mundo para salir de la pobreza, en este sentido, el

If we stop thinking of the poor as victims or as a burden and start

Si dejamos de pensar en los pobres como víctimas o como una carga y

Figura 1: The Botton of the Pyramid (El Fondo de la Pirámide)

De acuerdo con lo revisado, históricamente, estos programas fueron presentando

2.2. Microfinanzas y Microcrédito

Se empieza con las definiciones de lo que es microcrédito y microfinanzas, y en qué se

Nieto (2005) en su publicación, Los antecedentes del microcrédito, menciona:

El microcrédito constituye una innovación surgida aparentemente en el

De lo mencionado, se puede afirmar que el microcrédito se constituyó como un