El presente trabajo de investigación tuvo como objetivo principal explorar perfiles de
riesgo financiero mediante análisis clúster, comparando solicitantes de crédito en Perú
y Alemania. Utiliza un enfoque cuantitativo y exploratorio basado en bases de datos
públicas, aplicando el algoritmo K-means para segmentar a los individuos según
variables socioeconómicas, laborales y crediticias. El objetivo es identificar
agrupamientos naturales que permitan comprender patrones comunes y diferencias
estructurales en el comportamiento financiero de ambos países.
En Perú, se analizaron 6,096 registros; en Alemania, 1,000. Tras estandarizar y depurar
las variables, se utilizo el método del codo como herramienta de ayuda para elegir el
número óptimo de clústeres, identificándose tres en cada país. En el caso peruano, los
clústeres reflejan una clara segmentación socioeconómica, destacando un grupo de alto
riesgo con elevada morosidad, bajo ingreso, limitada experiencia financiera y escasa
participación en el sistema crediticio. En Alemania, los perfiles son más homogéneos,
con diferencias menos marcadas, aunque se identificó un grupo con alta demanda
crediticia y scores elevados.
El análisis se complementó con variables cualitativas como nivel educativo, tipo de
vivienda y ubicación geográfica, evidenciando que el contexto peruano presenta
mayores desigualdades estructurales. La investigación concluye que el análisis clúster
permite una segmentación eficaz de los perfiles de riesgo y proporciona evidencia útil
para diseñar estrategias diferenciadas de evaluación crediticia. Asimismo, se destaca la
importancia de considerar factores contextuales al desarrollar políticas financieras
inclusivas
The main objective of this research was to explore financial risk profiles through cluster
analysis, comparing credit applicants in Peru and Germany. It uses a quantitative and
exploratory approach based on public databases, applying the K-means algorithm to
segment individuals according to socioeconomic, employment, and credit variables. The
objective is to identify natural clusters that allow us to understand common patterns and
structural differences in the financial behavior of both countries.
In Peru, 6,096 records were analyzed; in Germany, 1,000. After standardizing and
refining the variables, the elbow method was used as a tool to help select the optimal
number of clusters, identifying three in each country. In the Peruvian case, the clusters
reflect a clear socioeconomic segmentation, highlighting a high-risk group with high
delinquency, low income, limited financial experience, and limited participation in the
credit system. In Germany, the profiles are more homogeneous, with less marked
differences, although a group with high credit demand and high scores was identified.
The analysis was complemented with qualitative variables such as educational level,
housing type, and geographic location, demonstrating that the Peruvian context presents
greater structural inequalities. The research concludes that cluster analysis allows for
effective segmentation of risk profiles and provides useful evidence for designing
differentiated credit assessment strategies. It also highlights the importance of
considering contextual factors when developing inclusive financial policies.
