Perfiles de riesgo financiero mediante análisis clúster: un estudio comparativo entre Perú y Alemania

Abstract

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.