Metodología KDD (Knowledge Discovery in Databases)

Este documento recorre, de forma breve y aplicada, las 9 fases clásicas del proceso KDD utilizando un caso de riesgo crediticio bancario: predecir si un cliente será un buen o mal pagador (Good / Bad).

Fase 1: Comprensión del dominio y definición del objetivo

Contexto de negocio: Un banco alemán otorga créditos personales y necesita un modelo que apoye la decisión de aprobación, minimizando el riesgo de impago (default).

Objetivo analítico: Construir un modelo predictivo que clasifique a un solicitante de crédito como buen riesgo (Good) o mal riesgo (Bad), en función de sus características socioeconómicas y del crédito solicitado.

Pregunta de negocio: ¿Qué variables del cliente y del crédito permiten anticipar el impago, y cómo se traduce esto en una regla de decisión simple para el analista de crédito?

Fase 2: Selección del conjunto de datos

Usamos el dataset GermanCredit, incluido en el paquete caret. Contiene 1,000 solicitudes de crédito reales (anonimizadas), con variables financieras, demográficas y del historial crediticio, y la variable objetivo Class (Good/Bad).

data("GermanCredit")

cat("Dimensiones del dataset:", dim(GermanCredit)[1], "filas x",
    dim(GermanCredit)[2], "columnas\n")
## Dimensiones del dataset: 1000 filas x 62 columnas
# Vista rápida de la variable objetivo
table(GermanCredit$Class)
## 
##  Bad Good 
##  300  700
prop.table(table(GermanCredit$Class)) * 100
## 
##  Bad Good 
##   30   70

Lectura ejecutiva: el dataset está desbalanceado (~70% Good / 30% Bad), algo típico en riesgo crediticio y que debe considerarse al evaluar el modelo.

Fase 3: Limpieza y preprocesamiento de datos

Verificamos valores faltantes, duplicados y variables sin varianza (que no aportan información).

# 1. Valores faltantes
sum(is.na(GermanCredit))
## [1] 0
# 2. Duplicados
sum(duplicated(GermanCredit))
## [1] 0
# 3. Variables con varianza casi nula (no discriminan)
nzv <- nearZeroVar(GermanCredit, saveMetrics = TRUE)
vars_nzv <- rownames(nzv[nzv$nzv == TRUE, ])
length(vars_nzv)
## [1] 13
# Eliminamos esas variables de baja utilidad
credit_clean <- GermanCredit %>% select(-all_of(vars_nzv))
dim(credit_clean)
## [1] 1000   49

Lectura ejecutiva: el dataset no tiene NAs ni duplicados (ya viene curado), pero sí 13 variables casi constantes que se descartan por no aportar poder predictivo.

Fase 4: Reducción y transformación de datos

Seleccionamos un subconjunto interpretable de variables clave para el ejemplo (reducción dimensional guiada por negocio) y transformamos la variable objetivo a factor con niveles explícitos.

vars_negocio <- c("Duration", "Amount", "InstallmentRatePercentage", "Age",
                   "NumberExistingCredits", "ResidenceDuration", "Class")

credit_model <- credit_clean %>% select(all_of(vars_negocio))

# Aseguramos el factor de la variable objetivo con niveles legibles
credit_model$Class <- factor(credit_model$Class, levels = c("Good", "Bad"))

str(credit_model)
## 'data.frame':    1000 obs. of  7 variables:
##  $ Duration                 : int  6 48 12 42 24 36 24 36 12 30 ...
##  $ Amount                   : int  1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
##  $ InstallmentRatePercentage: int  4 2 2 2 3 2 3 2 2 4 ...
##  $ Age                      : int  67 22 49 45 53 35 53 35 61 28 ...
##  $ NumberExistingCredits    : int  2 1 1 1 2 1 1 1 1 2 ...
##  $ ResidenceDuration        : int  4 2 3 4 4 4 4 2 4 2 ...
##  $ Class                    : Factor w/ 2 levels "Good","Bad": 1 2 1 1 2 1 1 1 1 2 ...
# Correlación entre variables numéricas (detectar redundancia)
corrplot(cor(credit_model %>% select(-Class)), method = "number", type = "upper",
         tl.cex = 0.8, number.cex = 0.7)

Lectura ejecutiva: reducimos de decenas de variables dummy a 6 variables de negocio directamente interpretables (monto, plazo, edad, cuotas, créditos previos, antigüedad de residencia). No se observan correlaciones fuertes que obliguen a eliminar variables adicionales.

Fase 5: Elección de la tarea de Minería de Datos

Tarea seleccionada: Clasificación supervisada binaria.

Se elige clasificación (y no clustering o asociación) porque contamos con la variable objetivo etiquetada (Class) y el negocio necesita una predicción accionable (aprobar/rechazar), no solo segmentos o reglas de asociación.

Fase 6: Elección del algoritmo de Minería de Datos

Algoritmo seleccionado: Árbol de Decisión (CART / rpart).

Justificación para un contexto bancario:

  • Interpretabilidad: genera reglas de negocio explícitas (“si Duration > 22 meses y Amount > 5000 → riesgo alto”), auditables por el área de riesgo.
  • Sin supuestos de linealidad ni normalidad, a diferencia de regresión logística clásica en su forma simple.
  • Rapidez de entrenamiento y explicación en contextos ejecutivos.

Fase 7: Minería de Datos (Data Mining)

Dividimos en entrenamiento/prueba y entrenamos el árbol de decisión.

set.seed(123)
idx <- createDataPartition(credit_model$Class, p = 0.7, list = FALSE)
train <- credit_model[idx, ]
test  <- credit_model[-idx, ]

modelo_arbol <- rpart(Class ~ ., data = train, method = "class",
                       control = rpart.control(maxdepth = 4, cp = 0.01))

rpart.plot(modelo_arbol, type = 3, extra = 104, fallen.leaves = TRUE,
           main = "Árbol de Decisión: Riesgo Crediticio", cex = 0.7)

Lectura ejecutiva: el árbol resultante muestra de forma visual las combinaciones de variables (duración del crédito, monto, edad) que separan a los buenos de los malos pagadores, con el porcentaje de casos en cada nodo.

Fase 8: Evaluación e interpretación de patrones

Evaluamos el modelo sobre el conjunto de prueba y revisamos qué variables pesan más.

pred <- predict(modelo_arbol, test, type = "class")

matriz_conf <- confusionMatrix(pred, test$Class, positive = "Bad")
matriz_conf
## Confusion Matrix and Statistics
## 
##           Reference
## Prediction Good Bad
##       Good  199  73
##       Bad    11  17
##                                           
##                Accuracy : 0.72            
##                  95% CI : (0.6655, 0.7701)
##     No Information Rate : 0.7             
##     P-Value [Acc > NIR] : 0.2456          
##                                           
##                   Kappa : 0.17            
##                                           
##  Mcnemar's Test P-Value : 2.821e-11       
##                                           
##             Sensitivity : 0.18889         
##             Specificity : 0.94762         
##          Pos Pred Value : 0.60714         
##          Neg Pred Value : 0.73162         
##              Prevalence : 0.30000         
##          Detection Rate : 0.05667         
##    Detection Prevalence : 0.09333         
##       Balanced Accuracy : 0.56825         
##                                           
##        'Positive' Class : Bad             
## 
# Importancia de variables
importancia <- modelo_arbol$variable.importance
barplot(sort(importancia, decreasing = TRUE), las = 2, cex.names = 0.8,
        main = "Importancia de Variables", col = "steelblue")

Lectura ejecutiva:

  • La exactitud (Accuracy) obtenida indica qué tan bien clasifica el modelo en general.
  • La Sensibilidad hacia la clase Bad es clave: interesa detectar bien a los clientes de alto riesgo, aunque el dataset esté desbalanceado.
  • Duration (plazo del crédito) y Amount (monto) resultan las variables más predictivas, coincidiendo con la intuición de negocio: créditos largos y de monto alto concentran más riesgo.

Fase 9: Consolidación y uso del conocimiento descubierto

Conocimiento accionable extraído:

  1. Los créditos con plazos largos (>24 meses) y montos elevados concentran la mayor proporción de mal riesgo.
  2. La edad actúa como factor moderador: clientes más jóvenes con créditos largos muestran mayor riesgo relativo.
  3. Estas reglas pueden convertirse en un score simple o checklist para el analista de crédito en el punto de originación.

Consolidación técnica: el modelo se guarda para su uso en producción (por ejemplo, integrado a un sistema de scoring o a un dashboard de aprobación).

saveRDS(modelo_arbol, "modelo_riesgo_credito.rds")
cat("Modelo guardado como 'modelo_riesgo_credito.rds' para su despliegue.\n")
## Modelo guardado como 'modelo_riesgo_credito.rds' para su despliegue.

Próximos pasos sugeridos para el negocio:

  • Validar el modelo con datos más recientes (monitoreo de drift).
  • Comparar contra un modelo de regresión logística o random forest como línea base de desempeño.
  • Definir el punto de corte (umbral) de decisión según el apetito de riesgo del banco.

Resumen del proceso KDD recorrido

Fase Resultado clave
1. Comprensión del dominio Objetivo: predecir riesgo crediticio
2. Selección de datos Dataset GermanCredit (1,000 registros)
3. Limpieza Sin NAs/duplicados; se eliminan variables casi constantes
4. Reducción/Transformación 6 variables de negocio interpretables
5. Tarea de minería Clasificación supervisada binaria
6. Algoritmo Árbol de decisión (CART)
7. Minería de datos Entrenamiento del árbol sobre 70% de los datos
8. Evaluación Matriz de confusión + importancia de variables
9. Consolidación Modelo exportado (.rds) + reglas de negocio accionables