ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
SISTEMAS DE INFORMACIÓN GERENCIAL Y TOMA DE  
DECISIONES EN LA GESTIÓN DE CARTERA DEL SECTOR  
FINANCIERO  
MANAGEMENT INFORMATION SYSTEMS AND DECISION-  
MAKING IN PORTFOLIO MANAGEMENT WITHIN THE  
FINANCIAL SECTOR  
Ivan Andres Barrionuevo Freire1, Evelyn Jordana Molina Llumitasig 2, Walter Ramiro  
Jimenez Silva3  
{ibarrionuevo9023@uta.edu.ec1, emolina3363@uta.edu.ec2, walterjimenez@uta.edu.ec3}  
Fecha de recepción: 07/10/2026  
/ Fecha de aceptación: 03/11/2026  
/ Fecha de publicación: 09/11/2026  
RESUMEN: La gestión de cartera es clave para las instituciones financieras, pues  
vigilar la morosidad y las gestiones de cobranza exige información ordenada y  
disponible a tiempo para decidir con criterio. Por ello, esta investigación tuvo como  
objetivo analizar cómo los sistemas de información gerencial junto con Power BI,  
pueden ayudar la toma de decisiones en la gestión de cartera del sector financiero. El  
estudio siguió un enfoque cuantitativo, de alcance descriptivo y de diseño no  
experimental, con los métodos inductivo-deductivo y de análisis síntesis, y se apoyó  
en la revisión bibliográfica y de campo. A partir de estadísticas públicas de la  
Superintendencia de economía popular y solidaria, se construyó una base sintética de  
1.078 registros, tomando como referencia las cooperativas del segmento 2 y los  
créditos de consumo de julio de 2026. Los datos se preparan en Power BI mediante un  
proceso de extracción, transformación y carga (ETL). Como resultado, se crearon 3  
dashboards interactivos: uno para analizar la cartera en mora, otro para seguir las  
gestiones de cobranza y otro para identificar las operaciones que podrían requerir  
mayor atención de la administración. Gracias a los filtros interactivos, estos tableros  
permiten consultar los indicadores desde distintos criterios. Se concluye que los  
sistemas de información gerencial, apoyados en inteligencia de negocios, ofrecen la  
posibilidad de convertir los datos en información útil para ana lizar y decidir; sin  
embargo, cómo los registros son sintéticos los resultados no demuestran una mejora  
real en la recuperación de cartera.  
Palabras clave: sistemas de información gerencial; gestión de cartera; toma de  
decisiones; Power BI; inteligencia de negocios  
ABSTRACT: Portfolio management is a key element for financial institutions, since  
monitoring delinquency and collection activities requires organized, timely  
1Universidad Técnica de Ambato, https://orcid.org/0009-0000-5264-4148  
2Universidad Técnica de Ambato, https://orcid.org/0009-0003-1575-2934  
3Universidad Técnica de Ambato, https://orcid.org/0000-0001-8373-3549  
94  
   
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
information to support well‑informed decision‑making. For this reason, the present  
research aimed to analyze how management information systems together with  
PowerꢀBI can support decision‑making in portfolio management within the financial  
sector. The study adopted a quantitative approach, with a descriptive scope and a  
non‑experimental design; it used inductive‑deductive and synthesis‑analysis  
methods, supported by both bibliographic and field research. Based on public  
statistics from the Superintendency of Popular and Solidarity Economy, a synthetic  
database ofꢀ1,078 records was built, taking Segmentꢀ2 cooperatives and consumer  
credits corresponding to Julyꢀ2026 as the reference. The data were prepared in  
PowerꢀBI through an extraction, transformation and loading (ETL) process. As a result,  
three interactive dashboards were developed: one to analyze delinquent portfolio,  
another to track collection management, and a third to identify operations that might  
require greater administrative attention. Thanks to interactive filters, these  
dashboards allow consulting indicators under different criteria. The conclusion is that  
management information systems, supported by business intelligence, make it  
possible to turn available data into useful information for analysis and  
decision‑making; nevertheless, given that the records used are synthetic, the findings  
do not prove an actual improvement in portfolio recovery.  
Keywords: management information systems; portfolio management; decision-  
making; Power BI; business intelligence  
INTRODUCCIÓN  
Un crédito que se atrasa hoy es liquidez que la cooperativa no tendrá mañana. En las  
cooperativas de ahorro y crédito, donde la confianza de los socios depende de que los  
recursos colocados regresen, la morosidad deja de ser una cifra contable y pasa  
amenazar la estabilidad de la institución (1). Se identificó que las cooperativas de ahorro  
y crédito del segmento 2 presentaban dificultades en la recuperación de cartera debido  
a los elevados niveles de morosidad y a la limitada aplicación de estrategias de cobranza,  
a partir de información publicada por la Superintendencia de Economía Popular y  
Solidaria (SEPS) (2), y por eso se destaca la necesidad de fortalecer el seguimiento de la  
cartera. El desafío, sin embargo, no es solo cobrar: es detectar a tiempo que créditos se  
deterioran, eso exige a contar con información ordenada y centralizada, no con datos  
dispersos.  
Esa es precisamente la función de los sistemas de información gerencial (SIG), que  
organiza y procesan los datos de la operación para entregar a la gerencia información  
clasificada con cual se pueda decidir. La calidad y la confiabilidad (3) de la información  
inciden directamente en las decisiones organizacionales y financieras, se identificó una  
relación significativa entre el uso de estos sistemas y la satisfacción con la toma de  
decisiones en entidades públicas y privadas.  
Saber dónde mirar importa tanto como contar con los datos. En Ecuador, las SEPS agrupa  
a las entidades del Sector Financiero Popular y Solidario en cinco segmentos según sus  
activos, desde las cooperativas con más de USD 80 millones (segmento 1) hasta las de  
95  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
USD 1 millón (segmento 5), lo que determinan su nivel de supervisión y su capacidad  
operativa (4). Pero el problema no distingue tamaños: identificaron que incluso las  
cooperativas que se encuentran en el segmento 2 enfrentan dificultades para controlar  
su morosidad cuando fallan indicadores internos como la rentabilidad sobre sus activos  
o a la cobertura de cartera problemática (5). Este estudio se centra en una cooperativa  
del segmento 2 con matriz en la provincia de Tungurahua (Zona 3) y sucursales a nivel  
nacional, se trabaja con registros individuales sintéticos que permiten ilustrar el  
funcionamiento de la herramienta, protegiendo la privacidad de los socios y la  
confidencialidad de su información.  
Dentro de la cartera, además, no todos los atrasos pesan igual. La calificación de la  
cartera se establece en base a los días de morosidad y al tipo de crédito que pertenece  
(6). Para la cartera de consumo se contemplan las categorías A1, A2 y A3, que  
corresponden a un riego normal; B1y B2, riesgo potencial; C1 y C2, riesgo deficiente; D,  
dudoso recaudo y E, a la categoría de perdida. Esta escala funciona como lenguaje  
común para priorizar la cobranza y se adopta aquí como criterio para organizar la  
cartera. Sin embargo, disponer de esta clasificación no es suficiente: se necesita  
consultarla de forma ágil y oportuna, y es ahí donde los tableros cobran verdadero  
sentido. La inteligencia de negocios reúne, ordena y presenta la información para  
respaldar cada decisión (7), y un panel interactivo hace realidad ese propósito:  
concentra en un mismo espacio los indicadores más importantes y permite profundizar  
en cada caso concreto, sin depender de la elaboración manual de informes.  
Power BI estructura estos tableros interactivos para examinar la cartera por agencia,  
calificación de riesgo y resultados de cobranza, con lo cual el gestor ve de inmediato  
dónde se concentra la mora y qué gestiones tienen efecto; esto no implica, por sí solo,  
una menor morosidad. Dicha estructura la aplicaron en el área de inversiones de una  
cooperativa: mediante un proceso de extracción, transformación y carga (ETL)  
corrigieron inconsistencias en los datos de Excel y construyeron dashboards con  
indicadores de sucursales, asesores y operaciones que respondían preguntas financieras  
concretas (8). De este modo, los datos pasan por un proceso de transformación que los  
convierte en indicadores claros y luego se muestran en tableros sencillos de leer: esa es  
la forma en que los sistemas de información gerencial se complementan con la  
inteligencia de negocios.  
Con este propósito, el presente trabajo examina cómo se puede aplicar un sistema de  
información gerencial usando tableros en PowerꢀBI para respaldar las decisiones en la  
gestión de cartera. Para ello, se presenta la situación de la cartera vencida, el avance de  
las labores de cobranza y los grupos que necesitan cuidado prioritario, todo ello  
construido sobre un escenario de análisis elaborado con base en información estadística  
pública.  
96  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
MATERIALES Y MÉTODOS  
Para el desarrollo de la investigación se emplearon métodos teóricos como el inductivo-  
deductivo y análisis-síntesis para examinar la información recopilada e interpretar los  
resultados obtenidos de una manera integrada con un enfoque cuantitativo y alcance  
descriptivo para poder analizar los datos con mayor importancia. El enfoque cuantitativo  
ayudo al estudio de variables numéricas con la elaboración de indicadores, promedios y  
porcentajes, mientras que el alcance descriptivo facilito identificar las características  
principales.  
Se optó por un diseño no experimental, lo que permitió observar la realidad tal como se  
presenta, sin alterar ni intervenir las condiciones del entorno analizado. Como respaldo  
complementario, se recurrió a fuentes bibliográficas, documentales y al trabajo de  
campo, que facilitaron la recopilación de información y permitieron comprender a fondo  
los procesos administrativos vinculados a la recuperación de cartera. Para procesar y  
presentar los datos, se empleó PowerꢀBI, herramienta con la que se estructuró la  
información y se elaboraron los tableros de control necesarios para examinar los  
resultados obtenidos.  
Para la fundamentación teórica se realizó una revisión de la literatura en bases de datos  
como Google Académico, Scopus, y Scielo, en este proceso se utilizaron palabras clave  
como sistemas de información gerencial, Power BI, análisis de datos, sector financiero,  
además de gestión de cartera y toma de decisiones. Posteriormente se consideraron  
publicaciones en inglés como en español que permiten identificar antecedentes y  
enfoques que se relacionen con la aplicación de herramientas tecnológicas en los  
procesos administrativos. Esta revisión ayudo a entender la importancia de los sistemas  
de información gerencial en las organizaciones y la relación que tiene con el  
procesamiento de datos para apoyar la toma de decisiones. Por otra parte, se revisaron  
distintos trabajos sobre el uso de la inteligencia de negocios, con el propósito de  
construir el sustento teórico que respalda este estudio.  
En lo que respecta al trabajo de campo, se entrevistó al responsable del área de  
cobranza de una cooperativa de ahorro y crédito del segmentoꢀ2. El objetivo fue conocer  
de cerca cómo se da seguimiento a cada obligación y cómo se llevan adelante las  
gestiones de recuperación. La información obtenida sirvió para comprender mejor la  
dinámica diaria de estas actividades y los procedimientos administrativos que las rigen.  
Además, facilito conocer de manera general como se realiza el seguimiento de créditos  
y que actividades hacen parte del proceso de recuperación de cartera.  
Para delimitar el escenario de análisis se utilizó información estadística publica de la  
Superintendencia de Economía Popular y Solidaria Data SEPS. Se indica que se filtró en  
Data SEPS (julio de 2026, crédito de consumo, segmento 2 obteniendo 1.078  
operaciones para dimensionar la base sintética. Dado que Data SEPS reporta balances y  
tasas agregadas por cooperativa y no bases de clientes individuales ni registros de  
llamadas se utilizaron dos fuentes de información.  
97  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
La primera correspondió a DataSEPS, de donde se tomó como referencia un total de  
1.078 operaciones de crédito de consumo del segmento 2, correspondientes a julio de  
2026, para establecer el tamaño de la base. La segunda fue una entrevista al gestor del  
departamento de cobranzas de una cooperativa del mismo segmento, mediante la cual  
se identificaron los campos utilizados en el seguimiento de las obligaciones crediticias.  
A partir de esta información se generaron 1.078 registros simulados, distribuidos entre  
13 agencias y 52 identificadores de asesores.  
Se incorporaron variables como deuda inicial, saldo, valor para estar al día, días de mora,  
calificación crediticia y resultados de gestión. Los saldos oscilaron entre USD 105,14 y  
USD 23.476,70, mientras que los días de mora se situaron entre 0 y 316. Además, se  
establecieron cuatro categorías de resultados de cobranza: «Contesta», «No contesta»,  
«Compromiso de pago» y «Otros». Los valores individuales fueron generados mediante  
simulación con fines académicos y no corresponden a información real de socios, por lo  
que su utilización se limitó al desarrollo de indicadores y tableros de control en Power  
BI.  
Esta información permitió reconocer un escenario relacionado con las características del  
sector financiero popular y solidario, la base sintética se desarrolló mediante registros  
simulados que permitieron representar las diferentes situaciones de morosidad y  
resultados de cobranza. Posteriormente se organizó para el procesamiento en Power BI  
para la elaboración de los tableros interactivos orientados al análisis de la cartera en  
mora, seguimiento de cobranza y el apoyo a la toma de decisiones administrativas.  
RESULTADOS  
Gestión de cartera y su relación con los sistemas de información gerencial  
En la cobranza, unir los indicadores del crédito con los resultados de la gestión permite  
ver una misma cartera desde varios ángulos. Los saldos y los días de mora muestran en  
qué situación están las deudas, mientras que los registros de contacto y los  
compromisos de pago cuentan que se ha hecho para recuperarlas. Al analizarlos juntos  
se pueden detectar los grupos que merecen una revisión más cercana. Eso sí, convienen  
no confundir un compromiso de pago registrado con un pago realmente recuperado,  
porque son resultados distintos.  
La preparación de los 1ꢀ078 registros permitió depurar inconsistencias y organizar los  
datos en campos uniformes, lo que constituye la base indispensable para cualquier  
análisis fiable. Se crearon variables auxiliares que facilitaron la lectura: el nivel de riesgo  
agrupó las calificaciones en categorías comprensibles, mientras que el orden de  
calificación estableció una secuencia lógica desde A1 hasta E para que las visualizaciones  
se presenten en la secuencia correcta.  
Con base en estos antecedentes, este estudio une la gestión de la información financiera  
con la inteligencia de negocios a través de tres dashboards creados en Power BI. El  
primero ofrece una mirada general de la cartera en mora. La segunda muestra los  
98  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
resultados de las gestiones de cobranza. El tercero ayuda a ubicar las operaciones que  
podrían necesitar más atención, según su calificación de riesgo, sus días de mora, su  
saldo y el resultado de la gestión. Gracias a los filtros interactivos, el usuario puede pasar  
de una vista general a un análisis puntual. La propuesta se ilustra con datos sintéticos,  
por lo que los resultados representan un escenario de análisis y no puedan, por sí solos,  
mejoras reales en la recuperación de la cartera.  
Proceso ETL de los datos  
Para el desarrollo del análisis se utilizó la base de datos sintética conformada por 1078  
registros, previamente estructurada en Microsoft Excel con información relacionada a  
la gestión de cobranzas, teniendo algunas variables principales como los valores para  
estar al día, los días de mora o los resultados de las gestiones con la finalidad de poder  
preparar los datos.  
Posteriormente se realizó el proceso de extracción, transformación y carga (ETL).  
Extracción: dicha información se extrae de Microsoft Excel generado por las 1.078  
operaciones vigentes de DataSEPS siendo la base sintética para estudio  
Transformación: Para el proceso de transformación se revisaron los datos comprobando  
campos numéricos, categóricos y creando variables adicionales asimismo eliminando  
celdas vacías  
Durante esta etapa se generaron variables complementarias para facilitar la  
interpretación y visualización de la información, la primera es el nivel de riesgo que se  
creó a partir de las diferentes calificaciones que van desde A1 hasta la E. La segunda es  
el orden de calificación donde se estableció una secuencia desde A1 hasta E para que  
posteriormente se puedan visualizar de manera correcta  
Carga: Cuando ya se preparó la información, se procede a exportar de Microsoft Excel al  
modelo de Power BI para poder construir los indicadores y visualizaciones con la  
finalidad de poder tomar decisiones acertadas  
Una vez que se finalizó con el proceso ETL y con la información en Power BI, se procedió  
a la construcción de varias medidas e indicadores que nos van a permitir analizar de  
mejor manera la cartera y poder desarrollar tableros visuales  
Construcción de Indicadores  
Posteriormente de realizar el proceso de extracción, transformación y carga (ETL), se  
realizó la construcción de varios indicadores mediante el lenguaje de expresiones de  
análisis de datos DAX en Power BI para la construcción de medidas. Estos indicadores  
nos permiten analizar y organizar la información relacionada con morosidad, saldos,  
gestiones de cobranza y riesgo crediticio. Esto permitió que se facilitara el análisis de  
cartera desde diferentes perspectivas  
99  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
Con el propósito de estructurar el análisis se agruparon los indicadores en tres  
categorías. El primero se orientó al diagnóstico de la cartera mediante los socios en  
mora, saldo en mora, valores para estar al día y el promedio de días de atraso. El  
segundo se enfocó en el seguimiento de cobranza considerando el total de gestiones,  
tasa de contacto y tasa de compromisos de pago. Finalmente, el tercer grupo permitió  
identificar los segmentos que requieren mayor atención en base a la concentración de  
saldos y la categoría correspondiente de riesgo crediticio  
Tabla 1. Indicadores desarrollados en Power BI.  
Dimensión de análisis  
Indicador  
Finalidad  
Cartera en Mora  
Socios en mora  
Cuantificar los socios con  
obligaciones en mora  
Cartera en Mora  
Cartera en Mora  
Cartera en Mora  
Saldo en mora  
Determinar el saldo de las  
operaciones  
retrasos  
que  
presentan  
Valor para estar al día  
Promedio de días de mora  
Cuantificar el valor necesario  
para regularizar obligaciones  
vencidas  
Determinar el promedio de  
atraso de las operaciones en  
mora  
Gestión de Cobranza  
Gestión de Cobranza  
Total de gestiones  
Tasa de contacto  
Cuantificar los registros de  
gestión de cobranza  
Determinar la proporción de  
gestiones con un resultado  
distinto a “No contesta”  
Gestión de Cobranza  
Tasa de compromiso de pago  
Determinar la proporción de  
gestiones clasificadas como  
“Compromiso de pago”  
Priorización de Cartera  
Priorización de Cartera  
Priorización de Cartera  
Priorización de Cartera  
Saldo C1-E  
Socios C1-E  
Saldo D-E  
Socios D-E  
Cuantificar  
categorías C1,C2,D y E  
Cuantificar  
registrados  
Cuantificar el saldo de las  
categorías D y E  
el  
saldo  
de  
los  
socios  
Cuantificar  
los  
socios  
registrados en las categorías D y  
E
Una vez establecidos los indicadores se incorporaron en tres tableros interactivos, cada  
uno de estos tableros responde a diferentes necesidades de información relacionadas a  
la gestión de cartera. El primer tablero responde al diagnóstico de la cartera, su  
morosidad y la distribución dependiendo de agencia, calificación y nivel de riesgo; el  
segundo nos ayuda a revisar las diferentes gestiones de cobranzas y el tercero fue  
destinado a identificar los segmentos de cartera que requieren mayor atención. A partir  
de esta estructura la información procesada se presentó mediante visualizaciones que  
facilitan la interpretación y toma de decisiones administrativas.  
100  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
Análisis general de la cartera en mora  
Una vez culminados los indicadores, se desarrolló el primer tablero interactivo  
denominado análisis general de la cartera en mora que nos ayudara a analizar en qué  
situación se encuentra la cartera en mora y observar las obligaciones vencidas según las  
operaciones crediticias. Asimismo, se consideró variables como el saldo pendiente, los  
días de mora, agencia, calificación crediticia y nivel de riesgo, de este modo tenemos  
una visión clara de toda la información procesada.  
Para la elaboración del tablero se incorporaron algunos indicadores: socios en mora,  
saldo en mora, valor para estar al día y promedio de días de mora. Por otra parte, se  
incluyeron gráficos que permiten visualizar como se distribuye el saldo según las  
agencias, la clasificación crediticia y los niveles de riesgo. Finalmente se incorporaron  
filtros para poder segmentar según las necesidades ya que estos nos ayudaran a la  
exploración de la información.  
Figura 1. Análisis general de la cartera en mora  
Nota. Elaboración propia a partir de una base de datos sintética procesada mediante Power BI  
De acuerdo con los resultados presentados en la figura 1, se registra un total de 1044  
socios que se encuentran en mora, con un saldo pendiente aproximado de 7.42 millones  
y un valor para estar al día de 791,12 mil requerido para cumplir las obligaciones  
pendientes. De igual manera se puede observar un promedio de 56 días de mora. En  
cuanto a las agencias en Riobamba y Ambato se puede evidenciar las mayores  
concentraciones de saldo, mientras que en Guayaquil se observa uno de los valores más  
bajos. Por otra parte, en cuanto a la calificación crediticia se observa que en A3 se  
concentra la mayor proporción de mora, con un 28,05%.  
101  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
A partir de los resultados obtenidos, podemos evidenciar la distribución de cartera en  
mora entre las diferentes agencias y categorías de riesgo crediticio. En este sentido, el  
tablero nos permite observar en donde se encuentra la mayor concentración de saldos  
pendientes para identificar los segmentos que requieren un seguimiento más detallado.  
De este modo, la incorporación de los indicadores en Power BI ayuda al análisis de la  
información y al apoyo para dirigir las decisiones administrativas con respecto a la  
gestión de cartera.  
Análisis de la gestión de cobranza  
Como adicional al análisis general de la cartera en mora, se realizó un segundo tablero  
interactivo, con el fin de revisar las gestiones registradas en cuanto a las operaciones  
crediticias. Con este tablero vamos a examinar los resultados de cobranzas mediante los  
indicadores vinculados con el contacto y los compromisos de pago, de igual forma se  
considera la distribución por agencia, asesor y su calificación crediticia. De esta manera,  
se incluye un punto de vista que agrega la información financiera presentada en el  
primer tablero.  
Para la construcción del tablero se añadieron indicadores que corresponden al total de  
las gestiones realizadas, la tasa de contacto con los socios y la tasa de compromiso de  
pago, para poder presentar una visión general de los resultados que se registran.  
Asimismo, se ordenaron visualizaciones que permiten detallar o filtrar las gestiones  
según las agencias, los asesores encargados y la calificación crediticia. Por otra parte, se  
consideraron las gestiones generales de cobranzas para distinguir las respuestas  
registradas durante el seguimiento de las obligaciones.  
Figura 2. Análisis de la gestión de cobranza.  
Nota. Elaboración propia a partir de una base de datos sintética procesada mediante Power BI  
102  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
En la Figura 1 se estableció que hay 1.044 socios en mora (categorías A2 a E), lo que  
significa que los 34 socios restantes (para llegar a los 1.078 de la base) pertenecen a la  
categoría A1. Sin embargo, en la tabla de la Figura 2, la fila de la categoría A1 suma  
exactamente 34 gestiones de cobranza (14 compromisos de pago, 12 contesta, 7 no  
contesta, 1 otros). Estos se contemplan como una medida preventiva antes de su  
vencimiento.  
Se puede evidenciar los resultados de las gestiones con 365 registros que corresponden  
a la categoría de No contesta, seguida de 329 con Contesta y 269 con compromiso de  
pago. En cuanto a la distribución por agencia se pudo analizar que Riobamba y Ambato  
contienen la mayoría de gestiones. Estos resultados evidencian los diferentes registros  
de las operaciones crediticias.  
A partir de los resultados obtenidos, se logró determinar que en la mayoría de las  
gestiones registradas no se presentó respuesta por parte de los socios. En este sentido,  
poder clasificar los resultados de las gestiones de cobranzas permite visualizar cuales  
derivaron en compromisos de pago y de aquellas que se necesita nueva revisión.  
Asimismo, el poder analizar por agencia y asesor proporciona información que puede  
ayudar a la organización de las actividades de cobranza identificando oportunidades de  
mejora.  
Apoyo a la toma de decisiones  
A partir de los análisis en los tableros anteriores, se diseñó un tercer tablero interactivo  
denominado Apoyo a la toma de decisiones en la gestión de cartera, para poder  
identificar de mejor manera los segmentos que requieren mayor atención  
administrativa. Para lograrlo se integraron varios indicadores relacionados con el saldo  
pendiente, la cantidad de socios y los resultados de las gestiones de cobranza. Esta  
estructura ayudó a recopilar la información más relevante de la cartera en determinadas  
categorías.  
Para la construcción del tablero se incorporaron cuatro indicadores principales, se  
incorporó saldo y número de socios que pertenecen a las categorías C1-E, así mismo, el  
saldo y número de socios de las categorías D-E. Adicionalmente se implementaron  
complementos visuales para examinar la distribución del saldo C1-E según las gestiones  
de cobranzas y agencias. Adicionalmente se incorporó una tabla con cada detalle sobre  
las operaciones crediticias que están por recuperarse. Finalmente, los filtros interactivos  
por agencia, asesor, calificación y resultado de gestión ayudan a realizar consultas  
específicas de los segmentos analizados como en la Figura 3.  
103  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
Figura 3. Apoyo a la toma de decisiones en la gestión de cartera  
Nota. Elaboración propia a partir de una base de datos sintética procesada mediante Power BI  
De acuerdo con los resultados analizados en la Figura 3, las categorías comprendidas  
entre C1 y E registraron un saldo pendiente de aproximadamente USD 2,47 millones que  
corresponden a 333 socios. Asimismo, las categorías D y E concentraron 866,08 mil  
asociados a 120 socios. Por otra parte, al evaluar las distribuciones por agencia  
Quisapincha registro la mayor concentración de saldo seguida de Ambato y Latacunga.  
Estos hallazgos ayudan a identificar las diferencias de distribución de cartera según su  
calificación, ubicación de las operaciones y resultados de gestión obtenidos.  
A partir de los resultados obtenidos, se distingue que la incorporación de indicadores  
financieros y los varios registros de cobranzas ayuda a reconocer los segmentos de  
cartera que necesitan un seguimiento más detallado. De esta manera la concentración  
de saldos en determinadas categorías crediticias junto con los resultados de contacto,  
facilita información que puede guiar la priorización de las actividades de cobranza. De  
esta manera, el tablero se convierte en una herramienta de apoyo para organizar la  
información y fundamentar las decisiones relacionadas con cartera  
CASOS PRACTICOS  
¿Cuál es la situación de la cartera en mora de la agencia Riobamba y como se distribuye  
su saldo según la calificación crediticia y nivel de riesgo?  
104  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
El tablero “Análisis general de cartera en mora” ofrece una visión clara en donde se  
puede identificar que existen 99 socios en mora, con un saldo pendiente de 718,45 mil  
y un valor de 72,320 mil para estar al día en sus obligaciones. Asimismo, en la  
distribución por calificación crediticia se puede identificar que la categoría A3 concentro  
mayor proporción de saldo seguido por B1.  
A partir de estos hallazgos, se evidencia que el tablero ayuda a examinar la situación  
particular de una agencia y ayuda a identificar las categorías que concentran mayores  
saldos pendientes. Esta información podría contribuir a revisar las operaciones con  
mayores días de mora y establecer prioridades de seguimiento considerando la  
calificación de riesgo. De esta manera se puede facilitar el análisis de cartera y  
proporciona un apoyo fundamental para la gestión administrativa  
¿Como se distribuyen los resultados de las gestiones de cobranza de las categorías B1  
y B2 en las agencias Ambato, Riobamba y Quisapincha, y que aspectos requieren  
mayor seguimiento?  
105  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
Al ejecutar los filtros correspondientes en las agencias Ambato, Riobamba y  
Quisapincha, con las calificaciones crediticias B1 y B2, se puede visualizar 75 registros  
realizados por cobranza. De este total el 70,7% corresponde a la tasa de contacto,  
mientras que solamente el 36% se registró como compromisos de pago. Asimismo, los  
resultados específicos se puede evidenciar 27 compromisos de pago, 15 registros de  
contacto, 22 sin respuesta y 11 clasificados como otros. Por otra parte, Riobamba centro  
el mayor número de gestiones entre las varias agencias seleccionadas  
Estos resultados ayudan a identificar las diferencias durante el seguimiento de las  
operaciones crediticias. En particular, en donde se evidencia la mayor cantidad de  
gestiones sin respuesta en la categoría B1 podría considerarse para revisar los métodos  
de contacto y poder organizar nuevas medidas de seguimiento. De esta manera, Power  
BI facilita el análisis de segmentos específicos de cartera y brinda información para  
orientar nuevas decisiones administrativas.  
¿Qué operaciones de las categorías D y E presentan resultados de gestión “No  
contesta” y “Otros” y cuáles deberían revisarse preferentemente según sus días de  
mora y saldos pendientes?  
106  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
Después de aplicar los filtros correspondientes a las clasificaciones crediticias D y E en  
conjunto con los resultados de gestión “No contesta y “Otros”, se logró identificar 75  
socios que suman un valor pendiente de pago de 613.37 mil y un valor para estar al día  
aproximado de 79.430. Al visualizar la tabla de detalles se observan operaciones con  
más de 300 días de mora que se encuentran en la categoría E.  
A partir de estos resultados, se puede evidenciar que la combinación de filtros permite  
delimitar un conjunto muy específico de operaciones para su seguimiento. De esta  
manera, el tablero ayuda a la identificación con mayor deterioro crediticio y que se  
necesita orientar de mejor manera el análisis administrativo de la cartera dentro del  
escenario sintético.  
DISCUSIÓN  
La gestión de cartera constituye un proceso administrativo fundamental para las  
entidades financieras, ya que abarca el seguimiento permanente de las obligaciones  
crediticias, el control oportuno de los atrasos y la identificación de operaciones que  
requieren atención prioritaria. Un estudio sobre el control interno en cooperativas de  
107  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
ahorro y crédito del segmentoꢀ4 de Chimborazo evidenció lo determinante que resulta  
disponer de información contable y administrativa fiable para fortalecer la gestión de  
riesgo (9). Aunque su investigación se centró en un segmento distinto al nuestro,  
coincide en señalar que la información bien organizada y verificable es la base sobre la  
cual se puede supervisar con rigor la actividad financiera; sin ella, cualquier análisis  
pierde solidez.  
En relación con el análisis del riesgo crediticio en el sector financiero ecuatoriano, se  
combinó la descripción de datos, modelos predictivos y herramientas de inteligencia de  
negocios para identificar factores que llevan a los socios a dejar de cumplir sus pagos,  
presentando los hallazgos en tableros de fácil lectura (10). Esta experiencia confirma  
que integrar distintas variables del crédito permite interpretar la realidad con mayor  
claridad. Nuestro trabajo, en cambio, se mantiene en un nivel descriptivo, sin incorporar  
modelos predictivos, lo que responde a las necesidades inmediatas de seguimiento que  
se presentan en la práctica diaria de las cooperativas.  
Los indicadores financieros permiten comprender el comportamiento institucional  
desde distintos ángulos. Una investigación aplicada a cooperativas del segmentoꢀ1 del  
Ecuador utilizó técnicas estadísticas multivariantes para examinar su estructura  
financiera, eficiencia operativa y calidad de activos (11). Si bien su enfoque fue  
institucional, su trabajo recuerda que la elección adecuada de indicadores es clave para  
que la información tenga sentido y utilidad. En el caso de la gestión de cartera, esto  
significa observar de manera conjunta los saldos pendientes, los días de atraso y la  
calificación de riesgo de cada operación, en lugar de revisarlos de forma aislada.  
Para aprovechar estos indicadores, los datos deben estar depurados y estructurados  
previamente. Al analizar el uso de herramientas de inteligencia de negocios en una  
entidad financiera, se destacó la importancia de los procesos de extracción,  
transformación y carga (ETL), que preparan la información antes de elaborar cualquier  
indicador o gráfico (12). En nuestra investigación, estos pasos fueron esenciales para  
reunir en un solo lugar los registros de agencias, asesores, socios, saldos y resultados de  
cobranza, permitiendo un análisis integral.  
Más allá de la preparación técnica, la forma en que se presenta la información influye  
directamente en su utilidad. Un experimento con 524 participantes demostró que las  
características visuales de los tableros inciden en la calidad de las decisiones: cuando la  
información está completa y bien organizada, la tarea se percibe menos compleja y los  
responsables se sienten más seguros al actuar (13). Del mismo modo, otro estudio  
analizó cómo el esfuerzo mental que exige un tablero determina su adopción: el  
contenido y su distribución pueden decidir si los usuarios lo aprovechan o lo abandonan  
(14). Esto explica el uso de filtros interactivos en nuestro diseño, que permiten consultar  
información segmentada sin saturar de datos la vista principal.  
Nuestros resultados confirman que integrar y estructurar los registros crediticios con  
herramientas de inteligencia de negocios facilita el análisis. El proceso ETL permitió  
organizar los 1ꢀ078 registros y definir variables relacionadas con montos, morosidad,  
distribución geográfica y efectividad de la cobranza, en sintonía con lo señalado por  
108  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
autores que resaltan esta etapa como cimiento de cualquier análisis fiable (15). Los  
indicadores construidos permitieron examinar la cartera desde tres dimensiones:  
situación de la mora, seguimiento de gestiones y nivel de riesgo. Esta lógica coincide con  
la implementación de sistemas automatizados para el monitoreo financiero (16),  
aunque aquí se enfocó específicamente en la cartera de crédito más que en el  
desempeño general de la entidad.  
Los tableros dinámicos desarrollados permitieron visualizar la información de forma  
unificada, al igual que se ha propuesto en sistemas de evaluación crediticia con paneles  
analíticos (17), aunque sin incorporar inteligencia artificial. Incluir los resultados de las  
gestiones de cobranza contactos, compromisos, respuestas ofrece una perspectiva más  
completa que solo observar los saldos vencidos; sin embargo, es importante señalar que  
un compromiso de pago registrado no equivale a dinero recibido, por lo que cada  
indicador debe interpretarse según su propósito.  
La posibilidad de consultar información filtrada por agencia, asesor o calificación  
responde a la necesidad de adaptar el análisis a cada situación concreta, tal como se ha  
buscado en otros sectores mediante sistemas de monitoreo organizacional (18). La  
tecnología por sí sola no garantiza una mejor gestión: se requiere que quienes  
administran la cartera comprendan los indicadores, den seguimiento constante y actúen  
sobre la base de la información disponible (19). En definitiva, la combinación de datos  
estructurados, indicadores bien definidos y tableros interactivos conforma un sistema  
de información gerencial que fortalece la toma de decisiones en la gestión de cartera  
(20).  
CONCLUSIONES  
El estudio mostro como el uso de Power BI puede ser utilizada como apoyo para la toma  
de decisiones en la gestión de cartera del sector financiero. La combinación de datos  
crediticios y su presentación en indicadores y tableros interactivos ayudan al análisis de  
varios componentes relacionados con la morosidad, el seguimiento de las gestiones de  
cobranza y la detección de operaciones que necesitan mayor atención y soporte  
administrativo  
El proceso ETL y la creación de varios indicadores mediante DAX ayudaron a organizar  
los datos para su análisis. Asimismo, la creación de los tres dashboards ofrecieron  
distintas perspectivas de la gestión de cartera y los filtros interactivos permitieron  
consultas específicas y examinar segmentos según las necesidades. Estos elementos  
muestran la importancia de combinar el tratamiento de datos y herramientas de  
visualización dentro de un sistema de información gerencial.  
Asimismo, la utilización de sistemas de información gerencial representa una  
oportunidad para que las instituciones puedan beneficiarse de su data en la planificación  
orientada al fortalecimiento de su gestión administrativa. De esta manera, se puede  
utilizar como recurso para la toma de decisiones, evaluar nuevas estrategias y ayudar a  
un crecimiento institucional sostenible.  
109  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
Pizzarro V, Álvarez H. Riesgo crediticio y sus efectos en la cartera de crédito de las  
cooperativas de ahorro y crédito en Guayaquill 2021-2022. 593 Digital Publisher  
CEIT. 2023; 8(4), (334-345).  
Gavilanez D, De la Torre M. Impacto de la morosidad en la liquidez de las  
cooperativas de ahorro y crédito segmento 2. Investigación y Negocios. 2025;  
18(32)(98-105).  
3.  
4.  
Alvarado R, Acosta K, Mata Y. Necesidad de los sistemas de información gerencial  
para la toma de decisiones en las organizaciones. InterSedes. 2018; 19(39)(17- 31).  
SEPS. Calificación de activos de riesgo y constitución de provisiones. [Online];  
2023. Disponible en: [https://www.seps.gob.ec/wp-content/uploads/Calificacion-  
activos-riesgo.pdf](https://www.seps.gob.ec/wp-content/uploads/Calificacion-  
activos-riesgo.pdf).  
5.  
6.  
Bermeo D, Rosales M. Análisis de riesgo de crédito de las cooperativas  
ecuatorianas del segmento 1, periodo 2021-2023. Decisión Gerencial. 2025;  
4(10)(28-39).  
SEPS. Segmentación de entidades del Sector Financiero Popular y Solidario.  
[Online];  
2016.  
Disponible  
en:  
[https://www.seps.gob.ec/institucion/segmentacion-de-  
esfps/](https://www.seps.gob.ec/institucion/segmentacion-de-esfps/).  
Pinyo M, Pinda B, Riomero A. Inteligencia de negocios en el análisis financiero.  
2025; 7(esp.1)(288-306).  
Moreno J, Zúñiga I, Medina P, Calvache C. Power BI en el sector financiero: Cómo  
transformar datos en decisiones inteligentes.. Journal of Science and Research.  
2024; 9(2)(12-29).  
7.  
8.  
9.  
Ramírez A, Urrutia J, Lach W. El control interno de las cooperativas de ahorro y  
crédito del segmento 4 de Chimborazo.. Noesis. Revista Electrónica de  
Investigación. 2025; 7 (sep.1)(307-327).  
10.  
Pando J, Ramírez P, Reyes M, Cevallos L, Rumbaut D. Análisis de riesgo de crédito  
en instituciones financieras ecuatorianas: enfoque descriptivo y predictivo  
integrado con aprendizaje automático e inteligencia de negocios. Neutrosophic,  
Computing and Machine Learning. 2025; 41(126-142).  
11.  
12.  
13.  
14.  
Llerena G, Rosales F. Análisis de los indicadores financieros de las coopertativas de  
ahorro y crédito del semento I de Ecuador usando HJ- Biplot y clúster jerárquico.  
Revista Economía y Política. 2025; 2(42)(81-99).  
Pesantez M, Cajamarca O. Análisi de datos de una institución financiera de Cuenca  
ara la toma de decisiones a través de herramientas y estrategias de Business.  
MQRInvestigar. 2025; 9(2)(38-51).  
Hjelle S, Mikaelf P, Altwaijry N, Parida V. Toma de decisiones organizacional y  
análisis de datos: estudio experimental sobre el diseño de dashboard. Informatión  
y Management. 2024; 61(6)(104011).  
Burnay C, Lega M, Bouraga S. nteligencia de negocios y carga cognitiva: propuesta  
de modelo de adopción dedashboard. DAta y Knowledge Engineering. 2024;  
4(21)(34-53).  
110  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 11 PP. 94-111  
https://doi.org/10.56519/yp9a8h63  
Noviembre 2026  
15.  
16.  
17.  
18.  
19.  
Matayong S, Saebao S, Trakulmaykee N. Sistema de inteligencia de negocios para  
el análisis de cualificación docente: optimización de flujos ETL para la extracción  
de indicadores de desempeño. Recent Science and Technology. ; 17(2)(264981).  
Tian W. Mejora de la toma de decisiones financieras mediante sistemas  
automatizados de inteligencia de negocios. Internacional Journal of e  
Collaboration. 2025; 21(1)(1-20).  
Pamuk M, Schumann M. Hacia AI dashboards en servicios financieros: diseño e  
implementación de un panel de evaluación crediticia. Machine Learning and  
Knowledge Extraction. 2024; 6(3)(1720- 1761).  
Sorour A, Atkins A. El desafío de grandes volúmenes de datos en instituciones de  
educación superior mediante dashoards de inteligencia de negocios . Journal of  
electronic Science and Technology. 2024; 22(1)( 127-231).  
Bany A, Al-Okaily M, Qasim D, Khalaf M. omprensión del uso de herramientas de  
inteligencia de negocios y análisis de datos en el sector bancario: evidencia  
empírica. International Journal of Information Management Data Insights. 2024;  
4(1)( 13-25).  
20.  
Quisajosaca D. Diseño de un modelo de gestión para la recuperación de cartera  
vencida en la Cooperativa de Ahorro y Crédito Integración solidaria Ltda. del  
cantón Riobamba, provincia de Chimborazo. Universidad Estatal de Chimborazo.  
2022; 3(2)(56-73).  
111