Este artículo tiene como fin, identificar las variables más relevantes que permiten a través de un modelo de redes neuronales artificiales (RNA), -con aprendizaje supervisado, bajo la tipología de corrección de error y con arquitectura perceptrón multicapa hacia adelante- alcanzar los mejores predictores de bajo nivel de riesgo, en la etapa de otorgamiento de microcréditos. Los estudios académicos relativos al tema son limitados, dado que la materia prima para su aplicación, en la gran mayoría de los casos no es de público conocimiento. Esta información (bases de datos), se convierte en un activo intangible para las instituciones financieras, quienes en forma permanente desarrollan metodologías para el otorgamiento, por ser la esencia de su negocio, en la administración de riegos. Implica, además que de acuerdo a la experiencia cada record histórico es único y particular, y no es posible hacer universal la aplicación de un modelo. Se contó con información del comportamiento de ciento dieciséis mil prestatarios en un horizonte de tres años, luego de su depuración.  En el estudio se encontró que el modelo seleccionado (M105), entre los tantos modelos estimados, presenta una mejor estimación de los prestatarios clasificados como “Riesgoso” con un 38.8% y una clasificación general correcta del 58.5%. Para el caso de los 45.953 prestatarios presentados a la red como “Riesgoso”, logró clasificar en esta categoría a 17.853. También se observa un porcentaje de clasificación errado del 61.1%, correspondiente a 28.100 prestatarios. Es decir, se clasificaron esta cantidad de prestatarios como “No Riesgoso”.