Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

of

El scoring bancario en los tiempos del Big Data Slide 1 El scoring bancario en los tiempos del Big Data Slide 2 El scoring bancario en los tiempos del Big Data Slide 3 El scoring bancario en los tiempos del Big Data Slide 4 El scoring bancario en los tiempos del Big Data Slide 5 El scoring bancario en los tiempos del Big Data Slide 6 El scoring bancario en los tiempos del Big Data Slide 7 El scoring bancario en los tiempos del Big Data Slide 8 El scoring bancario en los tiempos del Big Data Slide 9 El scoring bancario en los tiempos del Big Data Slide 10 El scoring bancario en los tiempos del Big Data Slide 11 El scoring bancario en los tiempos del Big Data Slide 12 El scoring bancario en los tiempos del Big Data Slide 13 El scoring bancario en los tiempos del Big Data Slide 14 El scoring bancario en los tiempos del Big Data Slide 15
Upcoming SlideShare
Smart Bilbao: Los datos al servicio de la ciudad (Big Data, Open Data, etc.)
Next
Download to read offline and view in fullscreen.

1 Like

Share

Download to read offline

El scoring bancario en los tiempos del Big Data

Download to read offline

Presentación usada por Jorge Monge, de Management Solutions, en la Jornada "Aplicación del Big Data en sectores económicos estratégicos" celebrada el 27 de octubre de 2015. Más información: http://bit.ly/1MkKmnF

Related Books

Free with a 30 day trial from Scribd

See all

El scoring bancario en los tiempos del Big Data

  1. 1. Página 1© Management Solutions 2015 Todos los derechos reservados Octubre 2015 ©ManagementSolutions2015.Todoslosderechosreservados Tecnología El scoring bancario en los tiempos del Big Data Análisis y ejercicio práctico
  2. 2. Página 2© Management Solutions 2015 Todos los derechos reservados 1 El mundo ya ha cambiado Digitalización de los negocios El mundo se está transformando, y lo hace a gran velocidad. Estamos siendo testigos de una revolución tecnológica de magnitudes nunca antes observadas.
  3. 3. Página 3© Management Solutions 2015 Todos los derechos reservados 1 El mundo ya ha cambiado Digitalización de los negocios El mundo se está transformando, y lo hace a gran velocidad. Estamos siendo testigos de una revolución tecnológica de magnitudes nunca antes observadas.
  4. 4. Página 4© Management Solutions 2015 Todos los derechos reservados 1 El sector bancario ya ha cambiado Evolución del negocio digital bancario El sector financiero no es ajeno a ese cambio, conjugando una reestructuración sin precedentes con un cambio de perfil del usuario muy acusado
  5. 5. Página 5© Management Solutions 2015 Todos los derechos reservados 1 El sector bancario ya ha cambiado Evolución del negocio digital bancario El sector financiero no es ajeno a ese cambio, conjugando una reestructuración sin precedentes con un cambio de perfil del usuario muy acusado
  6. 6. Página 6© Management Solutions 2015 Todos los derechos reservados 2 La información como oportunidad Niveles de información a disposición Las entidades del sector financiero, gracias a esta transformación, disponen de gran cantidad de información pública, con la que hacer perfiles detallados no solo a sus clientes actuales, sino también a sus clientes potenciales
  7. 7. Página 7© Management Solutions 2015 Todos los derechos reservados 2 La información como oportunidad Almacenamiento Aunque se genere gran cantidad de información, esta no sería útil si no pudiera almacenarse. Sin embargo, el coste el almacenamiento se ha visto reducido en grandes cantidades
  8. 8. Página 8© Management Solutions 2015 Todos los derechos reservados 2 La información como oportunidad Procesamiento Aunque se genere gran cantidad de información, esta no sería útil si no pudiera procesarse. Sin embargo, la capacidad de procesamiento se ha visto multiplicada por las nuevas arquitecturas Big Data
  9. 9. Página 9© Management Solutions 2015 Todos los derechos reservados 2 La información como oportunidad Procesamiento Aunque se genere gran cantidad de información, esta no sería útil si no pudiera procesarse. Sin embargo, la capacidad de procesamiento se ha visto multiplicada por las nuevas arquitecturas Big Data
  10. 10. Página 10© Management Solutions 2015 Todos los derechos reservados 2 La información como oportunidad Modelización Aunque se genere gran cantidad de información, esta no sería útil si no pudiera entenderse. Por ello ha surgido un nuevo rol multidisciplinar para hacer frente al problema: el data scientist
  11. 11. Página 11© Management Solutions 2015 Todos los derechos reservados 3 Aplicación práctica El scoring bancario en tiempos del big data Las entidades bancarias han sido muy activas en la modelización de eventos desde hace años. Los modelos de scoring pertenecen al ámbito de riesgos, intentando clasificar a los clientes potenciales en función de su probabilidad de impago
  12. 12. Página 12© Management Solutions 2015 Todos los derechos reservados 3 Aplicación práctica Información sobre clientes potenciales Las entidades financieras conocen muy bien a sus clientes actuales. Sin embargo, tienen carencias de información en relación con sus clientes potenciales, especialmente del sector de particulares por la protección de la legislación a la divulgación de datos de carácter personal  Balance de situación (Informa)  Bureaus de crédito negativos (Ej:RAI / ASNEF)  Axesor  BD de procesos judiciales  Cuestionarios específicos Clientes potenciales empresas Clientes potenciales Particulares  Bureaus de crédito negativos (Ej:RAI / ASNEF)  BD de procesos judiciales  Cuestionarios específicos ¿Pero y si añadimos la información de las redes sociales?
  13. 13. Página 13© Management Solutions 2015 Todos los derechos reservados 3 Aplicación práctica Ejercicio de análisis El estudio desarrollado utilizó datos reales anonimizados de una cartera con 72.000 clientes potenciales, descargando variables desde diferentes redes sociales e intentando mejorar un modelo existente con ellas Captura tradicional Captura redes sociales Srcrapeo (Python + APIs) Limpieza de información (VBA) Almacenamiento (ficheros) Modelización conjunta (R) Modelo
  14. 14. Página 14© Management Solutions 2015 Todos los derechos reservados 3 Aplicación práctica Variables significativas detectadas El análisis de la información detectó variables públicas que eran significativas de cara a evaluar el incumplimiento, permitiendo crear un módulo “social” del modelo que permitía mejorar el poder predictivo del scoring… Variable Descripción Peso relativo Duración cargo actual Duración en meses del cargo actual 18% Antigüedad laboral Antigüedad laboral en meses 15% Mínima duración en cargo Mínima duración en un cargo en su trayectoria profesional 15% Máxima duración en cargo Máxima duración en un cargo en su trayectoria profesional 13% Sector de actividad Categorización INE del sector profesional 12% Número de trabajos Número de trabajos actuales e históricos 9% Tiempo sin estudiar Tiempo transcurrido desde sus últimos estudios 7% Idiomas Número de idiomas que habla 7% Ratio cargos/años Número de cargos / número de años de trayectoria profesional 4%
  15. 15. Página 15© Management Solutions 2015 Todos los derechos reservados 3 Aplicación práctica Variables significativas detectadas …pero hay determinadas lecciones aprendidas a tener en cuenta en este tipo de ejercicios que dan pistas sobre cómo acometer la implantación real de este tipo de algoritmos Calidad de información • La cantidad y la calidad de la información disponible en las redes sociales son notablemente inferiores a las de los datos internos del banco: solo un 24% de los clientes tienen datos, y de estos, solo el 19% tienen información completa o casi completa. 1 Desambiguación • Además, la extracción de datos de redes sociales se caracteriza por un problema de desambiguación: las personas físicas no se identifican de manera inequívoca con un documento de identidad en la red, por lo que existe una probabilidad de error en la identificación de cada cliente con su perfil en las redes sociales. Para este estudio se han descartado los clientes en los que esta probabilidad se ha estimado superior al 25%. 2 Variables cualitativas Las variables extraídas de las redes sociales, además, son en su mayoría cualitativas y pueden tomar una gran cantidad de valores, lo que dificulta su tratamiento, pero a cambio permite construir variables de una gran riqueza. 3 Complementariedad • El poder predictivo del modelo de scoring basado en redes sociales emplea 9 variables numéricas y categóricas (algunas discretizadas) que cubren varios aspectos del perfil profesional del cliente (en especial su historial laboral, pero también el sector, los estudios y los idiomas) y alcanza un poder predictivo equiparable al del modelo original, con una ROC del 72%. • La combinación de ambos modelos, sin embargo, eleva sustancialmente el poder predictivo, hasta alcanzar un 79%. 4
  • JuanLuisMorescoPinto

    Jun. 15, 2020

Presentación usada por Jorge Monge, de Management Solutions, en la Jornada "Aplicación del Big Data en sectores económicos estratégicos" celebrada el 27 de octubre de 2015. Más información: http://bit.ly/1MkKmnF

Views

Total views

4,509

On Slideshare

0

From embeds

0

Number of embeds

3,041

Actions

Downloads

37

Shares

0

Comments

0

Likes

1

×