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

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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