{"id":183,"date":"2014-04-01T18:28:34","date_gmt":"2014-04-01T18:28:34","guid":{"rendered":"http:\/\/triton.exp.dc.uba.ar\/predictivos\/?p=183"},"modified":"2014-04-02T02:57:34","modified_gmt":"2014-04-02T02:57:34","slug":"un-predictor-en-finanzas-y-consumo-masivo","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=183","title":{"rendered":"Un predictor en finanzas y consumo masivo"},"content":{"rendered":"

\"Fernando<\/a>Hablemos sobre tu trabajo de Consultor en SPSS.<\/b><\/p>\n

Me ocupo de desarrollar modelos predictivos, modelos de caracterizaci\u00f3n de clientes o de la unidad de negocios que maneje el cliente de SPSS en un \u00e1rea espec\u00edfica, con el objetivo de empezar a aprovechar al m\u00e1ximo la explotaci\u00f3n de datos.<\/p>\n

En general el cliente ya tiene una estructura armada. Algunas estructuras son incipientes, otras son muy intuitivas y otras muy grandes, por lo que nosotros buscamos sistematizar el manejo de esos datos y desarrollar modelos predictivos con un objetivo espec\u00edfico que puede ser comercial, de riesgo o de detecci\u00f3n de fraudes, de caracterizaci\u00f3n de una cartera de clientes o incluso ligado a la optimizaci\u00f3n de procesos que aporten a la cadena de valor.<\/p>\n

\u00bfC\u00f3mo es trabajar para perfiles de clientes tales como bancos y empresas de retail?<\/b><\/p>\n

Si bien son dos escenarios y modelos de negocio distintos, a veces los escenarios no difieren tanto. Resulta fundamental fijar claramente el objetivo del modelo que estamos desarrollando. Cuando tenemos que desarrollar un modelo de riesgo que tiene que ver con la probabilidad de que una persona deje de pagar o se atrase cada vez m\u00e1s en los pagos, esa situaci\u00f3n de riesgo se presenta tanto en un banco como en un retail que, adem\u00e1s de comercializar productos, tambi\u00e9n ofrece a sus clientes una tarjeta de cr\u00e9dito.<\/p>\n

En el caso de los objetivos de marketing, trabajamos para contribuir con objetivos de marketing directo. Por ejemplo, un banco o una empresa de consumo masivo llama por tel\u00e9fono al cliente o le env\u00eda una carta a su casa ofreci\u00e9ndole un nuevo producto o beneficio exclusivo. Nosotros lo que hacemos es decirle a la empresa en cuesti\u00f3n que llame primero a determinados clientes que ya tenemos identificados a trav\u00e9s de nuestro modelo, porque son los que tienen m\u00e1s chances de responder afirmativamente a esa oferta. Tambi\u00e9n proponemos distintas estrategias a utilizar, seg\u00fan si esas chances son m\u00e1s altas o m\u00e1s bajas.<\/p>\n

Esto se resume en que nuestro trabajo no es de soporte sino m\u00e1s bien exploratorio, nos ocupamos de buscar relaciones interesantes y \u00fatiles entre los datos. Aunque una vez que los modelos est\u00e1n instalados proveemos soporte para dar continuidad de funcionamiento.<\/p>\n

\u00bfQu\u00e9 relaci\u00f3n habr\u00eda entre el volumen de los datos y su complejidad de an\u00e1lisis en estos proyectos?<\/b><\/p>\n

El problema del gran volumen de datos se maneja utilizando \u00a0t\u00e9cnicas para reducir ese volumen: t\u00e9cnicas de muestreo, t\u00e9cnicas de segmentaci\u00f3n y t\u00e9cnicas de eliminaci\u00f3n de variables. Tambi\u00e9n existe la situaci\u00f3n inversa de contar con muy pocos datos, lo cual involucra grandes desaf\u00edos sobre qu\u00e9 podemos hacer con tan poca informaci\u00f3n.<\/p>\n

Hay bancos que poseen aproximadamente \u00a01 \u00f3 2 millones de clientes activos, que es un n\u00famero significativo. Pero adem\u00e1s hay que preguntarnos cu\u00e1ntos atributos tiene cada cliente, si son decenas o centenas de atributos, etc. Porque esta variedad, en definitiva, va a cambiar la composici\u00f3n final de nuestra matriz.<\/p>\n

El gran volumen de datos afecta a la complejidad del problema, pero el tratamiento de variables tambi\u00e9n es complejo y tiene lugar aunque el volumen de datos no sea relevante.<\/p>\n

\u00bfC\u00f3mo hace un consultor en Data Mining para ayudar a la protecci\u00f3n de los datos sensibles que se utilizan en grandes bases de datos?<\/b><\/p>\n

Cada proyecto tiene un contrato espec\u00edfico. En todos los casos se firman acuerdos de confidencialidad.<\/p>\n

El cliente para el que trabajamos sabe que nosotros vamos a necesitar los datos, por lo tanto nos tiene que proveer y facilitar su acceso.\u00a0 B\u00e1sicamente a la hora de enviar y recibir informaci\u00f3n, lo que se hace es no enviar datos de identificaci\u00f3n como apellido y nombre ni documento.\u00a0 Nosotros necesitamos tener los datos vinculados y, al mismo tiempo, diferenciados.<\/p>\n

Es importante saber qu\u00e9 dato es de cada cliente pero no necesitamos saber qui\u00e9n es ese cliente. Por eso se usan identificadores, lo suficientemente espec\u00edficos como para agrupar bajo un mismo c\u00f3digo o n\u00famero todos los datos de una persona, y lo suficientemente difusos como para no saber a qu\u00e9 persona nos estamos refiriendo.\u00a0 Adem\u00e1s existen esquemas de seguridad internos con el fin de proteger toda la informaci\u00f3n, desde claves de encriptaci\u00f3n hasta medios de transmisi\u00f3n seguros.<\/p>\n

Cambiando de tema, \u00bfcu\u00e1l fue tu mayor desaf\u00edo como Consultor en Data Mining?<\/b><\/p>\n

El a\u00f1o pasado me toc\u00f3 ir a un banco de Paraguay porque la empresa empieza a expandirse a nivel regional. Este viaje fue muy importante porque fui la cara visible de la empresa en otro pa\u00eds y era un gran desaf\u00edo profesional no tanto desde el punto de vista t\u00e9cnico sino desde lo que significaba ese proyecto para m\u00ed en relaci\u00f3n con la empresa.<\/p>\n

Por otro lado, result\u00f3 muy desafiante el primer proyecto en el que particip\u00e9 para un sistema de detecci\u00f3n de fraudes en transacciones bancarias. El problema es que ten\u00edamos un gran volumen de transacciones que hab\u00eda que caracterizar para detectar cu\u00e1l de ellas era un potencial fraude \u00a0pero muy pocos casos de fraude: much\u00edsimo menos del 1% del total de transacciones.<\/p>\n

Combinamos varias t\u00e9cnicas y, finalmente, encontramos un modelo y un proceso para trabajar con los datos.\u00a0 Con el transcurrir de las transacciones, cada diez minutos el sistema asignaba un puntaje a cada transacci\u00f3n y si hab\u00eda alguna de ellas que alcanzaba mayor puntaje, esa transacci\u00f3n iba al sector de an\u00e1lisis del banco y se frenaba hasta comprobar si era fraudulenta o no.\u00a0 De ese modo, desarrollamos una infraestructura t\u00e9cnica y de soporte completamente nueva que involucr\u00f3 a diferentes \u00e1reas del banco: seguridad inform\u00e1tica, sistemas, comercial, data warehouse<\/i>, entre otras.<\/p>\n

En los proyectos de inteligencia comercial los modelos desarrollados pasan a formar parte de los procesos internos del cliente. Justamente la capacidad de un consultor en Data Mining no es solamente desarrollar un modelo para el usuario final, el desaf\u00edo no termina all\u00ed: debemos lograr que ese modelo funcione dentro de una estructura m\u00e1s grande.<\/p>\n

\n
EN FOCO: LA MAESTR\u00cdA<\/b><\/address>\n
<\/b>
\nA partir del conocimiento adquirido en la Maestr\u00eda, \u00bfqu\u00e9 herramientas crees que te sirvieron m\u00e1s dentro de tu trabajo actual?<\/b><\/address>\n
Creo que todo. La verdad es que la Maestr\u00eda ampli\u00f3 mi visi\u00f3n previa. En general uso m\u00e1s mi formaci\u00f3n de Sistemas pero a la hora de comprender los datos, todos los conceptos que vimos en las primeras materias fueron claves. En An\u00e1lisis Inteligente de Datos, por ejemplo, vimos c\u00f3mo manejar grandes vol\u00famenes de datos y entender los puntos fundamentales \u00a0de las distintas herramientas. Para realizar el trabajo pr\u00e1ctico, el profesor de la materia Data Mining en Econom\u00eda y Finanzas nos trajo datos reales de bancos con m\u00faltiples data sets, utilizando este sistema de no identificaci\u00f3n de las personas a las que pertenec\u00edan los datos. Recuerdo que cuando trabaj\u00e9 en mi primer proyecto en un banco me encontr\u00e9 con la misma estructura que hab\u00eda visto en esa materia de la Maestr\u00eda. Tambi\u00e9n el proyecto de detecci\u00f3n de fraudes lo hicimos con Redes Neuronales, que es el t\u00edtulo de otra materia espec\u00edfica.<\/address>\n
\u00a0<\/address>\n
\u00bfNot\u00e1s un punto de inflexi\u00f3n despu\u00e9s de haberte graduado?<\/b><\/address>\n
Absolutamente.\u00a0 Si no hubiese cursado la Maestr\u00eda, sinceramente no hubiera podido enfrentar este gran cambio de salirme de un rol netamente orientado al desarrollo de sistemas y a la gesti\u00f3n. \u00a0Creo que mi grupo de compa\u00f1eros de la Maestr\u00eda comparten de alguna forma esta visi\u00f3n. Y adem\u00e1s no fue s\u00f3lo un cambio profesional sino tambi\u00e9n personal porque pude armar un nuevo c\u00edrculo de amistad.<\/address>\n
\u00a0<\/address>\n
Por \u00faltimo, \u00bften\u00e9s alguna sugerencia de mejora para la Maestr\u00eda?<\/b><\/address>\n
Percib\u00ed que algunas materias presentan una visi\u00f3n acotada y creo que pueden faltar ajustes para ver si los \u00a0conceptos se aplican a problemas m\u00e1s reales y si abordan la complejidad y multiplicidad de los datos. Esto me lleva a pensar si algunas de las t\u00e9cnicas que aprendimos se podrian usar con muchas m\u00e1s variables que las que efectivamente vimos. Pero s\u00e9 que estos aspectos se fueron mejorando a lo largo de los \u00faltimos a\u00f1os, considerando que yo egres\u00e9 en el 2006.
\nEl hecho de que hayan incluido Big Data dentro de las materias optativas me parece sumamente \u00fatil. Incluso el Taller de Tesis me parece muy importante para ir uniendo los intereses y expectativas de los cursantes con su trabajo final. Lo fundamental es que me fui de la Maestr\u00eda con la capacidad de poder entender qu\u00e9 hay debajo de cada software y herramienta pr\u00e1ctica que utilizo, c\u00f3mo funciona cada modelo de predicci\u00f3n, y a entender los datos con el objetivo de sacarle el mayor provecho posible.<\/address>\n
\u00a0<\/address>\n
\u00a0<\/address>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Fernando Zimenspitz es Especialista en Explotaci\u00f3n de Datos y Descubrimiento del Conocimiento y Licenciado en Sistemas de la Facultad de Ingenier\u00eda de la UBA. Desde el a\u00f1o 2007 se desempe\u00f1a como Consultor de Data Mining en SPSS, desarrollando modelos predictivos para bancos y empresas de consumo masivo. Anteriormente, fue Jefe de Sistemas de la Facultad de Arquitectura. En esta entrevista, Fernando nos cuenta cu\u00e1les son sus principales desaf\u00edos en proyectos de an\u00e1lisis predictivo.<\/p>\n","protected":false},"author":1,"featured_media":185,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[7],"tags":[],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/183"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=183"}],"version-history":[{"count":7,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/183\/revisions"}],"predecessor-version":[{"id":192,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/183\/revisions\/192"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/185"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=183"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=183"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=183"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}