¿Es un cliente confiable?... Minería de datos tradicional y Fintech para el cálculo de la rentabilidad
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este trabajo presenta una propuesta para la detección de clientes corporativos fiables en función de sus perfiles de usuario en entidades crediticias, según un modelo de clasificación automática basado en redes neuronales, el cual logra una alta precisión en relación con algoritmos de aprendizaje tradicionales. Para el desarrollo del modelo de minería usamos una adaptación de la metodología CRISP-DM que permite la creación de un modelo confiable que puede integrarse en plataformas de servicios en la nube. La implementación de este modelo ofrece una reducción de tiempo en el cálculo de la rentabilidad de los clientes, es de fácil aplicación en servicios corporativos y la visualización de los resultados para la consulta y la toma de decisión. De esta forma el modelo se constituye en una propuesta Fintech válida para las empresas corporativas y de finanzas.
Descargas
Detalles del artículo
1. Derechos de autor
Las obras que se publican en 593 Digital Publisher CEIT están sujetas a los siguientes términos:
1.1. 593 Digital Publisher CEIT, conserva los derechos patrimoniales (copyright) de las obras publicadas, favorece y permite la reutilización de las mismas bajo la licencia Licencia Creative Commons 4.0 de Reconocimiento-NoComercial-CompartirIgual 4.0, por lo cual se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que:
1.1.a. Se cite la autoría y fuente original de su publicación (revista, editorial, URL).
1.1.b. No se usen para fines comerciales u onerosos.
1.1.c. Se mencione la existencia y especificaciones de esta licencia de uso.
Citas
Aldridge, I., & Krawciw, S. (2017). Real- time risk: What investors should know about FinTech, high-frequency trading, and flash crashes. John Wiley & Sons.
Bonnes, K. (2017). Predicting mortgage demand using machine learning techniques (Master's thesis, University of Twente).
Curto Díaz, J., & Braulio Gil, N. (2015). Customer analytics: mejorando la inteligencia del cliente mediante los datos. Customer analytics, 1-116.
Gironés, J., Casas, J., & Minguillón, J. (2017). Minería de datos: modelos y algoritmos”. Editorial UOC.
Lin, T. C. (2015). Infinite financial intermediation. Wake Forest L. Rev., 50, 643.
Martin del Peso, M. (2017). Aplicaciones de las redes neuronales artificiales a problemas de predicción y clasificación financiera, Universidad Rey Juan Carlos, Madrid.
Medina Rodríguez, M. D. P., & Ulfe Rentería, H. G. (2017). Modelo de Credit Scoring para Predecir el Otorgamiento de Crédito Personal en Una Cooperativa de Ahorro y Crédito.
Microsoft Power BI customers. Metro Bank case study. Customers.microsoft.com. Retrieved from
https://customers.microsoft.com/en- US/story/building-a-bank-that-can- surprise-and-delight-with-pow
Microsoft power BI customers. Tangerine case study. Customers.microsoft.com. Retrieved from
https://customers.microsoft.com/Pages/ CustomerStory.aspx?recid=14594
Nuñez, J. P., Savoy, F., Retamar, M. S., De Gracia, L., De Battista, A. C., & Ramos, L. M. M. (2018). Minería de datos para la detección de factores de influencia en el test Apgar.
Pacco Palomino, R. (2015). Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión.
Santiesteban, E., Fuentes, V., & Leyva,
E. (2011). Análisis de la rentabilidad económica: tecnología propuesta para incrementar la eficiencia empresarial. Editorial Universitaria.
Scholten, U. (2017). Banking-as-a- Service - what you need to know. VentureSkies.
Schueffel, P. (2016). Taming the beast: a scientific definition of fintech. Available at SSRN 3097312.
Tase, R. O. R., Cabrera, A. V., Naranjo,
D. L. O., Diaz, A. A. O., & Blanco, I. F. (2016). Nuevo algoritmo multiclasificador para flujos de datos con cambios de concepto/ensemble algorithm for data streams with concept drift. Holos, 32(2), 24.
Venegas, L. (2016). Plan para enfocar las campañas Bancarias utilizando Datamining.