Renato Fiorini - UCEMA€¦ · • Renato Fiorini es un profesional con 16 años de experiencia en gestión de riesgos en el mercado financiero. Ha actuado como analista de riesgo

Copyright © SAS Inst itute Inc. A l l r ights reserved.

Gerente de Soluciones de Riesgo para Latinoamérica

• Renato Fiorini es un profesional con 16 años de experiencia engestión de riesgos en el mercado financiero. Ha actuado comoanalista de riesgo operacional, riesgo de mercado, de créditocorporativo y gestión de portafolio. Ha desarrollado proyectosde riesgo y cumplimiento de normativos en las principalesinstituciones financieras de Brasil como Bradesco, Itaú, BancoVotorantim y Banco Safra.

• Tiene un título en Ingeniería de Producción por la Universidadde São Paulo y tiene un título de Maestría en Economía por laFundación Getulio Vargas.

• Hoy es gerente de soluciones de riesgo en SAS cubriendo todaAmérica Latina y miembro del SAS Research and QuantitativeSolutions.

Renato Fiorini


Big Data para Riesgo de Crédito


VOLUMEN

VARIEDAD

VELOCIDAD

VALOR

HOY FUTURO

VO

LUM

E D

E D

AT

OS

ERA DEL BIG DATA

DATOS ESTRUCTURADOS


Cambios en el Modelo de NegociosTecnologías de

Big Data

Datos no Estructurados

1

2

3

ERA DEL BIG DATA


ERA DEL BIG DATA Datos No Estructurados1

• Efectividad

• Aspectos Legales


“All data is credit data…”

Segmento de salarios bajos con el ticket medio de USD 600.Tiene una tasa de morosidad, 40% más bajo que otrasinstituciones en el mismo segmento.

Además variables tradicionales de puntuación de crédito,también utiliza datos de la navegación en internet. Porejemplo, tiempo invertido en la lectura del contrato depréstamo, número de visitas al sitio de zest finance, formade llenar del formulario de solicitación, etc.

EfectividadERA DEL BIG DATA


Segmento de empresas pequeñas con ticket mediode USD 5.000.

Supervisión de tendencias en Facebook y Yelp alanalizar crédito. También utiliza los datos de PayPal, Amazon , Ingresos Tax Software , Yahoo , Ebay ,etc.

Siempre con autorización del cliente.

EfectividadERA DEL BIG DATA


Aspectos Legales

La legislación es diferente en cada país, pero hay una tendencia:

Brasil Processo por Dano Moral 2013/0386285 com Recurso Especial1.419.697-RS pela BOA VISTA. 11/2014

- Los datos utilizados deben estar disponibles para el consumidor

- Banco y proveedores de datos son responsables por la utilización de informacionesdesactualizadas o equivocadas.

- Esta vetado el uso de informaciones excesivas o sensibles que violen su honra y privacidad.

Fair Credit Reporting Act – FCRA (1970) and Fair and Accurate CreditTransactions Act - FACTA (1983)

- Los datos utilizados deben estar disponibles para el consumidor al menos una vez al año

- Proveedores de datos son responsables por la utilización de informaciones desactualizadas oequivocadas.

ERA DEL BIG DATA


Tendencias de Storage, Hadoop e In-Memory

$- $20.000 $40.000 $60.000 $80.000 $100.000

Vertica

Teradata

Greenplum

Oracle

Microsoft PDW

Hadoop

Today 2009

Costo de Storage y Memoria en el EUA• In 2000 a GB of Disk $17 today < $0.07• In 2000 a GB of Ram $1800 today < $1• In 2009 a TB of RDBMS was $70K today < $ 20K

Costo por Gigabyte (USD) Costo de Terabyte por Vendor (USD)


Performance de Procesamiento In-Database


ModelajePerformance de Procesamiento en Memoria (HPA)

31 colunas

20 colunas


Publicación, Scoring y Decisión Aprobación, Documentación e Gobierno

Monitoreo de Modelos y PortfoliosModelamiento, Simulación y

Validación

Preparación de datos Selección, y Construcción de Variables

Plataforma Integrada con todas las etapas del

Ciclo Analítico

Fabrica de Modelos - Ciclo Analítico Completo


1 año 2 añosEjemplo de ciclo de 1 año• 6 meses para preparar los datos y modelar• 6 meses para validar y migrar para producción

1 año 1 año

60%

55%

50%

¿Cual es más eficiente?


1 año 2 años

3 meses 3 meses 3 meses

60%

55%

50%

Ejemplo de ciclo de 1 año• 1 mes para preparar los datos y modelar• 2 meses para validar y migrar para producción



1 año 2 años

60%

55%

50%



VehículosKS = 40%

Más Segmentos => Más Modelos


Vehículos Nuevos

KS = 43%

Vehículos Usados

KS = 44%



Vehículos

Nuevos Leves

Vehículos Usados Leves

Vehículos Usados Pesados

Vehículos Nuevos Pesados

KS = 48%

KS = 46%

KS = 45%

KS = 49%



1 Mes 2 Meses

Cambio en el comportamiento

que altera el Rating

Cuando el Rating es Afectado

Intervalo de Tiempo con el Rating,

valoración y políticas equivocadas

Frecuencia de Puntuación


Cambios en el Modelo de Negocios - Tendencias

Más Datos• Nuevas Variables (Web, Credit Bureaus, Internas)

• Nuevas Variables Derivadas

• Datos no estructurados

Nuevas Técnicas Estadísticas• AI, ML, Gradient Boosting,etc

• Menos preocupación con Overfitting

• Modelos con más variables

Ciclo Analítico Más Corto• Tiempo de Reacción (menos de 3 meses) – Ya hay bancos con ciclos diários

• Mas Segmentaciones (portafolios de máximo 200k registros)

• Rentrenamiento de modelos con Machine Learning automático

Puntuación de Crédito mas Rápida• Más Frecuente (semanal o diariamente)

• Puntuación de Transacciones

3 ERA DEL BIG DATA

sas.com


Preguntas?

Documents

Renato Fiorini - UCEMA€¦ · • Renato Fiorini es un profesional con 16 años de experiencia en gestión de riesgos en el mercado financiero. Ha actuado como analista de riesgo