Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
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
Copyright © SAS Inst itute Inc. A l l r ights reserved.
Big Data para Riesgo de Crédito
Copyright © SAS Inst itute Inc. A l l r ights reserved.
VOLUMEN
VARIEDAD
VELOCIDAD
VALOR
HOY FUTURO
VO
LUM
E D
E D
AT
OS
ERA DEL BIG DATA
DATOS ESTRUCTURADOS
Copyright © SAS Inst itute Inc. A l l r ights reserved.
Cambios en el Modelo de NegociosTecnologías de
Big Data
Datos no Estructurados
1
2
3
ERA DEL BIG DATA
Copyright © SAS Inst itute Inc. A l l r ights reserved.
ERA DEL BIG DATA Datos No Estructurados1
• Efectividad
• Aspectos Legales
Copyright © SAS Inst itute Inc. A l l r ights reserved.
“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
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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)
Copyright © SAS Inst itute Inc. A l l r ights reserved.
Performance de Procesamiento In-Database
Copyright © SAS Inst itute Inc. A l l r ights reserved.
ModelajePerformance de Procesamiento en Memoria (HPA)
31 colunas
20 colunas
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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?
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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
¿Cual es más eficiente?
Copyright © SAS Inst itute Inc. A l l r ights reserved.
1 año 2 años
60%
55%
50%
¿Cual es más eficiente?
Copyright © SAS Inst itute Inc. A l l r ights reserved.
VehículosKS = 40%
Más Segmentos => Más Modelos
Copyright © SAS Inst itute Inc. A l l r ights reserved.
Vehículos Nuevos
KS = 43%
Vehículos Usados
KS = 44%
Más Segmentos => Más Modelos
Copyright © SAS Inst itute Inc. A l l r ights reserved.
Vehículos
Nuevos Leves
Vehículos Usados Leves
Vehículos Usados Pesados
Vehículos Nuevos Pesados
KS = 48%
KS = 46%
KS = 45%
KS = 49%
Más Segmentos => Más Modelos
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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
Copyright © SAS Inst itute Inc. A l l r ights reserved.
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
Copyright © SAS Inst itute Inc. A l l r ights reserved.
Preguntas?