Ir al contenido

Documat

Las nuevas oportunidades del Big Data para las instituciones financieras

  • Pedro GALEANO [1] ; Daniel PEÑA [1]
    1. [1] Universidad Carlos III de Madrid

      Universidad Carlos III de Madrid

      Madrid, España

  • Localización: Papeles de economía española, ISSN 0210-9107, Nº 162, 2019, págs. 78-97
  • Idioma: español
  • Enlaces
  • Resumen
    • español

      Este trabajo describe el actual entorno de información masiva, el llamado Big Data, en el que se mueven hoy las entidades financieras y analiza las nuevas oportunidades para bancos, cajas de ahorros y otras instituciones financieras de utilizar los nuevos datos disponibles sobre sus clientes, presentes y potenciales, para mejorar sus estrategias comerciales. Se describen las nuevas formas de información disponible, que incluyen no solo las tablas de datos numéricos tradicionales, sino imágenes, textos de la web y datos temporales y espaciales, a veces en forma de funciones. Estos nuevos datos pueden revelar patrones de comportamiento y de relaciones entre variables que permitan segmentar mejor la clientela y construir modelos con mayor capacidad predictiva que los actuales. Se revisan brevemente algunas de las nuevas herramientas desarrolladas en los últimos años bajo los nombres de «aprendizaje estadístico» (statistical learning), «inteligencia artificial» y «aprendizaje automático» (machine learning) y su potencial en distintos problemas, como predicción personalizada, análisis de redes de clientes, prevención del fraude o detección de la lealtad de los clientes, entre otros. Por último, se presenta un ejemplo de cómo la construcción de redes de clientes y su análisis puede mejorar las políticas comerciales en un gran banco internacional.

    • English

      This paper describes the current mass information environment, the so-called Big Data, in which financial institutions move today and analyses the new opportunities that this situation generates for banks and financial institutions to use the new data available on their present and potential clients to improve their marketing strategies.

      The new forms of available information are described, which include not only traditional numerical data tables, but images, web texts and temporal and spatial data, sometimes in the form of functions. These new data can reveal patterns of behaviour and relationships between variables that allow better customer segmentation and build models with greater predictive capacity than current ones. Some of the new tools developed in recent years under the names of statistical learning, artificial intelligence, and machine learning are briefly reviewed and their potential in different problems, such as personalized prediction, customer network analysis, fraud prevention or customer loyalty detection. Finally, an example is presented of how the construction of customer networks and their analysis can improve trade policies in a large international bank

  • Referencias bibliográficas
    • Abd allah, A., Maarof, M. y Zainal, A. (2016). Fraud detection system: A survey. Journal of Network and Computer Applications, 68, pp. 90-113.
    • Bartov, E., Faurel, L. y Mohanram, P. S. (2018). Can Twitter help predict firm-level earnings and stock returns? The Accounting Review, 93,...
    • Benoit, D. F. y Van Den Poel, D. (2012). Improving customer retention in financial services using kinship network information. Expert System...
    • Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
    • Blondel, V. D., Guillaume, J-L., Lambiotte, R. y Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical...
    • Bolton, R. y Hand, D. J. (2002). Statistical fraud detection: A review. Statistical Science, 17, pp. 235-249.
    • Brandes, U., Delling, D., Gaertler, M., Gorke, R., Hoefer, M., Nikoloski, Z. y Wagner, D. (2008). On Modularity Clustering. IEEE Transactions...
    • Burez, J. y Van den Poel, D. (2008). Separating financial from commercial customer churn. Expert System with Applications, 35, pp. 497-514.
    • Chen, H., De P., Hu Y. J., y Hwang, B-H. (2014). Wisdom of crowds: The value of stock opinions transmitted through social media. Review of...
    • Clauset, A., Newman, M. E. J. y Moore, C. (2004). Finding community structure in very large networks. http://www. arxiv.org/abs/cond-mat/0408187
    • De Bock, K. y Van den Poel, D. (2011). An empirical evaluation of rotation-based ensemble classifiers for customer churn prediction. Expert...
    • Dorronsoro, J. R., Ginel, F., Sánchez, C. y Cruz, C. S. (1997). Neural fraud detection in credit card operations. IEEE Transactions on Neural...
    • Einav, L. y Levin, J. (2014). The data revolution and economic analysis. Innovation Policy and the Economy, 14, pp. 1-24.
    • European Central Bank (2018). Fith Report on card fraud. https://www.ecb.europa.eu/pub/cardfraud/html/ecb. cardfraudreport201809.en.html
    • Fang, B. y Zhang, P. (2016). Big data in finance. En Big Data Concepts, Theories, and Applications. Springer, pp. 391-412.
    • Galeano, P. y Peña, D. (2019). Statistics, Big Data and Data Science (with discussion). TEST, 28, pp. 289-368.
    • Giannone, D., Reichlin, L. y Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary...
    • Granovetter, M. S. (1973). The strength of weak ties. The American Journal of Sociology, 78, pp. 1360-1380.
    • Hastie, T., Tibshirani, R. y Friedman, J. H. (2009). The Elements of Statistical Learning Data (2nd edition). Springer.
    • Kahneman, D. (2012). Pensar rápido, pensar despacio. Debate.
    • Kapetanios, G. y Papaillias, F. (2018). Big Data & Macroeconomic Nowcasting: Methodological review. ESCoE Discussion paper, 2018-12.
    • Kou, Y., Lu, C-T., Sirwongwattana, S. y Huang, Y-P. (2004). Survey of fraud detection techniques. En IEEE International Conference on Networking,...
    • Maruatona, O., Vamplew, P. y Dazeley, R. (2012). Prudent fraud detection in Internet banking. 2012 Third Cybercrime and Trustworthy Computing...
    • Masthoff , J. y Gatt, A. (2006). In pursuit of satisfaction and the prevention of embarrassment: affective state in group recommender systems....
    • Mayer-Schönberger, V. y Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.
    • Paradis, L. y Han, Q. (2007). A survey of fault management in wireless sensor networks. Journal of Network and Systems Management, 15, pp....
    • Pedregosa, F. et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, pp. 2825-2830.
    • Peña, D. (2014). Big Data y Estadística: ¿Tendencia o cambio? Boletín de Estadística e Investigación Operativa, 30, pp. 313-324.
    • Peña, D. (2015) Big Data, Ciencia y Estadística. Revista de Ciencia y Humanidades, 14, pp. 97-106. Fundación Ramón Areces.
    • Phua, C., Lee, V., Smith, K. y Gayler, R. (2010). A comprehensive survey of data mining-based fraud detection research. arXiv preprint arXiv:1009.6119.
    • Pons, P. y Latapy , M. (2005). Computing communities in large networks using random walks. http://arxiv.org/abs/ physics/0512106
    • Quijano-Sánchez, L. y Liberatore, F. (2017). The BIG CHASE: A decision support system for client acquisition applied to financial networks....
    • Seth, T. y Chaudhary, V. (2015). Big Data in Finance. En Li, K.- C., Jiaang, H., Yang, L. T., Cuzzocrea, A. (eds.), Big Data: Algorithms,...
    • Ugarte, M. D., Militino, A. F. y Arnholt, A. T. (2015). Probability and Statistics with R. Chapman and Hall/CRC.
Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno