El aporte del Data Mining en la gestión de riesgo para la toma de decisiones en el sistema financiero
GAAACUCHITOMonografía3 de Diciembre de 2019
4.572 Palabras (19 Páginas)114 Visitas
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
ESTUDIOS GENERALES LETRAS
Trabajo Individual
Tipo de evaluación: Evaluación Continua 4
Nombre: Juan Pablo Diez
Código: 20162138
Curso: Investigación Académica
Horario: 0671
Comisión: 3
Profesor: Gabriela Linares
Jefe de Práctica: Diana Buleje Fuentes
SEMESTRE 2019-2
Tema
El aporte del Data Mining en la gestión de riesgo para la toma de decisiones en el sistema financiero.
Pregunta
¿De qué manera el Data Mining, aplicado en la gestión de riesgos, ha contribuido en la toma de decisiones en el sistema financiero
Hipótesis
El Data Mining incide en la gestión de riesgo para la toma de decisiones de manera efectiva y sostenible en el tiempo través del uso de técnicas descriptivas o predictivas cuya función es generar modelos que se adecuen a la necesidad que plantee la entidad financiera.
Se puede entender como Data Mining al proceso de análisis de grandes bases de datos para encontrar relaciones insospechadas que sean de interés o valor para el propietario de los datos (Hand, 1999, p.17). De esta forma, el Data Mining incide, de manera efectiva y certera, en la toma de decisiones en organizaciones bancarias; a su vez, utiliza dos tipos de técnicas para apoyarse en el análisis de toda la información: las descriptivas, donde resalta el Clustering; y las predictivas, donde encontramos a los árboles de decisiones. La toma de decisiones en diferentes sectores del quehacer humano se convierte, cada vez más, en una tarea donde se puede utilizar sofisticadas herramientas computacionales para facilitar y agilizar el proceso investigativo. Un procedimiento de vanguardia y eficiente, para optimizar decisiones, puede ahorrar cientos de millones de dólares a cualquier entidad bancaria que lo use. Una alternativa que reúne todas estas características y ha sido usada, con mayor frecuencia, en esta última década, es el Data Mining. Como se menciona en Garrido y Latorre (2001), la importancia de este proceso radica en su capacidad de poder predecir de manera automática comportamientos, como los perfiles de clientes; tendencias, como la predisposición a qué consumir; y el descubrimiento de comportamientos desconocidos, relacionando los dos anteriores. Por un lado, como se evidencia en Rantes y Cruz (2010), el Clustering consiste en la agrupación de datos en grupos más pequeños o Clusters que guarden relación entre ellos. Los métodos que obtienen una solución al problema que el Clustering agrupa se dividen en dos tipos: hard clustering y soft clustering. Por otro lado, “un árbol de decisión es un conjunto de condiciones organizadas en una estructura jerárquica, de tal manera que la decisión final a tomar, se puede determinar siguiendo las condiciones que se cumplen desde la raíz del árbol hasta sus hojas” (Ñaupas, 2016, p. 30); es decir, toma en cuenta toda restricción que se tenga para tomar una decisión acertada al respecto.
que se tenga para tomar una decisión acertada al respecto. Ante esto, se podrá obtener una predicción efectiva para evitar un fraude electrónico en una entidad financiera y salvaguardar al usuario de esta misma.
Objetivo General: Analizar la incidencia del Data Mining en la gestión de riesgos en organizaciones financieras, ya que, permite mejorar la toma de decisiones debido a los resultados efectivos y duraderos en el tiempo a través del uso de sus técnicas predictivas o descriptivas según se requiera. Además, analizar la incidencia del Data Mining en el contexto financiero actual y su relación con este. Del mismo modo, analizar la incidencia de la gestión de riesgos en el sector financiero contemporáneo
Objetivo sub Específico 1.1: Explicar la relación entre la gestión de riesgo y el contexto financiero actual
Objetivo Sub sub-específico 1.1.1: Explicar qué es un riesgo y qué es la gestión de riesgos .
Objetivo Sub sub-específico 1.1.2: Precisar qué se considera como banca y los riesgos a los que está propensa. Además generar una relación con la gestión de riesgos
Objetivo Sub-específico 1.2: Explicar el funcionamiento del proceso del Data Mining y su importancia/relación en la gestión de riesgos para la toma de decisiones
Objetivo Sub-sub- específico 1.2.1: Definir qué es Data Mining
Objetivo Sub-sub- específico 1.2.2: Describir el proceso de Data Mining
Objetivo Sub-sub- específico 1.2.3: Describir la relación entre el Data Mining y la gestión de riesgos para la toma de decisiones
Objetivo Sub-específico 1.3: Explicar las diferentes utilidades del Data Mining en el sistema financiero actual
Objetivo Específico 2: Analizar cómo las técnicas del Data Mining inciden en el proceso de detección de fraudes, teniendo al Clustering para fraudes en torno a tarjetas de crédito y a los árboles de decisión para fraudes electrónicos. Además, analizar su posible implementación en un contexto peruano.
Objetivo Sub-específico 2.1: Examinar la conformación de las técnicas del Data Mining en el proceso de detección de fraudes electrónicos
Objetivo Sub-sub-específico 2.1.1: Definir qué es una técnica descriptiva: Clustering
Objetivo Sub-sub-específico 2.1.2: Definir qué es una técnica predictiva: Árboles de Decisión
Objetivo Sub-específico 2.2: Delimitar un fraude en relación a tarjetas de crédito
Objetivo Sub-específico 2.3: Examinar la incidencia del Clustering en la detección de fraudes con relación a tarjetas de crédito
Objetivo Sub-específico 2.4: Delimitar qué es un fraude electrónico
Objetivo Sub-específico 2.5: Examinar la incidencia de los Árboles de decisión en la detección de fraudes electrónicos
Esquema
Introducción
Capítulo 1: Un mundo lleno de datos: Data Mining y su relación con la gestión de riesgos para la toma de decisiones en el sistema financiero
Sub-capítulo 1.1: Gestión de riesgos y su importancia en la banca a nivel internacional
Sub-sub-capítulo 1.1.1: Prudencia y resultados: ¿Qué es la gestión de riesgos?
Sub-sub-capítulo 1.1.2: La banca y los riesgos a los que está propenso
Sub-capítulo 1.2: Funcionamiento del Data Mining y su importancia con la gestión de riesgos para la toma de decisiones
Sub-sub-capítulo 1.2.1: Ordenando el archivador: ¿Qué es el Data Mining?
Sub-sub-capítulo 1.2.2: Datos dando datos: Funcionamiento del Data Mining
Sub-sub-capítulo 1.2.3: Relación entre el Data Mining y la gestión de riesgos para la toma de decisiones
Sub-capítulo 1.3: Inserción en un nuevo mundo: Uso del Data Mining en el sistema financiero…
Capítulo 2: ¿Aporta realmente el Data Mining a la toma de decisiones en el sistema financiero a través del uso de técnicas?
Sub-capítulo 2.1: Caso 1: Clasificación de la banca comercial peruana por medio de técnicas descriptivas
Sub-sub-capítulo 2.1.1: ¿Qué son Técnicas Descriptivas?: Clustering
Sub-sub capítulo 2.1.1: Contextualización de la banca peruana respecto a la problemática planteada en el caso
Sub-sub-capítulo 2.1.3: Aplicación del Clustering y resultados
Sub-capítulo 2.2: Caso 2: Aplicación de árboles de decisión en modelos de riesgo crediticio en la banca colombiana
Sub-sub- capítulo 2.2.1: ¿Qué son Técnicas Predictivas?: Árbol de Decisión
Sub-sub-capítulo 2.2.2: Contextualización de la banca colombiana respecto a la problemática planteada en el caso
Sub-sub- capítulo 2.2.4: Aplicación Árbol de Decisión y resultados
…
Conclusiones
Capítulo 1
Un mundo lleno de datos: Data Mining y su relación con la gestión de riesgos para la toma de decisiones en el sistema financiero
La tecnología siempre ha sido un indicativo de cambio y desarrollo constante. Así, en una época en donde la cantidad de datos e información producidos es cada vez más grande, la tecnología marca la pauta para el progreso: el procesamiento de la data en conocimiento. Por tanto, en una coyuntura de progreso tecnológico en relación al manejo de grandes bancos de información, es necesario para cualquier organización instaurar técnicas y tecnologías que los mantengan en vanguardia. Así, la aplicación de una herramienta como el Data Mining, la cual trabaja con bases de información masiva, se torna particularmente atractiva para cualquier entidad. Por todo ello, la aplicación de una herramienta, como el Data Mining, que puede predecir y describir comportamientos y tendencias en una base de datos, puede aportar distintos tipos de beneficios y utilidades. Así, en el presente capítulo, se busca analizar la incidencia del Data Mining en la gestión de riesgos aplicada en el sistema financiero en general. Para ello, se procederá con la definición y contextualización de los términos eje en esta investigación: riesgos, gestión de riesgos, banca y Data Mining. Luego, se procederá a la relación de cada uno de estos para mostrar la injerencia y el aporte del Data Mining.
Subcapítulo 1.1.: Gestión de riesgos y su importancia en la banca a nivel internacional.
Subcapítulo 1.1.1: Prudencia y resultados: ¿Qué es la gestion de riesgos?
¿Qué podría pasar? es, posiblemente, la pregunta, con mayor frecuencia, que debe merodear la tranquilidad de un gestor de riesgos que labore en cualquier tipo de entidad; no obstante, para que esta oración cobre sentido es necesario definir qué es un riesgo y, por consiguiente, qué es la gestión del mismo. Según el diccionario de la Real Academia Española, un riesgo puede ser definido como “contingencia o proximidad de algo” o “la posibilidad de sufrir algún prejuicio”. De cualquier forma, indistintamente de la situación, toda acción lleva siempre implícito diferentes tipos de riesgo puesto que existe esta característica inherente que no nos permite saber qué pasará: la incertidumbre. Así, se define al riesgo como “la combinación de la probabilidad de un suceso y sus consecuencias” (Casares, 2013, p.20). Es decir, la particularidad del riesgo radica en la probabilidad de que este ocurra o no y, según eso, los resultados obtenidos pueden variar. También, es necesario considerar, como se menciona en Casares (2013), que los riesgos constituyen potenciales situaciones que pueden ser propicias para conseguir algún tipo de beneficio o para mitigar cualquier tipo de amenaza, y la gestión de riesgo de cada empresa tiene que analizar cuál es el caso en cada instancia: beneficio o prejuicio. No obstante, en áreas como las de seguridad o crédito, se suele admitir que las consecuencias de los riesgos son solo negativas, por lo que es necesario centrarse en la prevención o aminoramiento de daño de los mismos.
...