El aporte del Data Mining en la gestión de riesgo para la toma de decisiones en el sistema financiero

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 

...