You are leaving our main website to go to our chinese website hosted in China. For legal reasons there will not be any links pointing back to the main website.
Para la mayoría de las empresas modernas, hablar de Data Science, Machine Learning y, cada vez más, inteligencia artificial es emocionante. Sin embargo, a los servicios financieros, estos términos les causan terror.
Y con razón, uno de los grandes desafíos de la industria a la hora de adoptar estas tecnologías se debe a un entorno regulatorio generalmente más estricto y de mayor importancia que en el resto de industrias. Sin embargo, a pesar de este desafío, hay algunas instituciones que destacan por encima del resto, trabajando en la vanguardia del mundo del Data Science en aplicaciones creativas que mejoran los resultados comerciales y mejoran la experiencia del cliente.
Muchas empresas del sector utilizan el Machine Learning para transformar los procesos comerciales en toda la organización de manera revolucionaria.
Para asegurarse que producen el mejor modelo de detección de fraude tienen en cuenta lo siguiente:
Consideran el retorno de la inversión (ROI)
Antes de emprender un proyecto de datos, el equipo considera en primer lugar el impacto comercial potencial del proyecto. En el caso de la detección de fraude, calculan que si el modelo detectara incluso un caso de fraude, podrían ahorrarle a una entidad de préstamos personales un promedio de $ 15,000. Pero también consideran los beneficios indirectos, como el hecho de que un modelo más sofisticado aceleraría el proceso de obtención de un préstamo para los clientes al minimizar el número de casos que no son fraude.
Recopilan todos los datos disponibles
La clave para un proyecto innovador de Data Science es introducir la mayor cantidad de datos para crear el modelo. En el caso de un proyecto de detección de fraude, esto significa crear un conjunto de datos masivo para trabajar utilizando no solo datos internos, sino conjuntos de datos disponibles externamente de agencias de crédito, proveedores de detección de fraude y más.
Pruebas / evaluaciones comparativas contra la estrategia actual
Es necesario comparar los modelos desarrollados con la solución actual porque si el rendimiento no es mejor que el del sistema existente provocará más trabajo innecesario en la monitorización.
Se despliega en producción
Una vez probados y comparados, se ponen en producción, donde pueden tener un impacto real en el negocio. Referencias: Todos los derechos reservados a Dataiku
Mantente al día en las últimas noticias y eventos
Tu dirección de correo electrónico se utiliza para enviarte la newsletter de Keyrus y para fines de prospección comercial. Puedes utilizar el enlace de opt-out en nuestros correos electrónicos en cualquier momento. Más información sobre la gestión de sus datos y sus derechos.
Blog post
Conocer el churn rate de tu negocio es imprescindible si quieres garantizar la rentabilidad y sostenibilidad de tu negocio a corto y largo plazo. Los modelos predictivos de tipo churn pueden ayudarte controlarlo y tomar medidas para retener y fidelizar a tus clientes de manera efectiva.
Blog post
Tomar decisiones más acertadas y estratégicas, evitar riesgos (o minimizar su impacto), gestionar tus recursos de manera más eficiente, reducir costes o fidelizar mejor a tus clientes son algunas de las ventajas competitivas que puedes obtener gracias al uso de la analítica predictiva.
Blog post
¿Cuáles son los pasos para crear un modelo predictivo? En este artículo, veremos cómo se requiere de una combinación perfecta de técnicas y un poco de intuición para implementarlos de manera exitosa.
Blog post
¿Cómo explicar el funcionamiento de esta disciplina que trabaja con algoritmos que consiguen predecir el futuro a través de los datos? Aquí te lo contamos.
Opinión de experto
Entrevista de la revista Woman a Kathy Contramaestre, Managing director de Keyrus.
Blog post
Aquí llega un recopilatorio de nuestro mejor contenido y de las entrevistas a nuestros managing directors, el equipo de marketing, presales y delivery y secciones exclusivas con nuestros expertos en Retail, Seguros, Turismo, Energía y Manufacturing
Blog post
¿No se ocupan ambos de trabajar con ordenadores, números y algoritmos sin parar? Bueno, eso es un poco verdad. Pero la realidad es que ambos son dos perfiles muy distintos y en este artículo vamos a conocer sus diferencias.
Opinión de experto
Técnicas utilizadas en los modelos de filtrado colaborativo y basado en contenido.
Opinión de experto
Los sistemas de recomendación han logrado cambiar la forma en la que consumimos nuevos contenidos y descubrimos productos nuevos.
Blog post
El Data Science se convirtió en el as bajo la manga de los decision makers tras la pandemia y ahora son unos players destacados de la partida que cuentan con más recursos que antes para hacer frente a un mercado más digitalizado y más competitivo.