Data Mining

Índice

Introducción 2

Casos de estudio: 3

1.- Caso de predicción en Bankinter 3

Antecedentes del caso: 3

Empresa: 3

Problema: 3

Dirección web: 3

Objetivo: 3

Técnicas utilizadas: 3

Algoritmo utilizado: 3

Datos utilizados: 4

Resultados obtenidos: 4

2.- Caso de descripción en Repsol Ypf 5

Antecedentes del caso: 5

Empresa: 5

Problema: 5

Dirección web: 5

Objetivo: 5

Técnicas utilizadas: 5

Algoritmos utilizados: 5

Datos utilizados. 6

Resultados obtenidos: 6

Conclusión 7

Anexos 8

1.- Caso de estudio de Bankinter: 8

Bankinter: la excelencia en la gestión del riesgo 8

2.- Caso de estudio de Rapsol Ynf: 12

CRM analítico en Repsol Ypf: Optimización de la relación con los clientes 12

Introducción

En actualidad, debido a la alta competencia de cualquier mercado, toda empresa necesita de herramientas que le ayuden dentro de su organización. Una de ellas es el Data Mining, con el cual las organizaciones explotan sus datos históricos permitiéndole así obtener un sin fin de beneficios.

El predecir el accionar de sus clientes, para cualquiera por supuesto que es en plus altísimo, o el entender, por medio de un análisis, el patrón de compra para cierto tipo de personas, segmentarlas de manera tal que simplifique su trato particular, y así se puede seguir enumerando beneficios que otorgan los software de Data Mining.

Una herramienta de Data Mining tiene como propósito principal ayudar a los usuarios a extraer conocimientos de sus datos corporativos y estos deberán emplearlos de la forma más pertinente que ellos consideren, diferenciándose así de sus competidores.

En este trabajo se presentaran dos casos de estudio, uno enfocado en las tareas predictivas y el segundo en las descriptivas.

Casos de estudio:

1.- Caso de predicción en Bankinter

Antecedentes del caso:

Empresa: Bankinter se constituyó en Junio de 1965 como un banco industrial, al 50% entre el Banco de Santander y el Bank of América. En 1972 salió a cotizar a la Bolsa de Madrid, convirtiéndose en ese momento en un banco totalmente independiente de sus fundadores; fue entonces cuando se transformó en un banco comercial. La historia de Bankinter se caracteriza por ser una historia de crecimiento a lo largo de los años, fundamentada en aprovechar cambios regulatorios, situaciones especiales y nuevos nichos de mercado. Así, en el momento de su fundación, Bankinter ocupaba el puesto nº 107 en el ranking de bancos españoles según su tamaño, situándose en la actualidad entre los10 primeros.

Problema: lo diferentes riesgos existentes en las operaciones bancarias y su dificultad para cuantificarla.

Dirección web: https://www.sas.com/offices/latinamerica/mexico/success/bankinter.html

Objetivo:

Generar los modelos predictivos que ayuden a la compañía a determinar el nivel de riesgo para cada operación.

Técnicas utilizadas:

Se utilizan los arboles de decisiones y procesos de scoring automatizados (puntajes a las distintas operaciones)

Algoritmo utilizado:

SAS ENTERPRISE MINER TM

Datos utilizados:

Bankinter diseñó una base de datos con información pertenecientes a cuatro grupos de variables básicas.

• Variables de la operación: cantidad solicitada, plazos amortizados, etc.

• Variables socioeconómicas y demográficas: edad, situación laboral y familiar, etc., perteneciente al solicitante.

• Datos de calidad de riesgo: historial de pago.

• Datos referentes a su relación con el banco: si el solicitante tiene otros productos y cuál es su trayectoria interna dentro de la entidad.

Resultados obtenidos:

Los beneficios que ha obtenido Bankinter son que en todo momento conocen la probabilidad de impago de sus operaciones crediticias, la exposición que sufre la entidad y la severidad que estas representan.

La tecnología de SAS les proporciona el conocimiento suficiente para lograr determinar donde se presentan los puntos débiles de cada operativa, además de otorgar de manera automática de por qué se deniega una hipoteca o en donde están sus aspectos dudosos o conflictivos. Por ultimo les permitió saber cuáles eran las variables más significativas y por ende las que tienen mayor capacidad de predicción.

2.- Caso de descripción en Repsol Ypf

Antecedentes del caso:

Empresa: Repsol es una compañía energética integrada y global con amplia experiencia en el sector, que desarrolla actividades de Upstream y Downstream en todo el mundo.

En Repsol creen en la innovación como motor de cambio para crear un nuevo modelo energético. Por ello, están presentes en zonas de alto potencial energético como Brasil, Rusia o EE.UU. Gracias a una estrategia de crecimiento consolidada con pasos firmes, han desarrollado nuevas y atractivas áreas de negocio dentro de la compañía.

Problema: difícil comprensión de las pautas de consumo de sus clientes, provocando problemas en la calidad de servicio que ofrecen a sus clientes.

Dirección web: http://www.sas.com/offices/latinamerica/chile/success/repsol_ypf.html

Objetivo:

Conocer mejor las pautas de consumo de sus clientes, y mejorar la calidad del servicio ofrecido.

Técnicas utilizadas:

Utilizan técnicas de agrupación (clustering) acompañados de un crm.

Algoritmos utilizados:

SAS ENTERPRISE MINER TM y su CRM analítico.

Datos utilizados.

Rapsol Ypf tiene 10 bases de datos (300gb), en las que se incluye información de sus filiales, sus puntos de ventas, tarjetas de fidelidad de sus clientes, las campañas de marketing, etc.

Resultados obtenidos:

Gracias a la segmentación que pueden realizar, han ganado la capacidad de afrontar las campañas y comerciales más específicas, permitiéndole así mejorar su relación con los clientes.

Además realizan, ahora, análisis a las unidades de negocio, aportándoles

...