El dilema de toda financiera es, a quien debo otorgar un crédito, la búsqueda puede ser complicada pero en realidad es simple.
Partiendo de la experiencia y las bitácoras se puede hacer minería de la información y encontrar información relevante, con la ayuda de un SIEM y un poco de Machine Learning.
El objetivo:
Identificar de la muestra si los solicitantes son sujetos a crédito y a los clientes aplicar una cobranza temprana según sus pagos a tiempo, tardíos y sin pago, sobre:
2,000 Clientes.
1,000 Prospectos.
El paso inicial es meter estos datos a un SIEM (Splunk), donde podemos apreciar que probablemente 631 llegan a la clase media según las estadísticas Mexicanas y podemos ver una tendencia de pagos tardíos en la grafica en color verde.
Existen 90 clientes con limite de crédito de $250,000 (con este crédito y que no paguen, tendrá sentido que tengan esos limites) de los cuales podemos apreciar que la mayoría que no paga son hombres y también apreciamos el tipo de tarjeta que manejan clásica, oro y platino respectivamente.
Según las información de los 33 a los 43 años es la mejor edad para que los bancos otorguen créditos ya que la tendencia indica que pagan a tiempo o presentan un pago tardío. Las colonia que presentan un pago a tiempo es la Centro y alrededores.
Perfilando a los pagadores, Propietarios de negocio, independientes y Administrativos son los que pagan a tiempo.
Hay 1,000 prospectos, donde las financieras deberá decidir si es sujeto a crédito, no tiene que ser un juego al azar, aquí es donde el Machine Learning nos puede ayudar a tomar la decisión.
La aplicación Splunk Machine Learning Toolkit son scripts basados en phyton que contienen el lenguaje de Splunk, visualizaciones personalizadas, asistentes y ejemplos para explorar una variedad de conceptos.
Cada asistente incluye ejemplos de extremo a extremo con conjuntos de datos, además de la capacidad de aplicar las visualizaciones y los comandos SPL a sus propios datos. Puede inspeccionar los paneles del asistente y el código para ver cómo funciona todo.
http://tiny.cc/splunkmlvideos
http://tiny.cc/mltkcheatsheet
Ofrece:
Predecir campos numéricos (regresión lineal): por ejemplo, predecir los valores medios.
Predecir campos categóricos (regresión logística): por ejemplo, predecir la pérdida de clientes.
Detectar valores atípicos numéricos (estadísticas de distribución): por ejemplo, detectar valores atípicos en los datos de operaciones de TI.
Detectar valores atípicos categóricos (medidas probabilísticas): por ejemplo, detectar valores atípicos en los registros de pacientes con diabetes.
Predicción de series temporales: por ejemplo, pronostique el crecimiento del centro de datos y la planificación de capacidad.
Eventos numéricos de clúster: por ejemplo, Discos duros de clúster de SMART Metrics.
Según el historial de los clientes de las financieras pueden determinar y calificar a estos 1,000 solicitantes según, su edad, domicilio, ocupación, ingresos, etc. sí son sujetos al crédito. Los resultados son sorprendentes nos permiten identificar quien seria buen pagador y quién entraría al esquema de moroso.
Si caes en una de estas categorías recuerda que estos datos son generados aleatoriamente y que no representan a ninguna institución financiera.
Commentaires