Aplicaciones de minería de datos en. la industria financiera

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Aplicaciones de minería de datos en. la industria financiera"

Transcripción

1 Aplicaciones de minería de datos en Modelos de Minería de Datos para la la industria financiera Industria Financiera Ing. María del Rosario Bruera Noviembre 20,

2 Agenda Ideas centrales Minería de Datos HOY Data Governance Predictive Analytics Modelos de scoring Soluciones de información Integración de plataformas analíticas Espacio para preguntas 2

3 Equifax en el Mundo Equifax, Inc. United Kingdom Spain Portugual 12 Empresas de Información En la Argentina administra la base de datos VERAZ 108 años de experiencia Mas de 300 productos Mas de clientes Enfoque en la satisfacción del cliente y la privacidad de los datos del consumidor Canad a USA Headquarters: Atlanta, Georgia Central America Brazil Peru Argentina Uruguay Chile Ecuador Líder Mundial en Información, Modelos Estadísticos y Tecnología de Automatización de Decisiones 3

4 Tendencias actuales El objetivo de la minería de datos (predictive analytics) ha cambiado De: Reemplazar al estadístico A: Mejores modelos, más ordenados, reutilizables y fáciles de utilizar Incorporación de stándares XML, PMML, etc Web services Integración Entre aplicaciones Entre bases de datos y aplicaciones El foco está ahora en el VALOR AGREGADO DEL MODELO más que en la TASA DE ERROR DE PREDICCIÓN 4

5 Data Mining en el mundo real More than Algorithms, Data Mining in the Real World, Kurt Threaling Por qué??? 5

6 La crisis de los datos La palabra CRISIS proviene del verbo griego krino que significa separar o decidir. Crisis es algo que se rompe y porque se rompe hay que analizarlo. De allí el término crítica que es el análisis de algo para emitir un juicio y criterio que se utiliza para indicar un razonamiento adecuado. Porqué estamos en crisis con los datos: Preguntas de negocio tales como : cuál es el valor de mis clientes? son respondidas a partir de los datos de la propia compañía (antes que con investigaciones de mercado) Grandes volúmenes de datos están fácilmente accesibles Poderosas herramientas de acceso a los datos y de modelización los disponibilizan a usuarios no técnicos y generan predicciones y pronósticos a partir de ellos Pero: Los incidentes referidos a calidad de datos aumentan cada día La organizaciones no son totalmente information literate 6

7 Una definición de Calidad de Datos Los datos tienen CALIDAD cuando satisfacen los REQUERIMIENTOS de los CONSUMIDORES DE DATOS (DATA CONSUMERS) Existe un problema de calidad de datos cuando se identifica cualquier dificultad que invalida el uso del dato por parte del consumidor Un programa de aseguramiento de la calidad es una combinación EXPLICITA de procesos, metodologías y actividades que existen con el propósito de sostener altos niveles de calidad en los datos 7

8 El Ecosistema de los datos KNOWLEDGE KNOWLEDGE WHAT HOW WHY DATA COLLECTOR DATA CUSTODIAN DATA CONSUMER ROLE 1 ROLE 2 ROLE 3 Lo que interesa es que el dato cumpla con los requerimientos (necesidades) de quien lo utiliza Diferentes consumidores exigen diferentes niveles de calidad en los datos DATA COLLECTION DATA STORAGE AND MAINTENANCE DATA UTILIZATION PROCESS 1 PROCESS 2 PROCESS 3 COMPLETENESS ACCESIBILITY TEMPORALITY RELEVANCE FIDELITY COMPLETENESS No se espera contar con datos CERO DEFECTO Beauty (Data Quality) is in the eye of the beholder DATA QUALITY DIMENSIONS 8

9 From computer-literate to information-literate Executives have become computer literate. The younger ones, especially, know more about the way the computer works than they know about the mechanics of the automobile or the telephone. But not many executives are information literate. They know how to get data. But most still have to learn how to use data. PETER F. DRUCKER: "Be Data Literate Know What to Know" The Wall Street Journal 1 Dec 1992 La crisis nos obliga a analizar el comportamiento del ecosistema de los datos y a desarrollar nuevas competencias de análisis para la toma de decisiones certeras 9

10 Un antecedente : la crisis del software The major cause of the software crisis is] that the machines have become several orders of magnitude more powerful! To put it quite bluntly: as long as there were no machines, programming was no problem at all; when we had a few weak computers, programming became a mild problem, and now we have gigantic computers, programming has become an equally gigantic problem. Edsger Dijkstra, The Humble Programmer, 1972 Soluciones 10

11 Data Governance DATA GOVERNANCE: es el desarrollo e implementación de un conjunto de reglas, políticas y stándares para manejar los datos corporativos Se implanta a partir de un equipo de management (formado por personas de Tecnología y de las áreas de negocio) unificados en una única misión que es asegurar que los datos corporativos: Sean lo que deben ser (DATA QUALITY) Estén en el contexto adecuado (DATA INTEGRITY) Tengan su metadata correcta y accesible (DATA USABILITY) Estén en un ecosistema gerenciado por una arquitectura sustentable (MDM) 11

12 Las 4 Ps de DATA GOVERNANCE Data Governances Strategies. Helping your Organization to Comply, Transform & Integrate By Phillip Russon, TWI Reports 12

13 Pilares de Data Governance Data Governances Strategies. Helping your Organization to Comply, Transform & Integrate By Phillip Russon, TWI Reports 13

14 La base Veraz: Información Publica y Privada Fuente : Pública - Boletines Oficiales de todo el país. - Juzgados Civ. y Com. de las principales plazas del país. - Administración Federal de Ingresos Públicos. - Banco Central de la República Argentina. Privada - Nuestros Clientes aportando: Clearing de deudores. (Abierta Cerrada) Credit Bureau. Telco Exchange. (Cerrada) -Titular del dato Call Center 14

15 Información de Fuente Pública VOLUMEN DE INFORMACION 5K Registros Mensuales - Boletines oficiales. 13K Registros Mensuales - Juzg. Civ. y Com. principales plazas de todo el país. 750K Registros Mensuales -Administración Federal de Ingresos Públicos. 3MM Registros Mensuales (Altas y Actualizaciones) - Banco Central de la República Argentina 15

16 Información de Fuente Privada 60 K Registros mensuales - Clearing de Deudores (Base Abierta) Mora Financiera Mora No Financiera Mora No comercial 2.0 MM Registros mensuales - Clearing de Deudores (Base Cerrada) 1MM Nuevos registros mensuales Veraz Credit Bureau 3.6MM Registros semanales Telco Exchange La base Veraz (producción) tiene un tamaño de 4.2 terabytes 16

17 Predictive Analytics Predictive Analytics. Extending the value of your Data Warehousing Investment, Wayne Eckerson, TWDI Reports 17

18 Un buen modelo analítico es Escalable Combinable con otro Flexible Durable Fácil de interpretar y utilizar Standard (reproducible) Evolutivo 18

19 Los modelos de Scoring 19

20 Modelos de Scoring Son el caballito de batalla de las plataformas analíticas de la industria financiera El Score es un número que permite ordenar las cuentas de acuerdo al nivel de riesgo de las mismas 999 Score 800 Buenas Muy Malas Muy Buenas! Malas 1 20

21 Credit Scoring Fuentes de Datos El modelo evalúa todas las variables que permiten inferir el comportamiento futuro de una persona en forma combinada Bureau: Observaciones: Cantidad, tipo, y Cantidad, tipo, y antigüedad de los antigüedad productos Bureau: Historia de pagos SCORE Consultas: Bcra: Cantidad, tipo, y Historia de antigüedad Datos pagos Demográficos 21

22 Credit Scoring Características Ecuación derivada estadísticamente mediante un modelo de regresión logística binaria Hipótesis: se puede predecir el comportamiento futuro a partir del perfil crediticio histórico No existe garantía de cuál será el comportamiento de un consumidor individual Los métodos analíticos permiten predecir el comportamiento futuro de un segmento de consumidores Los modelos son eficaces cuando hay volumen significativo de clientes La escala de calificación va de 1 a 999 Mientras más alta la calificación, mayor la probabilidad de un buen prospecto 22

23 Segmentación Score Equifax consta de múltiples Tarjetas de Calificación (Scorecards) que han sido alineadas para obtener el modelo final El esquema de segmentación utilizado para crear las Tarjetas de Calificación se basó en el estado de mora y fuentes de datos; y asimismo, fue derivado analíticamente de la base de datos Veraz 23

24 Definición de GOOD / BAD Las cuentas de pago dudoso (cuentas malas) están definidas como cuentas que han estado sobrevencidas: Más de 90 días en el BCRA (clasificación de 3 o mayor) Sobrevencidas más de 90 días en el Veraz Credit Bureau (clasificación de 4 o mayor) Tienen un ítem negativo informado en la base de Observaciones de Veraz, durante el período de comportamiento de 12 meses 24

25 Ciclo de desarrollo Período de Observación 01/06/01 01/01/02 observación 01/06/06 01/01/07 5 años Punto de Período de comportamiento 01/06/06 01/01/07 01/06/07 01/01/08 12 meses Analizar a los consumidores durante los períodos De observación, para ordenarlos en base a su comportamiento respecto de las características claves De comportamiento, para identificar buenos y malos 25

26 Capacidad de discriminación El test KS permite medir cuan bueno es un modelo. Calcula la diferencia entre las distribuciones acumuladas 100% 80% 40% 20% Buenas 93.4% 47.2% ó n acumulada Poblaci 60% KS= 47.2 Grafico KS Malas 0% 0% 20% 0 = NO HAY SEPARACION 100 = SEPARACION PERFECTA 40% 60% 80% 100% % Score Para modelos de calificación crediticia genéricos entre 15 y 25 bueno entre 25 y 35 muy bueno mayor de 35 excelente 26

27 Definiciones Tabla de Performance La Tabla de Performance del Mercado se envía a los clientes con una periodicidad semestral. El objetivo de la Tabla de Performance es analizar la bondad de ajuste del modelo para separar entre cuentas buenas y malas. Para la validación, se obtiene el Score de las personas físicas al momento de la consulta por parte de la entidad y se evalúa a un año posterior si este cliente fue bueno o malo. La definición de malo es: Calificación 3 o más en BCRA (90 días de atraso). Calificación 4 o más en Veraz Bureau (90 días de atraso) Item Negativo en la Base de Observaciones de Veraz Bureau La división entre tablas HIT y THIN depende a la Población a la que pertenecía al momento del cálculo del Score. 27

28 Definiciones : Poblacion Población HIT: Población con algún producto de crédito, sea este un préstamo, una tarjeta de crédito y/o una cuenta corriente en la Base de Veraz Bureau; algún producto informado en BCRA y/o alguna Observación en la Base de Veraz Bureau; en el lapso de los últimos 5 años. Población THIN: Población que no cuenta con productos crediticios ni en la Base de Veraz Bureau ni en BCRA y no cuenta con Observaciones en la Base de Veraz Bureau; en el lapso de los últimos 5 años. Esta población solo cuenta con datos demográficos y/o consultas. Población ALL: Población que contempla a los HIT y a los THIN. 28

29 Tabla de performance (Enero 2007) ALL Segmento: ALL Período: entre 01/01/2007 y 31/01/2007 Totales Intervalo Score Mínimo Score Máximo % ˉ de Total 2,4 13,9 23,8 33,0 40,8 51,1 59,8 69,6 76,9 80,1 86,7 90,0 91,4 92,6 93,3 94,1 95,2 96,1 97,9 100,0 % de Total 100,0 97,6 86,1 76,2 67,0 59,2 48,9 40,2 30,4 23,1 19,9 13,3 10,0 8,6 7,4 6,7 5,9 4,8 3,9 2,1 % ˉ de % de % ˉ de % de / de / ˉ de Buenos Buenos Malos Malos Malos Malos 2,8 15,8 27,1 37,2 45,7 56,6 65,6 75,9 83,5 86,7 93,4 96,4 97,5 98,5 98,9 99,2 99,6 99,8 99,9 100,0 100,0 97,2 84,2 72,9 62,8 54,3 43,4 34,4 24,1 16,5 13,3 6,6 3,6 2,5 1,5 1,1 0,8 0,4 0,2 0,1 0,3 2,2 4,6 8,0 12,3 18,7 25,1 31,9 37,4 41,4 47,2 51,9 55,0 58,0 60,3 63,7 68,8 74,0 85,9 100,0 100,0 99,7 97,8 95,4 92,0 87,7 81,3 74,9 68,1 62,6 58,6 52,8 48,1 45,0 42,0 39,7 36,3 31,2 26,0 14,1 1,6 2,5 3,4 5,4 7,9 9,0 10,6 10,0 11,0 17,4 12,7 21,1 31,7 33,8 50,6 63,0 69,7 83,1 91,7 97,8 1,6 2,3 2,8 3,5 4,3 5,3 6,1 6,6 7,0 7,5 7,9 8,3 8,7 9,0 9,3 9,8 10,4 11,1 12,7 14,4 46,2 KS 2,5 13,6 22,5 29,2 33,4 37,9 40,5 44,1 46,1 45,3 46,2 44,5 42,5 40,5 38,5 35,5 30,8 25,7 14,1 0,0 29

30 Tabla de performance (Enero 2007) ALL % de Malos en el Peor 10% 20% 30% % de Morosidad (14.4% Total) 1 Bucket 2 Bucket 3 Bucket

31 Curva ROC (Enero 2007) ALL Area Under the Curve Asymptotic 95% Confidence Interval Asymptotic Lower Upper Sig. Bound Bound Area Std. Error 0,809 0,002 0,000 0,805 0,812 AUC: probabilidad de que el score rankee un caso bueno aleatoriamente elegido más arriba que a un caso malo aleatoriamente elegido. Sensibilidad: Es la probabilidad de que a un individuo bueno la prueba le dé resultado positivo. Especificidad: Es la probabilidad de que a un individuo malo la prueba le dé resultado negativo. 31

32 Curva ROC (Enero 2007) ALL ALL Enero 2007 Coordinates of the Curve Positive if Greater Than or Equal To (a) 0,0 1,5 2,5 3,5 4,5 5,5 6,5 461,5 462,5 463,5 464,5 465,5 466,5 467,5 468,5 469,5 470,5 976,0 978,0 980,5 983,0 985,5 988,0 990,5 993,0 Sensitivity 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9260 0,9240 0,9240 0,9230 0,9220 0,9220 0,9210 0,9200 0,9180 0,9140 0,0030 0,0010 0,0010 0,0010 0,0000 0,0000 0,0000 0,0000 Specificity Suma 0,0000 1,0000 0,0150 1,0150 0,0190 1,0190 0,0240 1,0240 0,0310 1,0310 0,0340 1,0340 0,0380 1,0380 0,5390 1,4650 0,5410 1,4650 0,5420 1,4660 0,5420 1,4650 0,5440 1,4660 0,5440 1,4660 0,5450 1,4660 0,5460 1,4660 0,5470 1,4650 0,5490 1,4630 1,0000 1,0030 1,0000 1,0010 1,0000 1,0010 1,0000 1,0010 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,

33 ROC curves, "All", "Hits" and "Thins", Jan Sensitivity ALL HITS THINS Specificity Source: Equifax-Veraz 33

34 Punto de Corte Cada entidad debe decidir el punto de corte deseado: 34

35 Calibración del Punto de Corte Para obtener un nivel de aceptación dado Para obtener una morosidad dada Para alguna combinación intermedia En función de la relación buenos a malos Punto de Corte Óptimo: Criterio según Curvas ROC: Max (Especificidad + Sensibilidad) Criterio según KS: Max (KS) Población ALL: Según Curvas ROC: 465 (Sensitividad: 0,922; Especificidad: 0,5440) Según KS:

36 Soluciones de Información 36

37 Ejemplos y casos Los bloques (productos): Geomarketing Environment Index Consumer Index Risc Score RFM Telcos Experto Las soluciones: Estrategia de penetración de una compañía de Crédito al Consumo Modelo de respuesta de una campaña de retail Lifestyles Automatización de la decisión de crédito 37

38 Geomarketing : El producto Objetivo Incorporar la dimensión geográfica a los modelos analíticos Información Utilizada Crediticia positiva y negativa Sociodemográfica Provista por el cliente Relevamientos públicos y privados Resultados / Entregables Indicadores, capas GIS, reglas de negocio 38

39 Geomarketing : La Solución EL Cliente Se trata de una compañía de crédito al consumo El problema Definir en términos geográficos la estrategia de crecimiento 2009 Información Utilizada Demográfico De comportamiento Transaccionales in company Transaccionales en el mercado Análisis de la competencia 39

40 Geomarketing : La Solución Descriptores demográficos Total Hogares Tamaño Medio del Hogar Cantidad de Hogares Target Hogares Target: C3, D1, D2 1 40

41 Geomarketing : La Solución Comportamiento del riesgo Media Score Cliente Media Score Competencia 41

42 Modelos de respuesta : el producto Objetivo Definir las reglas de soporte para campañas de marketing Información Utilizada Crediticia positiva y negativa Sociodemográfica Relevamientos públicos y privados Datos propios del cliente Resultados Esperados Modelo de respuesta (reglas de negocio para la extracción de prospectos) 42

43 Modelos de respuesta : La Solución El Cliente Retailer (venta de electrodomésticos) Objetivo del Estudio Optimizar el diseño de las campañas de databasemarketing para promover el uso de préstamos personales de consumo Información Utilizada Provista por el cliente Información crediticia positiva y negativa 43

44 Modelos de respuesta : La Solución 28,4 58,1 En la campaña anterior el 9% de las ventas se hicieron con créditos personales 9,7 3,8 44

45 Modelos de respuesta : La Solución Arbol de respuesta X Limite TC Máx Limite TC Score 45

46 Modelos de respuesta : La Solución REGLAS DE MAXIMIZACION DE RESPUESTA Límite máximo en TC hasta $1974 Promedio de límites en TC inferior a $ 715 Riesgo Score inferior a 600 puntos (pero superior al punto de corte del modelo de riesgo de 450 puntos) 46

47 Lifestyles : el Producto Descripción Estilo de vida es la síntesis del comportamiento de un consumidor que nace a partir de necesidades, percepciones, actitudes, intereses y opiniones individuales Equifax Lifestyles es un conjunto de indicadores que caracterizan a un individuo de acuerdo a su contexto socio demográfico, su consumo y su capacidad de pago Información Utilizada Crediticia positiva y negativa Información social, económica y demográfica de fuente pública Información geográfica de las áreas urbanas 47

48 Lifestyles : Componentes EXPERIENCIA LIFESTYLES Contexto: Caracteriza el perfil sociodemográfico del área geográfica en la cual habita el individuo. La importancia de esta dimensión reside en la influencia que tiene el contexto en la manera en que se construyen las diferentes percepciones y patrones de comportamiento Consumo: Sintetiza la relación entre el mundo del crédito y los ingresos (supuestos) del individuo Riesgo: Describe al individuo de acuerdo al nivel de riesgo esperado en el pago de sus compromisos 48

49 Lifestyles : Componentes EXPERIENCIA LIFESTYLES Environment index Risk Score 90 segmentos Consumer index 49

50 Lifestyles : Componentes EXPERIENCIA LIFESTYLES Environment index Características de los hogares Características de la vivienda Comunicación Educación Salud Trabajo Satisfacción de necesidades básicas Risk Score Rangos de score 50

51 Lifestyles : Componentes Consumer index Población HIT Predicción de ingresos Indicadores de uso del crédito Consumer index Población THIN Predicción de ingresos Consultas realizadas en los últimos 24 meses 51

52 Lifestyles : Componentes EXPERIENCIA LIFESTYLES El mejor caso ALTO T 1 El peor caso BAJO M 5 52

53 Lifestyles : Un ejemplo Juan tiene 37 años, NSE Alto, 2 tarjetas de crédito, con un saldo total de $4.147 y un límite de $ Su compromiso mensual es de $ Usa el 20% de su límite de crédito. No tiene préstamos personales. Tiene un score de 921puntos. Vive en Palermo. Juan es TA1 (hit) 53

54 Lifestyles : Otro ejemplo EXPERIENCIA LIFESTYLES Eduardo tiene 28 años, es de Parque Patricios. En los últimos dos años sólo ha buscado crédito en una Telco. Su NSE es D1 y su score asciende a 711puntos. Eduardo es LMB2 (thin) 54

55 Automatización de decisiones: Veraz Experto Herramienta automática para la evaluación de informes crediticios. Los métodos tradicionales de evaluación de solicitudes de crédito tienen alto costo operativo y baja eficiencia. Son muy inflexibles ante la necesidad de introducir cambios. Generan decisiones inconsistentes (una sucursal rechaza la que otra aprueba). Aumentan la morosidad al aceptarse solicitudes que deberían ser rechazadas. Y muchas veces generan pérdidas de negocios al rechazarse solicitudes que deberían ser aceptadas. Veraz Experto automatiza y objetiva el proceso de evaluación de solicitudes de crédito mediante una herramienta que utiliza tecnología de última generación y combina las ventajas de los métodos de reglas y scoring. 55

56 SOLUCIÓN EXPERTO Variables de Entradas Motor de Inferencia Resultado Reglas 56

57 SOLUCIÓN EXPERTO VARIABLES DE ENTRADA Variables Internas: Base Veraz Variables Externas informadas por el cliente VARIABLES INTERNAS BASE VERAZ Cheques Rechazados Juicios Concursos y Quiebras Morosidad Status Financiero Bureau Status Financiero BCRA Consultas 57

58 SOLUCIÓN EXPERTO VARIABLES INTERNAS BASE VERAZ Cheques Rechazados Juicios Concursos y Quiebras Morosidad Status Financiero Bureau Status Financiero BCRA Consultas 58

59 SOLUCIÓN EXPERTO FORMULAS, INDICADORES Definidas por el Cliente Propias con datos de Base Veraz REGLAS REGLAS = Variables + Fórmulas 59

60 SOLUCIÓN EXPERTO SALIDA Categoría de la Inferencia Explicación de la categoría Variables definidas 60

61 SOLUCIÓN EXPERTO EJEMPLO INTERFAZ WEB: ENTRADA 61

62 SOLUCIÓN EXPERTO EJEMPLO INTERFAZ WEB: SALIDA García, Juan Martinez, Pedro 62

63 SOLUCIÓN EXPERTO VENTAJAS CLAVES: Uniformidad de criterios Flexibilidad para la implementación de nuevas políticas de crédito o productos Reducción de los plazos de evaluación Disminución de costos de análisis 63

64 SOLUCIÓN EXPERTO INCONVENIENTES DEL METODO MANUAL: Criterios subjetivos Mas tiempo consumido Mayor morosidad Mas solicitudes rechazadas, oportunidades de negocios que se pierden Mayores costos Baja eficiencia 64

65 Integración de Predictive Analytics Los modelos analíticos se deben integrar ARMONICAMENTE con las políticas de gobernabilidad de los datos, el riesgo y las normativas legales (Governance Risk & Compliance) y con los requerimientos y restricciones de las áreas de producto, comerciales y tecnología. Integrated Data Analytics: A Financial Business Case Suvendu Samantaray DM Direct, May 2,

66 Integración de Predictive Analytics : Desafíos Data integration: Amalgamation of quality data across the organization to produce excellent analytics for the mentioned processes. Standardization of data: Different business lines could have varied expectations on same process attributes. Bringing them all to a consensus would be important. Analytics model: In order to bring predictive analytics to certain processes, a robust and industry accepted model should be in place, and the organization needs to invest resources to bring those to the fore front. Program management: For disciplined implementation of this program, it is expected that a global program management system be in place, and that it should be active from initiation of engagement until the infrastructure is in a steady state. This is extremely challenging, and equal representation from business and technology in the program management office is required to make this a success. Executive sponsorship: For the overall success of this program, executive and board level sponsorship will boost the importance and priority of execution. Integrated Data Analytics: A Financial Business Case Suvendu Samantaray DM Direct, May 2,

67 ESPACIO PARA PREGUNTAS 67

Scoring: Construcción y Aplicación

Scoring: Construcción y Aplicación Scoring: Construcción y Aplicación Agosto de 2014 2014 Experian Information Solutions, Inc. All rights reserved. Experian and the marks used herein are service marks or registered trademarks of Experian

Más detalles

Inglaterra e Irlanda España y. Centro y Sur América Brasil, Argentina, Chile, Perú, Uruguay, Paraguay, Ecuador, El Salvador, Honduras y Costa Rica

Inglaterra e Irlanda España y. Centro y Sur América Brasil, Argentina, Chile, Perú, Uruguay, Paraguay, Ecuador, El Salvador, Honduras y Costa Rica Quiénes somos: Analytics - Equifax Norte América USA 1899 Canadá Europa Inglaterra e Irlanda España y Portugal Asia Rusia India Centro y Sur América Brasil, Argentina, Chile, Perú, Uruguay, Paraguay, Ecuador,

Más detalles

Habilidades y Herramientas para trabajar con datos

Habilidades y Herramientas para trabajar con datos Habilidades y Herramientas para trabajar con datos Marcelo Ferreyra X Jornadas de Data Mining & Business Intelligence Universidad Austral - Agenda 2 Tipos de Datos Herramientas conceptuales Herramientas

Más detalles

Beneficios de Fundar una Corporación Sin Fines de Lucro Benefits of Establishing a Non-Profit Corporation

Beneficios de Fundar una Corporación Sin Fines de Lucro Benefits of Establishing a Non-Profit Corporation ISSN 2152-6613 Beneficios de Fundar una Corporación Sin Fines de Lucro Benefits of Establishing a Non-Profit Corporation Evaluación Capacitación Rendimiento NPERCI Publication Series No. 2 Flordeliz Serpa,

Más detalles

Entendiendo Su Crédito para manejar su vida financiera

Entendiendo Su Crédito para manejar su vida financiera EDUCACION FINANCIERA: Cual es el Rol en la industria del Crédito? Entendiendo Su Crédito para manejar su vida financiera Maria Olga Rehbein Presidente TransUnion América Latina mrehbei@transunion.com 29

Más detalles

Chattanooga Motors - Solicitud de Credito

Chattanooga Motors - Solicitud de Credito Chattanooga Motors - Solicitud de Credito Completa o llena la solicitud y regresala en persona o por fax. sotros mantenemos tus datos en confidencialidad. Completar una aplicacion para el comprador y otra

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

Mi ciudad interesante

Mi ciudad interesante Mi ciudad interesante A WebQuest for 5th Grade Spanish Designed by Jacob Vuiller jvuiller@vt.edu Introducción Tarea Proceso Evaluación Conclusión Créditos Introducción Bienvenidos! Eres alcalde de una

Más detalles

Transformación de la banca con una plataforma ágil, flexible e integrada. Andrés Rojas

Transformación de la banca con una plataforma ágil, flexible e integrada. Andrés Rojas Transformación de la banca con una plataforma ágil, flexible e integrada Andrés Rojas 1 Agenda Retos de la Banca Iniciativas Recomendadas Plataforma de Agilidad e Integración Solución BPM Lombardi Experiencias

Más detalles

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO Herramientas idóneas para el control de riesgos y la evolución de la calidad de las carteras Gustavo Chuliver Gerente AIS Argentina gustavo.chuliver@ais-int.net

Más detalles

PROBLEMAS PARA LA CLASE DEL 20 DE FEBRERO DEL 2008

PROBLEMAS PARA LA CLASE DEL 20 DE FEBRERO DEL 2008 PROBLEMAS PARA LA CLASE DEL 20 DE FEBRERO DEL 2008 Problema 1 Marketing estimates that a new instrument for the analysis of soil samples will be very successful, moderately successful, or unsuccessful,

Más detalles

Datawarehousing y Business Intelligence en Banco Galicia

Datawarehousing y Business Intelligence en Banco Galicia Datawarehousing y Business Intelligence en Banco Galicia Eduardo Agra 9 Congreso Internacional de Tecnología para el Negocio Financiero AMBA Junio 2009 Un poco de historia Comenzamos en 1997 Iniciativa

Más detalles

ADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX

ADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX ADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX Autor: Tomás Murillo, Fernando. Director: Muñoz Frías, José Daniel. Coordinador: Contreras Bárcena, David Entidad Colaboradora: ICAI Universidad

Más detalles

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA SCORE DE COBRANZA 2 METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA Score de Buró Score estadístico que utiliza información de Buró, y diseñado para otorgantes de crédito nuevos en la evaluación

Más detalles

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MODELO DE BEHAVIOR SCORING Por: Rosario Zolezzi Diners Club Perú Agenda Antecedentes Problemática Objetivos Fases del Modelamiento Uso de la herramienta

Más detalles

Título del Proyecto: Sistema Web de gestión de facturas electrónicas.

Título del Proyecto: Sistema Web de gestión de facturas electrónicas. Resumen Título del Proyecto: Sistema Web de gestión de facturas electrónicas. Autor: Jose Luis Saenz Soria. Director: Manuel Rojas Guerrero. Resumen En la última década se han producido muchos avances

Más detalles

SOLUCIONES AXESOR V.2

SOLUCIONES AXESOR V.2 SOLUCIONES AXESOR 2015 V.2 1. Objeto del documento 3 2. Modelo de negocio 3 2.1. Servicios Avanzados de Gestión de Riesgo 4 2.2. Servicios Avanzados de Marketing 6 2 1. Objeto del documento El presente

Más detalles

INNOVACIÓN Tecnologías de información La nueva Era. Javier Cordero Torres Presidente y Director General Oracle México Febrero 27, 2015

INNOVACIÓN Tecnologías de información La nueva Era. Javier Cordero Torres Presidente y Director General Oracle México Febrero 27, 2015 INNOVACIÓN Tecnologías de información La nueva Era Javier Cordero Torres Presidente y Director General Oracle México Febrero 27, 2015 Oracle Confidential Internal/Restricted/Highly Restricted 3 4 OF WORLD

Más detalles

Índice. Introducción. Modelización del Riesgo de Crédito. Cómo llevarlo a la práctica? Conclusiones. G r o u p

Índice. Introducción. Modelización del Riesgo de Crédito. Cómo llevarlo a la práctica? Conclusiones. G r o u p Gestionando el riesgo de crédito Herramientas para contener el incremento de la morosidad en las carteras David Fernández Pagerols Director de Metodologías Cuantitativas AIS Group 2002-2012 Índice Introducción

Más detalles

BI en Standard Bank. Guillermo Tolosa Gerente de Desarrollo de Sistemas Standard Bank Argentina

BI en Standard Bank. Guillermo Tolosa Gerente de Desarrollo de Sistemas Standard Bank Argentina BI en Standard Bank Guillermo Tolosa Gerente de Desarrollo de Sistemas Standard Bank Argentina Business Intelligence Qué hicimos Qué estamos haciendo Qué planeamos hacer Qué aprendimos Cómo ha venido evolucionando

Más detalles

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM SPSS Direct Marketing Características Con IBM SPSS Direct Marketing podrá: Comprender a sus clientes Mejorar sus campañas de mercadotecnia Maximizar el ROI de sus proyectos Comprenda a sus clientes

Más detalles

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail.

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. GMG Perú Resumen Ejecutivo Grupo Monge es un grupo económico líder en Centroamérica en la distribución y venta

Más detalles

Benchmarking de Transporte México. Mayo 2013

Benchmarking de Transporte México. Mayo 2013 Benchmarking de Transporte México Mayo 2013 1 Benchmarking de Transporte México (Primario) Objetivo: El desarrollo de medidas comparativas (benchmarking) de aspectos cualitativos/cuantitativos del transporte

Más detalles

BUSINESS INTELLIGENCE SYSTEMS (BIS)

BUSINESS INTELLIGENCE SYSTEMS (BIS) SEMINARIO BUSINESS INTELLIGENCE SYSTEMS (BIS) Una nueva filosofía de Management cuyo objetivo consiste en... Capturar, diseminar y reusar el conocimiento disperso que poseen las organizaciones y que junto

Más detalles

Nos adaptamos a sus necesidades We adapt ourselves to your needs

Nos adaptamos a sus necesidades We adapt ourselves to your needs Nos adaptamos a sus necesidades We adapt ourselves to your needs Welcome to Select Aviation The largest and most successful airline representation group in Spain, SELECT AVIATION (GSA) Airline Representatives

Más detalles

Sistema de Control Domótico

Sistema de Control Domótico UNIVERSIDAD PONTIFICIA COMILLAS ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERO EN ELECTRÓNICA Y AUTOMATICA PROYECTO FIN DE CARRERA Sistema de Control Domótico a través del bus USB Directores:

Más detalles

Gestión del Capital Humano

Gestión del Capital Humano Gestión del Capital Humano Habilitando la innovación y el rendimiento empresarial mediante la optimización de la fuerza laboral Las prioridades del negocio están cambiando.. Crecimiento sustentable es

Más detalles

MOBILITY SOLUTIONS CORNER. 19 de Noviembre, Barcelona

MOBILITY SOLUTIONS CORNER. 19 de Noviembre, Barcelona MOBILITY SOLUTIONS CORNER 19 de Noviembre, Barcelona LOGOTIPO EMPRESA Agrupación Empresarial Innovadora 1.Con más de 100 asociados 2.Volumen de facturación de más de 10.000M 3.Dan trabajo a más de 280.000

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS UNIDAD DE POSTGRADO DE INGENIERÍA DE SISTEMAS E INFORMATICA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS UNIDAD DE POSTGRADO DE INGENIERÍA DE SISTEMAS E INFORMATICA UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS UNIDAD DE POSTGRADO DE INGENIERÍA DE SISTEMAS E INFORMATICA DISEÑO E IMPLEMENTACIÓN DE UNA OFICINA DE GESTION DE PROYECTOS PARA LA POSITIVA SEGUROS Informe Profesional

Más detalles

TOUCH MATH. Students will only use Touch Math on math facts that are not memorized.

TOUCH MATH. Students will only use Touch Math on math facts that are not memorized. TOUCH MATH What is it and why is my child learning this? Memorizing math facts is an important skill for students to learn. Some students have difficulty memorizing these facts, even though they are doing

Más detalles

Getronics Gana Flexibilidad y Competitividad en Servicios de TI con Soluciones de CA Technologies

Getronics Gana Flexibilidad y Competitividad en Servicios de TI con Soluciones de CA Technologies CUSTOMER SUCCESS STORY Julio 2013 Getronics Gana Flexibilidad y Competitividad en Servicios de TI con Soluciones de CA Technologies PERFIL DEL CLIENTE Industria: Servicios de TI Compañía: Getronics Empleados:

Más detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

Apalancando EFL para influir el mercado de consumidores de bajos recursos

Apalancando EFL para influir el mercado de consumidores de bajos recursos % Tasa de Morosidad Distribución de la Población Caso de Estudio EFL: Apalancando EFL para influir el mercado de consumidores de bajos recursos BanBif Perú Resumen Ejecutivo BanBif, quinto banco 1 comercial

Más detalles

Guide to Health Insurance Part II: How to access your benefits and services.

Guide to Health Insurance Part II: How to access your benefits and services. Guide to Health Insurance Part II: How to access your benefits and services. 1. I applied for health insurance, now what? Medi-Cal Applicants If you applied for Medi-Cal it will take up to 45 days to find

Más detalles

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Equifax Perú Resumen ejecutivo: Equifax (EFX) se propuso determinar si EFL podría agregar valor a su score

Más detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

Convergencia de las Tecnologías Informáticas (IT) y Operacionales (OT), Una Oportunidad de Generación de Valor

Convergencia de las Tecnologías Informáticas (IT) y Operacionales (OT), Una Oportunidad de Generación de Valor Convergencia de las Tecnologías Informáticas (IT) y Operacionales (OT), Una Oportunidad de Generación de Valor La integración de las tecnologías de la información (IT) y las operacionales (OT) proporciona

Más detalles

CARACTERIZACIÓN DEL PROCESO DE FUGA DE CLIENTES UTILIZANDO INFORMACIÓN TRANSACCIONAL 1

CARACTERIZACIÓN DEL PROCESO DE FUGA DE CLIENTES UTILIZANDO INFORMACIÓN TRANSACCIONAL 1 CARACTERIZACIÓN DEL PROCESO DE FUGA DE CLIENTES UTILIZANDO INFORMACIÓN TRANSACCIONAL 1 Carolina Segovia csegovia@analytics.cl - Luis Aburto luaburto@analytics.cl Marcel Goic mgoic@dii.uchile.cl Resumen

Más detalles

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA Qué es inteligencia de negocios? (BI) Business Intelligence es la habilidad para transformar los datos en información, y la información en

Más detalles

Gestión eficiente y ágil de las políticas y reglas de negocio

Gestión eficiente y ágil de las políticas y reglas de negocio Gestión eficiente y ágil de las políticas y reglas de negocio 1 Agenda Retos en los Seguros Iniciativas Recomendadas Plataforma de Agilidad e Integración Solución BPM Lombardi Experiencias en el sector

Más detalles

Nuevas formas de detección de fraude

Nuevas formas de detección de fraude Nuevas formas de detección de fraude Apara APARA es una empresa de capital 100% español que nace en 2002 como spin off del Grupo Calidad y Tecnología. Realiza una fuerte inversión en I+D+i y desarrollo

Más detalles

Confidencial y Exclusivo de Equifax PRESENTACIÓN CAMARA CHILENA DE LA CONSTRUCCIÓN

Confidencial y Exclusivo de Equifax PRESENTACIÓN CAMARA CHILENA DE LA CONSTRUCCIÓN PRESENTACIÓN CAMARA CHILENA DE LA CONSTRUCCIÓN EQUIFAX Inc. 14 Empresas de Información en el mundo Equifax Marketing Services Equifax Enabling Tecnologies USD$ 1.400M de facturación 109 años de experiencia

Más detalles

Gestión eficiente y ágil de las políticas y reglas de negocio. Tonny Moon. IT Architect, IBM Argentina

Gestión eficiente y ágil de las políticas y reglas de negocio. Tonny Moon. IT Architect, IBM Argentina Gestión eficiente y ágil de las políticas y reglas de negocio Tonny Moon IT Architect, IBM Argentina Agenda Retos en los Seguros Iniciativas Recomendadas Plataforma de Agilidad e Integración Solución de

Más detalles

Engage Business Solution. Medición de Procesos de Negocio 21 de Octubre Alejandro Barros abarros@soluciones-uy.com.uy

Engage Business Solution. Medición de Procesos de Negocio 21 de Octubre Alejandro Barros abarros@soluciones-uy.com.uy Engage Business Solution BPMuy 2013 Medición de Procesos de Negocio 21 de Octubre Alejandro Barros abarros@soluciones-uy.com.uy Quiénes Somos? Soluciones Tecnológicas de la Información S.A. Compañía tecnológica

Más detalles

La ayuda practica de hoy para los CIO s y responsables de servicio

La ayuda practica de hoy para los CIO s y responsables de servicio Ignacio Fernández Paul Director General España y Portugal Numara Software, Inc Febrero 2009 La ayuda practica de hoy para los CIO s y responsables de servicio Numara Software Con más de 50,000 clientes,

Más detalles

Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM).

Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM). DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Mineria de Datos Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente

Más detalles

UNIVERSIDAD TECNOLÓGICA EQUINOCCIAL DIRECCIÓN GENERAL DE POSGRADOS MAGÍSTER EN GERENCIA DE NEGOCIOS. Trabajo de grado para la obtención del título de:

UNIVERSIDAD TECNOLÓGICA EQUINOCCIAL DIRECCIÓN GENERAL DE POSGRADOS MAGÍSTER EN GERENCIA DE NEGOCIOS. Trabajo de grado para la obtención del título de: UNIVERSIDAD TECNOLÓGICA EQUINOCCIAL DIRECCIÓN GENERAL DE POSGRADOS MAGÍSTER EN GERENCIA DE NEGOCIOS Trabajo de grado para la obtención del título de: Magíster en Gerencia de Negocios PROPUESTA DE MEJORAMIENTO

Más detalles

Aproveche al máximo sus datos mediante optimización

Aproveche al máximo sus datos mediante optimización FICO Forum Navegando en la nueva realidad Aproveche al máximo sus datos mediante optimización Darío Burstein Soluciones analíticas FICO 8 de marzo de 2011 1 Esta presentación se ofrece únicamente al destinatario

Más detalles

Universidad de Guadalajara

Universidad de Guadalajara Universidad de Guadalajara Centro Universitario de Ciencias Económico-Administrativas Maestría en Tecnologías de Información Ante-proyecto de Tésis Selection of a lightweight virtualization framework to

Más detalles

Área Académica: Administración. Tema: Fundamentos de mercadotecnia. Profesor(a): LCE. Karla Ramírez López. Periodo: Julio Diciembre 2011

Área Académica: Administración. Tema: Fundamentos de mercadotecnia. Profesor(a): LCE. Karla Ramírez López. Periodo: Julio Diciembre 2011 Área Académica: Administración Tema: Fundamentos de mercadotecnia Profesor(a): LCE. Karla Ramírez López Periodo: Julio Diciembre 2011 Tema: UNIT I INTRODUCTION Marketing will determine the needs of consumers,

Más detalles

Where are Chilean companies hiring?

Where are Chilean companies hiring? Where are Chilean companies hiring? Abstract: Taking advantage that unemployment figures are low, it is common to wonder what sectors of the economy are hiring more. So if you are looking for a job in

Más detalles

Sistemas de impresión y tamaños mínimos Printing Systems and minimum sizes

Sistemas de impresión y tamaños mínimos Printing Systems and minimum sizes Sistemas de impresión y tamaños mínimos Printing Systems and minimum sizes Para la reproducción del Logotipo, deberán seguirse los lineamientos que se presentan a continuación y que servirán como guía

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

Más detalles

Cómo aumentar la agilidad de su

Cómo aumentar la agilidad de su Cómo aumentar la agilidad de su negocio? Alberto Bravo Business Integration Tiger Team abravo@mx1.ibm.com Agenda Retos de las Empresas Iniciativas Recomendadas Plataforma de Agilidad e Integración Bus

Más detalles

El fenómeno Big Data y los títulos en Estadística en España.

El fenómeno Big Data y los títulos en Estadística en España. El fenómeno Big Data y los títulos en Estadística en España. Daniel Peña Rector Universidad Carlos III de Madrid V Conferencia Interuniversitaria sobre Titulaciones en Estadística UCM, enero 2014 Indice

Más detalles

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value.

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Luis Aburto Lafourcade Gerente de Desarrollo luaburto@analytics.cl Agenda CRM: Entendiendo

Más detalles

System Management: como elemento diferencial para alcanzar sus objetivos

System Management: como elemento diferencial para alcanzar sus objetivos Juan Paulo Cabezas Especialista de Ventas de Soluciones de Seguridad para IBM Latino America Junio 2010 System Management: como elemento diferencial para alcanzar sus objetivos Agenda Problemática y nuestra

Más detalles

Lo qué hacemos en Equifax

Lo qué hacemos en Equifax EQUIFAX A Global Information Solutions Company Norte América USA 1899 Canadá1919 Europa Inglaterra e Irlanda España y Portugal Centro y Sur América C Paraguay, Argentina Argentina,, Chile, Perú, Uruguay,,

Más detalles

Deloitte Analytics. Deloitte Analytics

Deloitte Analytics. Deloitte Analytics Deloitte Analytics. Deloitte Analytics Deloitte tiene la capacidad de ver a las empresas desde adentro hacia afuera, transformando la información en una herramienta útil y procesable, que aporte entendimiento

Más detalles

DESARROLLO DE UN SISTEMA DE GESTION DE BODEGAS

DESARROLLO DE UN SISTEMA DE GESTION DE BODEGAS DESARROLLO DE UN SISTEMA DE GESTION DE BODEGAS 1 FMendoza, 2 STomalá, ³ GGalio Facultad de Ingeniería en Electricidad y Computación, Licenciatura en Sistemas de Información Escuela Superior Politécnica

Más detalles

Instructor: She just said that she s Puerto Rican. Escucha y repite la palabra Puerto Rican -for a man-.

Instructor: She just said that she s Puerto Rican. Escucha y repite la palabra Puerto Rican -for a man-. Learning Spanish Like Crazy Spoken Spanish Lección once Instructor: Cómo se dice Good afternoon? René: Buenas tardes. Buenas tardes. Instructor: How do you ask a woman if she s Colombian. René: Eres Colombiana?

Más detalles

EMC Information Intelligence Group Accelerating Your Business Processes

EMC Information Intelligence Group Accelerating Your Business Processes EMC Information Intelligence Group Accelerating Your Business Processes Agustín Gómez IIG Sales 1 Agenda EMC Hoy EMC en Servicios Financeros Casos de Ejemplo 2 EMC de un vistazo Quienes somos: EMC es la

Más detalles

BPM es el arte de identificar una cadena de valor, automatizarla y mejorarla continuamente.

BPM es el arte de identificar una cadena de valor, automatizarla y mejorarla continuamente. BPM es el arte de identificar una cadena de valor, automatizarla y mejorarla continuamente. Mario A. Guerrero Mendoza. Director General de Megapractical Procesos de Negocio. MegaPractical es una empresa

Más detalles

El modelo ebusiness (2) SIE II. Curso 2004/05

El modelo ebusiness (2) SIE II. Curso 2004/05 El modelo ebusiness (2) SIE II. Curso 2004/05 Elemento central en una estrategia ebusiness: capa de aplicaciones Procesos de Negocio (producción, logística, dirección, ) Aplicaciones de Negocio (SCM, ERP,

Más detalles

Documentación de Producto 7 Informes imprescindibles para cualquier ejecutivo de Cadena de suministros.

Documentación de Producto 7 Informes imprescindibles para cualquier ejecutivo de Cadena de suministros. Documentación de Producto 7 Informes imprescindibles para cualquier ejecutivo de Cadena de suministros. Excelencia operacional gracias a la gestión del rendimiento de la cadena de suministro de cognos.

Más detalles

Los datos: el ciclo desde su aparición hasta su retirada Gestión de las necesidades de almacenamiento en entornos CRM

Los datos: el ciclo desde su aparición hasta su retirada Gestión de las necesidades de almacenamiento en entornos CRM Los datos: el ciclo desde su aparición hasta su retirada Gestión de las necesidades de almacenamiento en entornos CRM El caso de PRISA TV por Gallium Appliance Acerca de Gallium. Servicios y Referencias...

Más detalles

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results.

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results. Smarter Decisions. Better Results. 1 Aumente el valor de su BI con Análisis Predictivo José Ignacio Marín SPSS Sales Engineer 25/11/2010 2 Agenda Cómo está cambiando la toma de decisiones La potencia del

Más detalles

REDEFINE DATA PROTECTION

REDEFINE DATA PROTECTION REDEFINE DATA PROTECTION #EMCTour EMC GLOBAL DATA PROTECTION INDEX CLAVES EN EMEA ESTUDIO & RESULTADOS PUNTOS CLAVE IDENTIFICADOS GLOBALMENTE, LAS EMPRESAS PIERDEN MÁS DE 1,7 BILLONES DE DÓLARES AL AÑO

Más detalles

VALE LA PENA INVERTIR EN TECNOLOGÍAS RENOVABLES?

VALE LA PENA INVERTIR EN TECNOLOGÍAS RENOVABLES? Palabras Clave Conservar renovable invertir proceder maximizar!!! Únete al debate nacional! VALE LA PENA INVERTIR EN TECNOLOGÍAS RENOVABLES? WORD GENERATION Unidad 2.15 Lectura Semanal! El!BigBelly!es!una!papelera!(o!basurero)!

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico Alicia Iriberri Dirección de Tecnologías de Información I.- Definición del foco estratégico II.- Establecimiento de mediciones a través del Balanced Scorecard (Tablero de Comando) III.- Despliegue del

Más detalles

Optimice la performance de su cadena de suministro de manera segura y en cumplimiento de regulaciones. MarcioAB @br.ibm.com

Optimice la performance de su cadena de suministro de manera segura y en cumplimiento de regulaciones. MarcioAB @br.ibm.com Optimice la performance de su cadena de suministro de manera segura y en cumplimiento de regulaciones MarcioAB @br.ibm.com 1 Iniciativa para mejorar la performance empresarial en su ecosistema gerenciando

Más detalles

Sistemas analíticos que ayudan a ver la situación con claridad. IDeaS Revenue Management System

Sistemas analíticos que ayudan a ver la situación con claridad. IDeaS Revenue Management System Sistemas analíticos que ayudan a ver la situación con claridad. IDeaS Revenue Management System Comprenda, Anticipe y Reaccione al Comportamiento de sus Clientes para Generar Mayores Ingresos IDeaS, líder

Más detalles

Gobierno, Riesgo y Cumplimiento de TI Ing. Gabriel M. Grande Caso de Estudio Banco Supervielle ARGENTINA 2014 15-16 de Mayo Ing. Gabriel Grande Ingeniero en Sistemas Informáticos, cuenta con certificaciones

Más detalles

Connection from School to Home Kindergarten Math Module 2 Topic A. Making 3 with Triangles and Chips

Connection from School to Home Kindergarten Math Module 2 Topic A. Making 3 with Triangles and Chips Connection from School to Home Kindergarten Math Module 2 Topic A Making 3 with Triangles and Chips Here is a simple activity to help your child learn about composing and decomposing the number 3 and analyzing

Más detalles

Ideas generales del Seminario

Ideas generales del Seminario Ideas generales del Seminario IT en la Organización Organizaciones Orientadas a Proyectos Marco de un Proyecto IT Proyectos Metodológicos Profesionales y Perfiles involucrados Caso aplicado: Proyectos

Más detalles

Welcome to lesson 2 of the The Spanish Cat Home learning Spanish course.

Welcome to lesson 2 of the The Spanish Cat Home learning Spanish course. Welcome to lesson 2 of the The Spanish Cat Home learning Spanish course. Bienvenidos a la lección dos. The first part of this lesson consists in this audio lesson, and then we have some grammar for you

Más detalles

Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría

Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría BTPN Indonesia Resumen Ejecutivo BTPN, el 4to 2 mayor prestamista de MIPYME en Indonesia, se asoció con EFL para mejorar el

Más detalles

Alejandro Cerda ProChile New York

Alejandro Cerda ProChile New York Alejandro Cerda ProChile New York Introduction Encuentro de Negocios 2011 The way forward Big themes -the way forward Phase 4 Innovate Phase 3 Phase 2 Phase 1 V a l u e C h a i n Optimise Offshore Cost

Más detalles

Dónde se encuentran y cómo se complementan?

Dónde se encuentran y cómo se complementan? Arquitectura Empresarial e ITIL Dónde se encuentran y cómo se complementan? Septiembre 12 de 2013 Germán Cortés Lasso Agenda Objetivo Motivadores Arquitectura Empresarial TOGAF ITIL Relación TOGAF & ITIL

Más detalles

INSTITUTO POLITÉCNICO NACIONAL

INSTITUTO POLITÉCNICO NACIONAL INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE TURISMO SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN MAESTRÍA EN ADMINISTRACIÓN E INNOVACIÓN DEL TURISMO ANÁLISIS DEL PROCESO DE GESTIÓN DEL TALENTO

Más detalles

Más Información = Mejores Modelos = Mayor Rentabilidad

Más Información = Mejores Modelos = Mayor Rentabilidad NOVIEMBRE 2014 Más Información = Mejores Modelos = Mayor Rentabilidad Cómo optimizar el ciclo del crédito: Originación, gestión y cobranza, a partir del análisis de toda la información generada por los

Más detalles

BUSINESS INTELLIGENCE. www.sbi-technology.com

BUSINESS INTELLIGENCE. www.sbi-technology.com BUSINESS INTELLIGENCE www.sbi-technology.com SBI Technology SRL Maipú 1492 Piso 2 S2000CGT - Rosario Rep. Argentina Tel: (54 341) 530 0815 www.sbi-technology.com Copyright - SBI Technology SRL - Todos

Más detalles

RETAIL CHAIN MANAGER Optimice sus operaciones minoristas y obtenga una sólida rentabilidad con Retail Chain Manager para Microsoft Dynamics AX

RETAIL CHAIN MANAGER Optimice sus operaciones minoristas y obtenga una sólida rentabilidad con Retail Chain Manager para Microsoft Dynamics AX RETAIL CHAIN MANAGER Optimice sus operaciones minoristas y obtenga una sólida rentabilidad con Retail Chain Manager para Microsoft Dynamics AX Genere ingresos para su negocio minorista Optimización de

Más detalles

SOLUCIONES DE TELEFONIA TELEPHONY SOLUTIONS

SOLUCIONES DE TELEFONIA TELEPHONY SOLUTIONS SOLUCIONES DE TELEFONIA TELEPHONY SOLUTIONS QUIEN ES TELONLINE? WHO IS TELONLINE? Es una compañía que ofrece soluciones llave en mano de telefonía, especializada en VoIP, Contact Centers y Comunicaciones

Más detalles

Metodología de Clasificación. Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito

Metodología de Clasificación. Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito Metodología de Clasificación Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito Originación de los Créditos y Administración Revisión del Originador o Vendedor/Administrador El proceso

Más detalles

Roadshow ECM 2010. Proyecto Imaging & Workflow Barclays. Miguel Ángel García de la Cruz

Roadshow ECM 2010. Proyecto Imaging & Workflow Barclays. Miguel Ángel García de la Cruz Roadshow ECM 2010 Proyecto Imaging & Workflow Barclays Miguel Ángel García de la Cruz 1 Índice Necesidades de Barclays Descripción del proyecto Por qué IBM ECM Por qué GBS 2 Necesidades de Barclays Barclays

Más detalles

SAS Business Analytics

SAS Business Analytics SAS Business Analytics Montevideo, 2 de Agosto de 2012 Fernando Mogetta Gerente de Consultoría de Negocios La empresa Años de experiencia 36 Instalaciones +45,000 1 o Empresa privada de software más grande

Más detalles

La siguiente generación de Datawarehouse : Más allá del Data Warehouse permitir information on demand. IBM Information Management

La siguiente generación de Datawarehouse : Más allá del Data Warehouse permitir information on demand. IBM Information Management La siguiente generación de Datawarehouse : Más allá del Data Warehouse permitir information on demand José Ramón Mora IBM Software Group Nuestra visión sobre Business Intelligence Acercamiento Desde hace

Más detalles

TEXAS STATE TEACHERS ASSOCIATION

TEXAS STATE TEACHERS ASSOCIATION TEXAS STATE TEACHERS ASSOCIATION You have more to offer your child than you think. Thanks to your hard work and sacrifice, your child is enrolled in a Texas public school a learning environment that can

Más detalles

e-respyme Sistema de Gestión Ética y Socialmente Responsable para la Pequeña y Mediana Empresa

e-respyme Sistema de Gestión Ética y Socialmente Responsable para la Pequeña y Mediana Empresa e-respyme Sistema de Gestión Ética y Socialmente Responsable para la Pequeña y Mediana Empresa LLP-LdV/TOI/2007/ES/149022 1 Project Information Title: Project Number: e-respyme Sistema de Gestión Ética

Más detalles

PRINTING INSTRUCTIONS

PRINTING INSTRUCTIONS PRINTING INSTRUCTIONS 1. Print the Petition form on 8½ X 11inch paper. 2. The second page (instructions for circulator) must be copied on the reverse side of the petition Instructions to print the PDF

Más detalles

SCADA BASADO EN LABVIEW PARA EL LABORATORIO DE CONTROL DE ICAI

SCADA BASADO EN LABVIEW PARA EL LABORATORIO DE CONTROL DE ICAI SCADA BASADO EN LABVIEW PARA EL LABORATORIO DE CONTROL DE ICAI Autor: Otín Marcos, Ana. Directores: Rodríguez Pecharromán, Ramón. Rodríguez Mondéjar, José Antonio. Entidad Colaboradora: ICAI Universidad

Más detalles

Business Intelligence (BI) is about generating necessary information to make timely decisions, based on data coming from multiple sources.

Business Intelligence (BI) is about generating necessary information to make timely decisions, based on data coming from multiple sources. Título: Open Source Business Intelligence Autor: Ing. Karel Reynaldo Piñero (karel@lt.desoft.cu) Abstract Business Intelligence (BI) is about generating necessary information to make timely decisions,

Más detalles

IV Foro Anual IBM Cognos

IV Foro Anual IBM Cognos IV Foro Anual IBM Cognos IV Foro Anual para Sector Público para Sector Público Proyecto PBCT Ministerio de Finanzas Austriaco (BMF) David García Bastida Ramón Arbós Deloitte AGENDA Deloitte y las soluciones

Más detalles

COSI es una empresa mexicana que pertenece al grupo Microsoft Partner Information Worker Solution. Portals & Collaboration P&C CRM

COSI es una empresa mexicana que pertenece al grupo Microsoft Partner Information Worker Solution. Portals & Collaboration P&C CRM Acerca de Nosotros COSI es una empresa mexicana que pertenece al grupo Microsoft Partner Information Worker Solution. Nuestras áreas de negocio comprenden: Project Portfolio Management Portals & Collaboration

Más detalles

Banco Galicia Maneja 12.000 Tickets Mensuales con CA Service Desk Manager

Banco Galicia Maneja 12.000 Tickets Mensuales con CA Service Desk Manager CUSTOMER SUCCESS STORY Diciembre 2012 Banco Galicia Maneja 12.000 Tickets Mensuales con CA Service Desk Manager PERFIL DEL CLIENTE Industria: Servicios Financieros Compañía: Banco Galicia Empleados: 12.000+

Más detalles

TITLE VI COMPLAINT FORM

TITLE VI COMPLAINT FORM [CITY SEAL/EMBLEM] The Capital City of the Palm Beaches TITLE VI COMPLAINT FORM Title VI of the 1964 Civil Rights Act requires that "No person in the United States shall, on the ground of race, color or

Más detalles