Applications of Statistics in the Spanish business world

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

Download "Applications of Statistics in the Spanish business world"

Transcripción

1 Boletín de Estadística e Investigación Operativa Vol. 29, No. 3, Octubre 2013, pp Estadística Applications of Statistics in the Spanish business world Óscar Duro Trapero Departamento de Servicios de Análisis Axesor, Conocer para decidir, S. A. M. Carmen Aguilera Morillo Departamento de Estadística e Investigación Operativa Universidad de Granada Julián Villalba Checa Departamento de Rating Axesor, Conocer para decidir, S. A. Jordi Pastor Escuder Departamento de Rating Departamento de Servicios de Análisis Axesor, Conocer para decidir, S. A. Abstract In recent years, the accumulation of large volumes of information has provided the necessary habitat for the development of numerous statistical applications because of the great development in the automation of the production processes within the business environment. The statistic supports the business development in key sectors of the Spanish economy, helping companies to develop new products and to implement successful business strategies. This article describes some of these applications, analyzing some production process for developing statistical applications. Finally, an analysis about the future of this discipline within the Spanish business world is made. Keywords: Data mining, Business intelligent, Credit risk, Data warehouse. AMS Subject classifications: 62P05, 62P20, 62P30. c 2013 SEIO

2 Applications of Statistics in the Spanish business world Introducción Las aplicaciones estadísticas dentro del ámbito empresarial han sido incorporadas al albor de la expansión de las tecnologías de la información. Las tecnologías de la información han permitido la automatización de procesos productivos y procesos de negocio, que a su vez han generado volmenes ingentes de información. Estos volmenes ingentes de información pueden generar valor añadido a las empresas para el desarrollo de productos y de sus estrategias de negocio. Como bien es conocido, la rama de la estadística especializada en el desarrollo de aplicaciones estadísticas sobre grandes volmenes de información es la minería de datos. Una visión general sobre la minería de datos puede verse en Orallo y Ferri (2004) y Aluja (2000). Por tanto, es el auge de la minería de datos, en combinación con las tecnologías de la información, la disciplina que ha hecho posible un incremento exponencial del uso de la estadística en el mundo empresarial. En Aluja (2001) se abordan las raíces estadísticas de la minería de datos, así como una visión futurista de ésta y su combinación con otras técnicas como la inteligencia artificial. Dentro del ámbito empresarial español, los campos más importantes en los que se están desarrollando las aplicaciones más comunes de la estadística y la minería de datos son los siguientes: Inteligencia de Mercado, donde la minería de datos es pieza fundamental para establecer las estrategias de marketing y ventas de las compañías con grandes volmenes de clientes y con grandes volmenes de transacciones diarias, como por ejemplo el caso de las empresas del sector de las telecomunicaciones, retail, banca, energías, etc. En Llombart (2008) se hace un estudio interesante sobre la inteligencia aplicada al negocio. Valoración del riesgo de crédito, donde este tipo de aplicaciones son altamente conocidas por la población dada la notoriedad que han adquirido con la crisis financiera. Todos hemos oído hablar en estos años de que tal país tiene una triple AAA o que una empresa ha caído en calificación de bono basura. Este tipo de calificaciones tienen su embrión en modelos estadísticos para posteriormente ser revisadas por analistas financieros. Como es evidente, estas aplicaciones están teniendo un alto impacto en la vida real de los ciudadanos por ser piezas fundamentales a partir de las cuales se están midiendo la salud financiera de los países, empresas e individuos. Los modelos de riesgo de crédito utilizados en la actualidad parten de la base de trabajos como Caouette, Altman y Narayanan (1998) y Caouette et al. (2008) (segunda edición). Logística, donde la estadística está ayudando a determinar la demanda exacta que se ha de ofrecer al mercado en cada momento y cómo se debe distribuir esta demanda en el mercado. Por ejemplo, en el mercado eléctrico cada compañía ha de determinar cuál es la demanda que va a tener en cada periodo de seis horas para, en función de la producción que ésta tenga, determinar la cantidad de energía eléctrica que debe adquirir de terceros, siendo estos mecanismos los que

3 156 O. Duro, M.C. Aguilera-Morillo, J. Villalba, J. Pastor finalmente determinan el precio que ha de pagar cada ciudadano. Aplicaciones semejantes existen en el sector gasístico o en el sector de la gasolina. A continuación se presenta una descripción más detallada de este tipo de aplicaciones en el ámbito empresarial. 2. Aplicaciones de la Estadística en la Inteligencia de Mercado (Business intelligent) Las aplicaciones de la estadística dentro de la inteligencia de mercado están orientadas al desarrollo de la estrategia de marketing one to one (qué hay que ofrecerle a cada cliente), por extracción del conocimiento de cliente acumulado dentro de los DBM (Data Base Marketing) de las compañías. Como ya hemos destacado, la implantación de las tecnologías de la información dentro de los procesos de venta de las compañías han dado lugar a que éstas acumulen grandes volmenes de información en bases de datos orientadas al desarrollo de las estrategias de marketing. Estas bases de datos son comnmente conocidas como DataWarehouse y almacenan para cada uno de los clientes toda la interactuación de estos con la compañía. Así, estas bases de datos almacenan información tal como el consumo desglosado por producto, qué productos y servicios tiene contratados, qué reclamaciones o consultas ha realizado, etc. Una explicación más detallada sobre la implantación de un DataWarehouse se puede ver en Wolff (2000). En la Figura 1 se ha representado el ciclo de vida de un cliente. Figura 1: Ciclo de vida del cliente Asociado a este ciclo de vida, se desarrollan las diferentes estrategias de mar-

4 Applications of Statistics in the Spanish business world 157 keting. Cada una de las estrategias de marketing se apoya en los resultados de diferentes modelos estadísticos. En las siguientes subsecciones se detallan los modelos estadísticos habituales que se desarrollan asociados a las estrategias de marketing en cada una de las fases del ciclo de vida de un cliente Captación de potenciales Los modelos estadísticos habituales para el desarrollo de las estrategias de captación de clientes potenciales son los siguientes: Modelos de segmentación del mercado potencial Estos modelos emplean algoritmos de segmentación como son el algoritmo de las k-medias, algoritmos cluster jerárquicos, redes de Kohonen (Self- Organizing Map (SOM)) o árboles de decisión. En Kohonen (2001) se presenta un estudio completo de las redes de Kohonen. Además de los modelos de segmentación, otra aplicación de los árboles de decisión son los modelos de riesgo de crédito, como se puede ver en Cardona (2004). Mediante los modelos de segmentación se pretende tener segmentado el conjunto de clientes potenciales en función de sus características socio demográficas para el caso de mercados de clientes residenciales o en función de información geográfica y económica financiera para el caso de personas jurídicas (empresas), de tal forma que se tengan agrupados los clientes potenciales en grupos homogéneos. Cada uno de estos segmentos de clientes da lugar a una estrategia de captación diferenciada, donde los elementos que dan lugar a las estrategias de captación son extraídos de los resultados de los algoritmos de segmentación. Así, por ejemplo, las compañías de telecomunicaciones deciden con qué mensaje comercial y con qué productos han de ofertar a un pblico joven. En este tipo de modelos se ha de combinar la información propia de la compañía con información externa existente en fuentes de datos pblicas. En Clavas y Vasconez (2011) se hace uso de DataWarehouse y árboles de decisión para implantar un modelo de oportunidad de mejora para el cliente en la elaboración de su plan o tarifa de teléfono móvil. Modelos de captación de clientes potenciales Estos modelos tratan de determinar la probabilidad de contratación de los productos y servicios de una compañía para cada cliente potencial concreto. También ayudan a determinar el posible consumo que pueda llegar a tener un cliente potencial. En el caso de las modelos de estimación de la probabilidad de contratación se emplean regresiones logísticas, arboles decisión, o en menor medida redes neuronales. En el caso de la estimación del

5 158 O. Duro, M.C. Aguilera-Morillo, J. Villalba, J. Pastor consumo potencial se pueden emplear técnicas básicas como la regresión lineal Desarrollo de clientes actuales Los modelos empleados para el desarrollo de los clientes actuales son el conjunto de modelos que ayudan a establecer las estrategias de incentivación al consumo y fidelización de los clientes. Así se pretende determinar qué otros productos o servicios se han de ofertar a un determinado cliente en función del comportamiento del resto de clientes, empleándose algoritmos de venta cruzada y de cesta de la compra. Estos algoritmos tratan de determinar la probabilidad de que compren una determinada gama de productos si antes han adquirido estos productos (por ejemplo, cuál es la probabilidad de que un cliente compre pañales si previamente ha comprado leche infantil). Aunque para el desarrollo de clientes actuales las estrategias de venta cruzada y análisis de cesta de la compra son las más comunes, es importante conocer el consumo que tiene cada cliente de los productos y servicios ayudando así a dimensionar la compañía para prestar un servicio correcto. En este punto son importantes todos los desarrollos de estimación y planificación de la demanda, modelos en los que las técnicas predictivas juegan un papel importante. Finalmente, se ha de destacar la importancia que tiene el conocimiento de las características de cada cliente para el desarrollo de las estrategias de fidelización. En este aspecto vuelven a destacar los algoritmos de segmentación, a partir de los cuales se determinan grupos homogéneos de clientes sobre los que se establecen estrategias de fidelización ajustadas a sus características Fidelización de clientes Los modelos de fidelización de clientes son conocidos como modelos CHURN. Estos modelos tratan de determinar lo próximo que está un cliente al abandono de la compañía. Es decir, tratan de determinar la probabilidad de que un cliente se dé de baja. Se emplean por tanto toda la familia de modelos de predicción de probabilidad 0-1 (modelos de regresión logística, árboles de decisión, redes neuronales, etc). Si además de determinar la probabilidad que tiene cada cliente de abandonar los servicios de la compañía, se analizan las variables con las que se ha calculado esta probabilidad, se podrán determinar las causas por las que un cliente abandona los servicios de la compañía (precios altos, malos servicios de atención al cliente, exceso de incidencias técnicas, etc) Modelos de valor de cliente Finalmente destacaremos los modelos de valor de cliente. Estos modelos tratan de agrupar la información de los modelos estadísticos empleados para el desarrollo de las estrategias de marketing one to one. Estos modelos determinan el valor monetario que proporciona un cliente a una compañía en función de la

6 Applications of Statistics in the Spanish business world 159 probabilidad de compra de producto y servicio, teniendo en cuenta los productos que ya consume, su consumo potencial, la probabilidad de abandono que tiene y el coste de desarrollo de las estrategias de fidelización. El objetivo de estos modelos de valor de cliente es determinar sobre qué bolsa de clientes se han de centrar los esfuerzos de marketing. Hoy en día, cada vez que compramos un producto, por ejemplo un terminal móvil, o nos adherimos a un plan de descuento, como por ejemplo en nuestra tarifa de gas, las compañías tienen perfectamente determinada la hoja de ruta de qué ofertar y cómo comportarse con cada uno de nosotros como clientes. Y en todo ello han jugado un papel central los modelos estadísticos. 3. Aplicaciones de la Estadística en la valoración del crédito La valoración del crédito es la pieza fundamental del mundo de las finanzas. Los modelos de riesgo, que disponen de una base estadística y parten de referencias como Caouette, Altman y Narayanan (1998), Caouette et al. (2008), De Servigny y Renault (2004) y Saunders (1999), se centran en conocer la solvencia de los potenciales deudores y medir el riesgo de crédito asociado a la cartera de clientes existente, mediante el análisis de la información proporcionada por los clientes y la información comportamental extraída de la contabilidad analítica. En al Figura 2 se ha representado el ciclo de vida del riesgo de crédito. Así, en cada fase de la gestión del riesgo de crédito se encuentran disponibles distintas tipologías de modelos que permitan como objetivo final la minimización del riesgo de crédito, y por tanto las pérdidas asociadas, dado un nivel de riesgo asumido. A pesar de que el riesgo de crédito es inherente a toda actividad empresarial donde se cobre a plazos, éste cobra especial relevancia en el sistema financiero. Es más, en función al riesgo que se esté corriendo en cada operación crediticia por parte de las entidades financieras, los Bancos Centrales obligan a determinados niveles de aprovisionamiento de capital incidiendo directamente tanto en su cuenta de resultados como en la estrategia de las entidades. Por tanto, el beneficio obtenido por una empresa está directamente relacionado con su política de riesgos y con la calidad de sus sistemas de valoración de riesgos permitiendo obtener, para un mismo nivel de facturación y rentabilidad del negocio, una mayor rentabilidad final gracias a unos menores costes asociados a impagos de clientes y menores costes financieros.

7 160 O. Duro, M.C. Aguilera-Morillo, J. Villalba, J. Pastor 3.1. Admisión del crédito Figura 2: Ciclo de vida del riesgo de crédito Asociado a la admisión de cada operación crediticia se evala, como uno de los argumentos principales en la toma de decisiones, el riesgo asociado a la operación. ste se mide por la pérdida esperada unitaria entendida como el indicador estadístico de cuánto se estima que se pierda por cada euro de crédito que se concede. Dicha pérdida esperada unitaria es la conjunción de dos parámetros: la probabilidad de impago (PD por sus siglas en inglés) y la tasa de no recobro en caso de impago (LGD por sus siglas en inglés). Modelos de PD Estos modelos estiman la probabilidad de que dado un plazo temporal (normalmente un año) el deudor no haga frente en tiempo y forma a los compromisos de pago. De tal manera se emplean algoritmos con perfil probabilístico como es el caso de la regresión logística. Dichos modelos utilizan la información económica financiera del potencial cliente (estados financieros de las empresas y patrimonio y rentas de las personas físicas) además de las características propias de la operación. Adicionalmente cobra especial relevancia en su construcción la interacción entre los procesos estadísticos a utilizar y el conocimiento de análisis financiero experto con el que debe imbuirse dichos modelos para una correcta interpretación de la información. Modelos de LGD Los modelos de LGD tratan de determinar, una vez ocurrido el impago, cuál será la tasa asociada al importe impagado que no se recobrará. Así se permite incorporar dentro del análisis de riesgo la influencia y efectividad

8 Applications of Statistics in the Spanish business world 161 de medidas como son la petición de garantías (como por ejemplo hipotecarias), los avales de terceros o el uso de seguros de crédito. En estos casos se suelen emplear principalmente árboles de decisión, y en menor medida regresiones logísticas Seguimiento del riesgo El seguimiento del riesgo de crédito asociado a la cartera de clientes existentes se suele realizar con un análisis con dos enfoques complementarios pero diferenciados. En primer lugar, el seguimiento de la calidad crediticia de forma individual de cada cliente de la cartera que permita la detección temprana de deterioros de su solvencia y permita la toma de decisiones para mitigar el impacto de un posible incumplimiento. Los modelos utilizados para este seguimiento son equivalentes a los modelos de PD anteriormente explicados, salvo la particularidad de que en el seguimiento al ser clientes se dispone de información asociada al comportamiento en pagos que se introduce como información en los modelos. Por otra parte el seguimiento también se realiza sobre toda la cartera evaluándola como un todo. En este caso se aplican modelos de carteras que usan metodologías de convolución entre la caracterización de las distribuciones asociadas al impacto y la frecuencia de los eventos para caracterizar el riesgo. Adicionalmente se incorpora la simulación de Montecarlo para el estudio de escenarios y el efecto de medidas en las políticas de riesgo sobre la cartera o el efecto contagio asociado a eventos individuales, tanto internos como externos. 4. Aplicaciones de la Estadística en la Logística Las aplicaciones de la estadística relacionadas con el sector de la logística tienen como principal objetivo ajustar la oferta a la demanda de forma correcta, de modo que no se produzca ni exceso de oferta, ni demanda no satisfecha. Por su interés, se han de destacar los sistemas de predicción de la demanda dentro del sector eléctrico y del sector gasístico. Dentro del sector eléctrico cada compañía debe diariamente determinar la demanda exacta que se va a tener en cada uno de los puntos de suministro eléctrico. Al ser la energía eléctrica una energía no almacenable, las compañías de suministro eléctrico tienen continuamente disfunciones entre la energía que pueden producir y la energía que se demanda. En el caso de tener demanda superior a la producción, la energía eléctrica se adquiere de otros compañías eléctricas tanto nacionales como internacionales, o se produce con fuentes de energía no naturales (carbón nuclerar, etc) cuya producción es mucho más cara que la de fuentes naturales. En el caso de sobrar producción, ésta se suele vender a las compañías que en ese momento demanden energía. Por tanto, poder predecir la demanda a corto plazo es fundamental para planificar la producción de energías no naturales o la compra a otras compañías.

9 162 O. Duro, M.C. Aguilera-Morillo, J. Villalba, J. Pastor Dentro del sector gasístico, predecir la demanda de forma correcta permite determinar con cierta antelación qué sistema de trasporte se ha de utilizar para traer el gas (gaseoducto o trasporte marítimo) y en la medida de lo posible poder adquirirlo al proveedor mas barato. Los modelos de predicción de la demanda son fundamentalmente modelos ARIMA, empleando como variables predictivas variables como la propia demanda, las temperaturas, el viento, etc. 5. Plataformas para el desarrollo de modelos estadísticos Las aplicaciones estadísticas empresariales están apoyadas por el desarrollo de las tecnologías de la información que han permitido generar bases de datos con enormes volmenes de información (DataWarehouse/datamarts). stas se generan al consolidar la información de los diferentes sistemas operacionales de las compañías a través de procesos ETL (extracción, trasformación y carga). Estas bases de datos son las que proporcionan la información input a los modelos estadísticos. Este proceso se ha ilustrado de forma esquemática en la Figura 3. Figura 3: Sistemas estadísticos en la empresa La construcción de los modelos estadísticos se realiza a través del empleo de potentes softwares comerciales de carácter analítico, aunque en los ltimos años la aparición de software de libre distribución, como es el caso de R, está empezando a sustituir el uso de estos softwares comerciales, disminuyendo así los costes de desarrollo. Los modelos estadísticos construídos habitualmente se desarrollan siempre en off-line y bajo la supervisión de profesionales de la estadística, que a su vez pertenecen a equipos multidisciplinares. Una vez construídos los modelos, se ejecutan con una determinada periodicidad almacenando los resultados bien en los mismos datawarehouse que alimentan

10 Applications of Statistics in the Spanish business world 163 los modelos o en los sistemas operacionales (CRM, sistemas de gestión hipotecaria, etc). 6. El futuro de la Estadística en la empresa La revolución que ha supuesto el Big Data en el mundo empresarial abre un mundo de nuevas posibilidades para la estadística. Este nuevo paradigma en la recogida y tratamiento de información permite obtener datos de fuentes tan diversas como las aplicaciones móviles o el entorno online, entre las que se encontrarían webs, campañas de o redes sociales. Pero la revolución no acaba en la recogida de información, sino que se extiende a la capacidad de fusionar estos datos con otros procedentes de fuentes clásicas (como los sistemas transaccionales) y al desarrollo de aplicaciones que acceden a los datos a velocidades hasta ahora insospechadas gracias al Cloud Computing. Dentro de este nuevo entorno será necesario contar con profesionales del ámbito del Business Analytics y el Data Science, dos disciplinas que precisan de unos fundamentos estadísticos muy sólidos. En un entorno en el que el acceso a los datos y la creación de modelos estadísticos ya no es una barrera, estos profesionales deberán ser capaces de escoger qué metodología es la más adecuada o incluso desarrollar modelos ad-hoc que se ajusten a nuevos problemas. Descubrir patrones de navegación en webs con cientos de millones de visitantes para ofrecer la mejor oferta en el momento preciso, escoger el mejor canal off-line, tv,... ) para ofrecer una promoción y optimizar las campañas multicanal o medir la influencia de las redes sociales en la desvinculación de un cliente son algunos de los nuevos retos de los estadísticos en este nuevo entorno. Por todo ello, las aplicaciones estadísticas en el mundo empresarial han de estar orientadas a la obtención de modelos estadísticos de más precisión y de mayor calidad, así como la posibilidad de que éstos puedan construirse y desarrollarse en on-line, ya que la acumulación continua de información lleva a la necesidad de estar constantemente re-evaluando los modelos estadísticos. La construcción de los modelos en on-line se topa con la necesidad de que la intervención de los analistas en la construcción de los modelos se reduce o es casi inexistente. Así, será interesante el desarrollo de técnicas potentes de eliminación de datos atípicos, sistemas de decisión de variables significativas teniendo en cuenta aspectos lógicos del objeto que se modeliza, sistemas de validación de rápida evaluación, etc. Para el desarrollo de modelos en on-line tendrá también mucha importancia el desarrollo de modelos estadísticos de gran calidad, pero que a su vez tengan baja complejidad de cálculo. La baja complejidad de cálculo está motivada por la inmediatez que imponen las aplicaciones en on-line.

11 164 O. Duro, M.C. Aguilera-Morillo, J. Villalba, J. Pastor 7. Conclusiones Tal y como hemos podido mostrar en los apartados anteriores, el impacto de la estadística en nuestra sociedad es muy alto. Las políticas de venta de las compañías, cómo satisfacen éstas nuestras necesidades, o cómo nos prestan un mejor servicio, todo esto está basado en procesos o decisiones tomadas en base a los resultados de modelos estadísticos. Se ha de resaltar la importancia que tiene la acumulación de información para posteriormente transformarla en conocimiento til, que ayude a mejorar los servicios y productos que ofrece cada compañía. En un futuro inmediato será posible analizar en tiempo real la eficacia y la eficiencia de los modelos estadísticos construídos, algo que rompe con el esquema clásico de modelo-acción-análisis-modelo. En el nuevo escenario será posible analizar y mejorar los procesos estadísticos en cualquier momento, algo que dará mucho más valor a los profesionales de este ámbito y los convertirá en ejes fundamentales de la estrategia de cualquier compañía. Sin embargo, estas nuevas oportunidades conllevan nuevos retos. No será fácil la transición hacia estos entornos y posiblemente sea difícil inculcar esta nueva cultura en algunas compañías. Es en este punto en el que los valores que proporcionan unos conocimientos estadísticos profundos deben aportar su grano de arena para dar un paso hacia el futuro. Referencias [1] Aluja, T. (2000). Los nuevos retos de la estadística, el Data Mining. Investigación y Marketing, 68, [2] Aluja, T. (2001). La Minería de Datos, entre la estadística y la Inteligencia Artificial. Qüestiió, Quaderns d Estadística, Sistemes, Informatica i Investigació Operativa, 25, [3] Caouette, J. B., Altman, E. I. y Narayanan, P. (1998). Managing Credit Risk: The Next Great Financial Challenge, Wiley. [4] Caouette, J. B., Altman, E. I., Narayanan, P. y Nimmo, R. (2008). Managing Credit Risk: The Next Great Financial Challenge (2nd Edition), Wiley. [5] Cardona, P.A. (2004). Aplicación de árboles de decisión en modelos de riesgo crediticio. Revista Colombiana de Estadística, 27, [6] Clavas, L. y Vasconez, A. (2011). Modelo de oportunidad de mejora para el cliente en la elaboración de su plan celular mediante el diseño de una DataWarehouse y árboles de decisión, Tesis Doctoral, Escuela Politécnica superior del Litoral, Ecuador.

12 Applications of Statistics in the Spanish business world 165 [7] De Servigny, A. y Renault, O. (2004). Measuring and Managing Credit Risk, McGraw Hill Professional. [8] Kohonen, T. (2001). Self-Organizing Maps.Third (extended edition), Springer. [9] Llombart. O.A. (2008). BI: Inteligencia aplicada al negocio. In: CMS- Spain.com [10] Orallo, J., Ramírez, M. J. y Ferri, C. (2004). Introducción a la Minería de Datos, Pearson Prentice Hall. [11] Saunders, A. (1999). Credit Risk Measurement: New Approaches to Valueat-Risk and Other Paradigms, Wiley. [12] Wolff, C. G. (2000). Implementando un DataWarehouse. Ingeniería informática, 5, 1-8. Acerca de los autores Óscar Duro Trapero es Licenciado en Matemáticas por la Universidad Complutense de Madrid, con la especialidad de Estadística e Investigación Operativa (Subespecialidad: Investigación Operativa). Actualmente es gerente de Servicios de Análisis en Axesor, Conocer para decidir, S. A. Máximo responsable de este departamento, cuya misión es transformar la información acumulada en los Data- Warehouse de la compañía en conocimiento para el desarrollo de las actividades de inteligencia de mercado. Este departamento es el encargado de desarrollar todos los modelos matemáticos de la compañía a excepción de los modelos de riesgo. Posee amplia experiencia en el desarrollo de modelos de inteligencia de mercado en el sector de las telecomunicaciones y de la consultoría de negocio. M. Carmen Aguilera Morillo es Diplomada en Estadística por la Universidad de Jaén, licenciada en Ciencias y Técnicas Estadísticas, Máster en Estadística Aplicada y Doctora en Estadística e Investigación Operativa por la Universidad de Granada. Actualmente es personal investigador en formación en la Universidad de Granada. Cuenta con publicaciones en el campo del Análisis de Datos Funcionales en revistas relevantes de alto impacto, ha sido ponente en congresos nacionales e internacionales de reconocido prestigio y colabora con la empresa Axesor, Conocer para decidir, S. A. en proyectos de I+D+i. Julián Villalba Checa es Licenciado en Administración y Dirección de Empresas por la Universidad Complutense de Madrid, Máster en Riesgos financieros por la Universidad CEU San Pablo de Madrid y Máster en Gestión de Activos y Mercados Financieros en el Instituto de Estusios Bursátiles (IEB) de Madrid. Actualmente es máximo responsable del departamento de rating de la empresa

13 166 O. Duro, M.C. Aguilera-Morillo, J. Villalba, J. Pastor Axesor, Conocer para decidir, S.A. y encargado de la actividad como Agencia de Rating en dicha empresa. Entre las principales funciones destaca el diseño, desarrollo e implementación de la metodología de riesgo y procesos para la elaboración de los ratings, interlocutor principal con los reguladores nacionales y europeos y gestión estratégica del departamento. Es además miembro del Comité de Rating, órgano responsable de la aprobación de los ratings emitidos. Jordi Pastor Escuder es Diplomado en Estadística y Licenciado en Ciencias y Técnicas Estadísticas por la Universitat Politcnica de Catalunya. Ha desarrollado su carrera en el entorno del Data Mining aplicado al marketing analítico. Actualmente desempeña funciones de Business Analytics Manager en Axesor. Ha diseñado y desarrollado proyectos de Inteligencia de Negocio para grandes compañías (banca, seguros, retail y energía) y proyectos de I+D+i orientados al marketing relacional. Su experiencia en el ámbito empresarial incluye desde proyectos de enfoque tradicional (captación selectiva, segmentación, valor y potencial (LCV), Cross / Up Selling, CHURN y reactivación, detección de fraude, planificación comercial, gestión y optimización de campañas e investigación de mercados), hasta proyectos en entorno online, geomarketing o tratamiento y normalización de bases de datos.

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

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

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

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

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

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

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

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

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining 04/11/2008 Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining Business Intelligence Qué es Business Intelligence? Business Intelligence Qué es

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Definición Business Intelligence es una aproximación estratégica para identificar, vigilar, comunicar y transformar, sistemáticamente, signos e indicadores en información activa en

Más detalles

PORTFOLIO APLICA.DÀT. Business Intelligence. Que veo y que hay

PORTFOLIO APLICA.DÀT. Business Intelligence. Que veo y que hay Soluciones de Gestión para extraer provecho de los datos. (Business Intelligence, Cuadro de Mando i Calidad de datos) Que veo y que hay PORTFOLIO Business Intelligence Tiene infinidad de datos. No tiene

Más detalles

Gestión comercial individualizada

Gestión comercial individualizada ekon CRM Gestión comercial individualizada In business for people. Unit4 ekon CRM. Gestión comercial óptima que ofrece un servicio individualizado a sus clientes. Nuevos retos En un mercado de oferta,

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

Máster Profesional. Máster en Marketing Relacional y CRM

Máster Profesional. Máster en Marketing Relacional y CRM Máster Profesional Máster en Marketing Relacional y CRM Índice Máster en Marketing Relacional y CRM 1. Sobre Inesem 2. Máster en Marketing Relacional y CRM Descripción / Para que te prepara / Salidas Laborales

Más detalles

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved.

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved. Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina OCHO NIVELES DE ANALYTICS 4 ALERTAS Contesta las preguntas: Cuándo reaccionar? Qué acciones son necesarias? 3 2

Más detalles

How organizations are influenced by Business Analytics? Octubre 2014

How organizations are influenced by Business Analytics? Octubre 2014 How organizations are influenced by Business Analytics? Octubre 2014 El boom de los datos Fuente: Gestión. Artículo: Big Data: La nueva moneda en el mundo de los negocios. Martes, 07 de octubre del 2014

Más detalles

Boletín Advisory* En este número. Introducción

Boletín Advisory* En este número. Introducción Boletín Advisory* Marzo 2006 Distribución exclusiva para clientes y relacionados de Espiñeira, Sheldon y Asociados En este número Introducción Funcionalidades claves de SAP Business One Beneficios Riesgos

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

La solución de gestión integrada para franquicias.

La solución de gestión integrada para franquicias. La solución de gestión integrada para franquicias. Conozca cómo ahorrar y obtener la máxima rentabilidad de su negocio. www.seidor.es Comprendemos las claves del éxito del modelo de negocios de nuestros

Más detalles

PRESENTACIÓN CORPORATIVA

PRESENTACIÓN CORPORATIVA PRESENTACIÓN CORPORATIVA 1. Introducción 2. Propuesta de valor 3. Portfolio servicios y soluciones Casos Reales: Presupuesto de Gestión Definición de CMI: Cuadro de Mandos Integral Quobudget: Solución

Más detalles

MAPINFO EN EL MERCADO DE RETAIL. Utilizar las soluciones de location intelligence para ser más competitivos

MAPINFO EN EL MERCADO DE RETAIL. Utilizar las soluciones de location intelligence para ser más competitivos MAPINFO EN EL MERCADO DE RETAIL Utilizar las soluciones de location intelligence para ser más competitivos Localización, localización, localización! MapInfo proporciona soluciones líderes para el análisis

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

Informática II Ing. Industrial. Data Warehouse. Data Mining Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano

Más detalles

Adesis Netlife - 2002 Adesis Netlife e-crm: cómo nos aproxima al cliente 1 1

Adesis Netlife - 2002 Adesis Netlife e-crm: cómo nos aproxima al cliente 1 1 e-crm: cómo nos aproxima al cliente Adesis Netlife - 2002 Adesis Netlife e-crm: cómo nos aproxima al cliente 1 1 Adesis Netlife e-crm: cómo nos aproxima al cliente 2 2 1 Situación actual Dentro de un mercado

Más detalles

MASTER OFICIAL DE PLANIFICACIÓN Y GESTIÓN DE PROCESOS EMPRESARIALES

MASTER OFICIAL DE PLANIFICACIÓN Y GESTIÓN DE PROCESOS EMPRESARIALES UNIVERSITAT DE VALÈNCIA MASTER OFICIAL DE PLANIFICACIÓN Y GESTIÓN DE PROCESOS EMPRESARIALES ORGANISMO RESPONSABLE Departamento de Estadística e Investigación Operativa Facultad de Matemáticas Universidad

Más detalles

UN PASEO POR BUSISNESS INTELLIGENCE

UN PASEO POR BUSISNESS INTELLIGENCE UN PASEO POR BUSISNESS INTELLIGENCE Ponentes: Agreda, Rafael Chinea, Linabel Agenda Sistemas de Información Transaccionales Qué es Business Intelligence? Usos y funcionalidades Business Intelligence Ejemplos

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

Estudios de remuneración 2015

Estudios de remuneración 2015 Estudios de remuneración 2015 MARKETING Selección y trabajo temporal especializado www.pagepersonnel.es ÍNDICE ORGANIGRAMA...4 ASSISTANT DE MARKETING...6 EJECUTIVO DE CUENTAS...7 PLANIFICADOR DE MEDIOS...8

Más detalles

UNIVERSIDAD CARLOS III DE MADRID

UNIVERSIDAD CARLOS III DE MADRID : Grupo de Planificación y Aprendizaje PLG I V E R S ID A D U N I D III R D A M D E I C A R L O S II UNIVERSIDAD CARLOS III DE MADRID Grupo de Planificación y Aprendizaje Planificación de misiones espaciales

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

Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper

Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper Marketing Advanced Analytics Predicción del abandono de los clientes Whitepaper El reto de predecir el abandono de los clientes Resulta entre cinco y quince veces más caro para una compañía captar nuevos

Más detalles

Soluciones Integrales en Inteligencia de Negocios

Soluciones Integrales en Inteligencia de Negocios Soluciones Integrales en Inteligencia de Negocios QUIENES SOMOS NUESTRA MISIÓN DATAWAREHOUSE MINERÍA DE DATOS MODELOS PREDICTIVOS REPORTERÍA Y DASHBOARD DESARROLLO DE APLICACIONES MODELOS DE SIMULACIÓN

Más detalles

BUSINESS INTELLIGENCE. programa de gestión comercial inteligencia analítica

BUSINESS INTELLIGENCE. programa de gestión comercial inteligencia analítica BUSINESS INTELLIGENCE programa de gestión comercial inteligencia analítica Programa de gestión comercial Las compañías necesitan soluciones integrales de inteligencia empresarial para aumentar su competitividad,

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

Herramienta de Gestión Integral de Riesgos

Herramienta de Gestión Integral de Riesgos Herramienta de Gestión Integral de Riesgos Instituciones Financieras www.managementsolutions.com Por qué MIR MIR es la solución de Management Solutions para la gestión integral del riesgo, que unifica

Más detalles

La consumerización del comercio multicanal B2B

La consumerización del comercio multicanal B2B La consumerización del comercio multicanal B2B La "consumerización de la TI" es un tema candente, ya que aumenta la presión sobre las organizaciones para que abran las redes empresariales a los dispositivos

Más detalles

ESTUDIO DE REMUNERACIÓN MARKETING

ESTUDIO DE REMUNERACIÓN MARKETING 2013 ÍNDICE ESTUDIO DE REMUNERACIÓN pág. ORGANIGRAMA 4 Assistant de Marketing 6 Ejecutivo de Cuentas 8 Planificador de Medios 10 Técnico de Comunicación 12 Product Manager 14 Responsable de Marketing /

Más detalles

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos mayo de de 2009 BASILEA II GESTIÓN DEL EXPOSITOR: Kay Dunlop 1 AGENDA MARCO CONCEPTUAL SISTEMA DE GESTIÓN N DEL RIESGO DE CRÉDITO

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

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

UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M

UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M CONCEPTO: "Customer Relationship Management"), La administración basada en la relación con los clientes.

Más detalles

I Informe Adecco Professional Los Directivos + Buscados

I Informe Adecco Professional Los Directivos + Buscados #los+buscados I Informe Adecco Professional Los Directivos + Buscados En esta primera edición, Adecco Professional, la consultora de selección del Grupo Adecco especializada en la selección de mandos medios,

Más detalles

Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas. Prof. Lic. Juan M. Bodenheimer jb@instare.

Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas. Prof. Lic. Juan M. Bodenheimer jb@instare. Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas Congreso de RR.HH. De Costa Rica 30/10/2012 Prof. Lic. Juan M. Bodenheimer jb@instare.com Nuestra Agenda

Más detalles

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI INTRODUCCIÓN Se habla en multitud de ocasiones de Business Intelligence, pero qué es realmente? Estoy implementando en mi organización procesos de Business

Más detalles

Diploma en Business Analytics

Diploma en Business Analytics Diploma en Business Analytics JULIO 2010 FACULTAD DE INGENIERÍA Y CIENCIAS www.uai.cl Por qué un Diploma en Business Analytics? El análisis metódico e inteligente de datos es una actividad estratégica

Más detalles

Dossier de prensa. Abril 2008

Dossier de prensa. Abril 2008 Dossier de prensa Abril 2008 Experian, vocación de liderazgo En Experian somos especialistas en la gestión y análisis de información con el objetivo de ayudar a compañías y consumidores a tomar las decisiones

Más detalles

Creando relaciones con los clientes a través del e-crm. E-Brain Consulting

Creando relaciones con los clientes a través del e-crm. E-Brain Consulting Creando relaciones con los clientes a través del e-crm E-Brain Consulting I.- Índice 1.- Introducción... 3 2.- Qué es e-crm?... 3 3.- Planteamientos para una Solución de e-crm Exitosa... 4 4.- Implementando

Más detalles

CRM en la Industria de Telecomunicaciones

CRM en la Industria de Telecomunicaciones www.pwc.com/ve 4 Inicio CRM en la Industria de Telecomunicaciones Boletín de Servicios de Asesoría en Riesgos No. 3-2015 - No. 3-2015 Haga click en los enlaces para navegar a través del documento 4 Qué

Más detalles

SMART ENERGY. Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra. indracompany.com

SMART ENERGY. Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra. indracompany.com SMART ENERGY Soluciones integrales para el control y gestión de pérdidas Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra indracompany.com Soluciones integrales para el control

Más detalles

La investigación de mercado VÍA CONTACT CENTER DOSSIER >>

La investigación de mercado VÍA CONTACT CENTER DOSSIER >> STOCK PHOTOS La investigación de mercado VÍA CONTACT CENTER La encuesta telefónica es la fórmula utilizada por el contact center para la realización de investigación de mercado (fundamentalmente de campo);

Más detalles

Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza

Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza IBM Software Information Management White Paper Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza Un enfoque de appliance simplifica el uso de la analítica avanzada Cómo aprovechar la

Más detalles

Nº Pliego/Expte: TIC-0056/2013 Elemento PEP: G0000/001-2013

Nº Pliego/Expte: TIC-0056/2013 Elemento PEP: G0000/001-2013 PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA LA CONTRATACIÓN DEL SERVICIO DE IMPLANTACIÓN DE UN SISTEMA DE GESTIÓN INTEGRAL DE LA INFORMACIÓN EN CÁMARA VALENCIA. Nº Pliego/Expte: TIC-0056/2013 Elemento PEP:

Más detalles

Más allá del Business Intelligence

Más allá del Business Intelligence especial informática Más allá del Business Intelligence Ofrecer a todos los usuarios de una organización la información que necesitan para tomar decisiones estratégicas, que mejoren su efectividad operacional,

Más detalles

La Inteligencia Operacional permite maximizar y resolver los principales retos de las Operadoras de Comunicaciones en el área de Experiencia Cliente

La Inteligencia Operacional permite maximizar y resolver los principales retos de las Operadoras de Comunicaciones en el área de Experiencia Cliente La Inteligencia Operacional permite maximizar y resolver los principales retos de las Operadoras de Comunicaciones en el área de Experiencia Cliente o Customer Experience > 1 Indice 1 Resumen Ejecutivo

Más detalles

UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM)

UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM) UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM) Objetivos Al finalizar la unidad el alumno deberá conocer los antecedentes, el origen, los objetivos, los diferentes tipos y las estrategias

Más detalles

Máster en Economía Finanzas y Computación. Universidad de Huelva Universidad Internacional de Andalucía. www.uhu.es/mecofin

Máster en Economía Finanzas y Computación. Universidad de Huelva Universidad Internacional de Andalucía. www.uhu.es/mecofin www.uhu.es/mecofin Máster en Economía Finanzas y Computación Máster oficial en Economía, Empresa, Finanzas, Marketing y Big Data Universidad de Huelva Universidad Internacional de Andalucía @economiauhu

Más detalles

Aplicaciones Informáticas en la Gestión Comercial

Aplicaciones Informáticas en la Gestión Comercial Tema 6: Aplicaciones Informáticas en la Gestión Comercial Departamento de Organización de Empresas Universidad Complutense de Madrid ÍNDICE Sistemas EDI ERP CRM y PRM SCM DataWarehouse y Data Mining 2

Más detalles

Máster en Gestión de Marketing

Máster en Gestión de Marketing Contenidos académicos del Máster en Gestión de Marketing - MMARQ Primer trimestre: 1. Técnicas cuantitativas: El objetivo de esta asignatura es familiarizarse con técnicas gráficas y analíticas de estadística.

Más detalles

White Paper. Un ERP para la era omnichannel

White Paper. Un ERP para la era omnichannel White Paper Resumen Los comerciantes se enfrentan a un nuevo tipo de consumidores: Informados, exigentes, conscientes de los costes, acostumbrados a comprar a través de numerosos y variados canales de

Más detalles

Carlos Daniel Quattrocchi

Carlos Daniel Quattrocchi PRESENTA Lic. Héctor Iglesias Licenciado en Informática. Profesional independiente, ha desempeñado la actividad en informática desarrollando e implementando sistemas, capacitando y asesorando a numerosas

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II REVISTA ESPAÑOLA DE FINANCIACIÓN Y CONTABILIDAD Vol. XXXVI, n.º 135 julio-septiembre 2007 pp. 649-653 649 Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Metodología > 1 Implantación tecnológica de un balanced scorecard Precio 1.000 Este curso introduce al alumno en la metodología de BSC y su implantación tecnológica para el seguimiento

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

Qué hacer si mi spread financiero se reduce?

Qué hacer si mi spread financiero se reduce? Qué hacer si mi spread financiero se reduce? SANTA CRUZ - BOLIVIA INTRODUCCIÓN: Dada la nueva Ley de Servicios Financieros y considerando el artículo 38 de la misma: Además de la conclusión del documento

Más detalles

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Centro Integral de Educación Continua (CIEC) Curso de Educación Continua (CEC) INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Del 21 de julio al 25 de agosto de 2015 Martes y jueves de

Más detalles

Customer Relationship Management

Customer Relationship Management Universidad Católica Nuestra Señora de la Asunción Facultad de Ciencias y Tecnologías Customer Relationship Management Teoría y Aplicación de la Informática 2 Profesor: Juan de Urraza Alumno: Carlos Augusto

Más detalles

Información: 93 298 87 20

Información: 93 298 87 20 Del ERP al e-business Soluciones informáticas integrales Una solución única y revolucionaria para la gestión de la mediana y gran empresa, que une la potencia del e-business con el control global de todos

Más detalles

Marketing One to One e Internet

Marketing One to One e Internet Marketing One to One e Internet Paula Andrea Brienza Objetivos del Trabajo Analizar el desarrollo de una estrategia de Marketing One to One y las aplicaciones de Internet en el área de negocios, con el

Más detalles

Business Intelligence: Competir con Información

Business Intelligence: Competir con Información Business Intelligence: Competir con Información Reus, 16 de Noviembre de 2011 Página 1 Página 2 Sumario Sistemas de Información - Introducción Introducción Business Intelligence Datawarehouse OLAP Data

Más detalles

PERFIL KLE. www.siskle.com. + Antecedentes

PERFIL KLE. www.siskle.com. + Antecedentes PERFIL KLE www.siskle.com Tamaulipas Torre A 150-501 Col. Hipódromo Condesa México DF... Teléfonos: +5211.6710; +5256.4517... http://www.siskle.com... + Antecedentes + SIS KLE + Factores de Diferenciación

Más detalles

Optimización de rutas logísticas para ganar competitividad

Optimización de rutas logísticas para ganar competitividad Autor: Whitepaper patrocinado por: José Antonio Martínez Fernández Profesor Dirección de Empresas de la Universidad Pablo de Olavide, Sevilla Optimización de rutas logísticas para ganar competitividad

Más detalles

ALCANCE DEL SERVICIO INDICADORES EN ÁREAS CLAVE DE LA EMPRESA

ALCANCE DEL SERVICIO INDICADORES EN ÁREAS CLAVE DE LA EMPRESA Presupuestación DESCRIPCIÓN DEL SERVICIO ALCANCE DEL SERVICIO Objetivo Diseño e implementación de un sistema de gestión de la performance y el riesgo (CRPM) para empresas. Conjunto de procesos, metodologías

Más detalles

SOLUCIONES E-BUSINESS

SOLUCIONES E-BUSINESS SOLUCIONES E-BUSINESS Soluciones e-business La realización de operaciones de negocio electrónico se sirve de numerosas herramientas, utilizadas para sustituir a las aplicadas tradicionalmente por las empresas

Más detalles

PROGRAMA DE ASIGNATURA

PROGRAMA DE ASIGNATURA PROGRAMA DE ASIGNATURA 01. Carrera Lic. En Administración de Negocios Internacionales Lic. En Dirección del Factor Humano Lic. En Comercialización x Lic. En Tecnología Informática Lic. En Administración

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos

Más detalles

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad comercial de las empresas

Más detalles

SOBRE NOSOTROS POR QUÉ SOMOS DIFERENTES?

SOBRE NOSOTROS POR QUÉ SOMOS DIFERENTES? DOSSIER CORPORATIVO SOBRE NOSOTROS Somos una empresa de consultoría creada en 1999 y formada por profesionales de las IT, del Marketing y de la Gestión Comercial. Nuestro enfoque de trabajo se caracteriza

Más detalles

ARTÍCULOS Y REFLEXIONES

ARTÍCULOS Y REFLEXIONES ARTÍCULOS Y REFLEXIONES Soporte a la toma de decisión a través de Business Intelligence. Ing. Sandra Aída Pérez Estrada Alumna de la Maestría en Administración de Tecnologías de Información, Universidad

Más detalles

Máster. en Inteligencia de Negocios

Máster. en Inteligencia de Negocios Máster en Inteligencia de Negocios Máster en Inteligencia de Negocios Este máster se presenta como un programa muy equilibrado que abarca todos los aspectos de la estrategia, la gestión, la implementación

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology Insurance Analytics Presentación SBI Technology. Quienes Somos? Más de 20 años de experiencia a nivel internacional en BI aplicado

Más detalles

Curso del Data Mining al Big Data

Curso del Data Mining al Big Data Curso del Data Mining al Big Data Instructor: Dr. Luis Carlos Molina Félix Presentación. Las bases de datos y los sistemas de administración de datos han jugado un papel primordial en el crecimiento y

Más detalles

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

Más detalles

3º Estudio de la Gestión del Riesgo de Crédito en España

3º Estudio de la Gestión del Riesgo de Crédito en España 3º Estudio de la Gestión del Riesgo de Crédito en España Cátedra de Cash Management, Abril 2012 El Tercer Estudio de la Gestión del Riesgo de Crédito en España ha sido realizado por el Grupo Crédito y

Más detalles

Estudios de remuneración 2015

Estudios de remuneración 2015 Estudios de remuneración 2015 ADMINISTRACIÓN DE VENTAS, COMPRAS & LOGÍSTICA Selección y trabajo temporal especializado www.pagepersonnel.es ÍNDICE Organigrama... 4 Administrativo de Ventas / Customer Service

Más detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

Gestión de Residuos y Reciclaje con Grupotec y SAP Waste and Recycling

Gestión de Residuos y Reciclaje con Grupotec y SAP Waste and Recycling Gestión de Residuos y Reciclaje con Grupotec y SAP Waste and Recycling La creciente apertura del mercado de los Servicios Medioambientales y el consecuente aumento de la competencia ha creado la necesidad

Más detalles

Control Informático de Gestión. Tema 5: Sistemas de Apoyo a la Toma de Decisiones

Control Informático de Gestión. Tema 5: Sistemas de Apoyo a la Toma de Decisiones Control Informático de Gestión Tema 5: Sistemas de Apoyo a la Toma de Decisiones Índice Revisión de los sistemas de información en la empresa La información y la toma de decisiones Sistemas transaccionales

Más detalles

Curso Superior de Experto en Geomarketing

Curso Superior de Experto en Geomarketing Curso Superior de Experto en Geomarketing INTRODUCCIÓN El Curso Superior de Experto en Geomarketing, permitirá al alumno introducirse en el mundo del geomarketing y en el conocimiento de las aplicaciones

Más detalles

DataCrédito está con usted en los momentos de verdad

DataCrédito está con usted en los momentos de verdad DataCrédito está con usted en los momentos de verdad 2 Su progreso es nuestra visión Introducción 3 DataCrédito en un momento Innovación, tecnología, conocimiento y servicio. En DataCrédito trabajamos

Más detalles

EXPERIENCIAS DE INNOVACION DE PROCESOS EN CHILE

EXPERIENCIAS DE INNOVACION DE PROCESOS EN CHILE EXPERIENCIAS DE INNOVACION DE PROCESOS EN CHILE Oscar Barros Junio 2007 Oscar Barros www.obarros.cl 1 TEMARIO Innovación en los negocios y sus procesos para generar competitividad Diseño de los negocios

Más detalles

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR opinoweb SOFTWARE FOR MARKET RESEARCH LA NECESIDAD DE PREDECIR Actualmente las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también

Más detalles

Soluciones Informáticas para gestionar su empresa Presentación de empresa la Compañía La Compañía NEO GRUP Management, es un proyecto definido y creado para proporcionar a nuestros clientes, trabajando

Más detalles

INFORMACIÓN RELACIONADA

INFORMACIÓN RELACIONADA INFORMACIÓN RELACIONADA Soluciones para compañías del sector Aeroespacial y Defensa Soluciones de gestión de cartera de proyectos Primavera ORACLE ES LA COMPAÑÍA DE INFORMACIÓN Múltiples proyectos, miles

Más detalles

Cinco imperativos de la predicción para maximizar el valor para el cliente

Cinco imperativos de la predicción para maximizar el valor para el cliente Cinco imperativos de la predicción para maximizar el valor para el cliente Aplicación del análisis predictivo para mejorar la gestión de la relación con los clientes Contenido: 1 Introducción 4 Los cinco

Más detalles

Boletín Advisory* En este número

Boletín Advisory* En este número Boletín Advisory* Enero 2005 Distribución exclusiva para clientes y relacionados de Espiñeira, Sheldon y Asociados En este número Evolución de los sistemas SAP mysap Business Suite: La nueva generación

Más detalles