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. oduro@axesor.es M. Carmen Aguilera Morillo Departamento de Estadística e Investigación Operativa Universidad de Granada caguilera@ugr.es Julián Villalba Checa Departamento de Rating Axesor, Conocer para decidir, S. A. jvillalba@axesor.es Jordi Pastor Escuder Departamento de Rating Departamento de Servicios de Análisis Axesor, Conocer para decidir, S. A. jpastor@axesor.es 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.