Quilmes

NIÑA

mr-1

untold

Oruga

Esto es

mercadolibre

prehome-screen

ISLA

prehome-lateral

mh-1

mc-2

MERCADOLIBRE

mr-7

Carat

mr-8

Super

br-1

india agency

br-2

Paramount

mr-10

mr-11

Telecom

mcm-1

lb-8

lb-9

Movistar

mr-12

Clarín

mr-13

Mercado mccann

<p>La función principal de los modelos en la ciencia es la de representar, explicar, guiar, motivar, predecir, evaluar y generar realidades. En las ciencias más “duras” como la física, química e incluso en economía se parte de modelos que cuentan con definición teórica. Calibrar estos modelos para el caso de uso muchas veces consiste en adaptarlos ajustando variables y constantes a la realidad de estudio. En Big Data, suele ocurrir que a veces el desafío es que no hay un modelo teórico con variables definidas para aplicar; esto sucede cuando analizamos por ejemplo el riesgo crediticio de un cliente, la propensión al consumo, el comportamiento de churn y casi cualquier fenómeno de estudio dentro del mundo de los negocios. Entonces, lo que hacemos a través de distintas técnicas, es tratar de encontrar el mejor modelo que se ajuste a la historia basados en el supuesto que el futuro tiene similitudes con el pasado. De esta manera, se busca una gran cantidad de información para luego buscar el mejor modelo que se ajuste y a su vez resulte ser predictivo, con resultados empíricos. Estos modelos son los que popularmente llamamos scores. Para que estos scores sean lo más predictivos posible es imprescindible contar con diferentes fuentes de datos, tanto tradicionales como alternativos.
<p>
<p>En el caso de un score de riego, hay un conjunto de información que se sabe que es relevante, el desafío es ir encontrando nuevos datos que mejoran la predicción del riesgo de distintos segmentos de la población. El segmento No Bancarizado es el que presenta los mayores desafíos en la actualidad. Los datos que se van detectando con capacidad predictiva son los que se incorporan en futuras versiones de los scores de análisis de datos. En el proceso, lo que se hace es generar reglas y combinaciones del score genérico para crear un score personalizado (custom). Para el Analista, cualquier nueva variable que funcione y prediga comportamiento, marcará la diferencia y puede ser incluida dentro de la política de riesgo. Para ello será clave la búsqueda constante de nuevas fuentes de datos que aporten valor a las empresas sobre sus consumidores.


Por Sergio Miller, Chief Data & Analytics Officer de Equifax

Data alternativa, una herramienta clave para tener una visión completa del consumidor

DATACENTER

Especial ANUNCIANTES

ESPECIAL DIGITAL

Lápiz de Oro: Inscripciones, bases y fechas

Bienvenidos al cambio

La Publicidad Inclusiva y la Ruptura de Estereotipos de Género: un Gran Paso hacia la Realidad. Por Luz Castro, Directora Creativa de Dentsu Creative

Q5: la temporada de ventas que los equipos de marketing deben aprovechar

El rol de las Mujeres en la Creatividad: un camino hacia la equidad

Crisis en la industria del entretenimiento

¿Creatividad artificial? Qué oportunidades trae la IA al mundo de la publicidad