UNIVERSIDAD NACIONAL DE INGENIERÍA

ESCUELA CENTRAL DE POSGRADO

Maestría en Data Science

Curso: CIENCIA DE DATOS Y METODOLOGÍA DE PROYECTOS ANALÍTICOS

Profesor: MBA & MSC. Manuel Valdivia Carbajal Escuela de Posgrado UNI-EP
Objetivos:

Comprender como los datos y analítica apalancan las estrategias de

negocio.

Entender como ayudan las tecnologías Cloud y Machine Learning a

los negocios.

Escuela de Posgrado UNI-EP

Fenómenos que impulsan el uso del Data & Analytics:

Escuela de Posgrado UNI-EP

Escuela de Posgrado UNI-EP
Madurez analítica de una empresa

Inteligencia
Entendimiento y respuesta Predicción y acción continua
Ventaja competitiva

¿Qué es lo óptimo que

Modelos debería suceder?
prescriptivos

Modelos
predictivos
¿Qué es lo mejor que
podría suceder?

Modelos
descriptivos
Reportes
ad hoc y OLAP* ¿Qué sucederá?
Reportes
Data estándar
Data sin limpia
procesar ¿Por qué sucedió? ¿Cómo son?

¿Qué paso/sucedió?

OLAP* Procesamiento analítico online Madurez analítica

Misión Data & Analytics:

Los Datos y Analytics nos ayudan a entender

profundamente a los clientes/no clientes para ofrecer
experiencias hiper-personalizadas y contextuales
Como nos ayudan a entender a nuestro clientes:

Conociendo comportamientos a través de la data para poder tomar

acciones diferenciadas.

A través de este comportamiento pasado poder predecir

comportamientos futuros, para anticiparme a las necesidades.

Ofrecer propuestas de valor contextuales

Escuela de Posgrado UNI-EP

Que necesito:

Tener una base de datos y analizar comportamientos de mis clientes.

Construir algoritmos de Machine Learning que me permitan conocer

comportamientos futuros.

Implementar tecnología Cloud que me permita mayor agilidad en el

procesamiento de los datos.

Escuela de Posgrado UNI-EP

¿Cómo accionamos los datos?

Datos Fábrica Analítica Cliente/No Cliente

(Machine Learning)

Data Estructurada: Conocer a nuestros clientes y Acciones:

• RCC No clientes:  Productos Hiperpersonalizados
• Transaccionales  Micro-segmentaciones  Entrega inmediata
 Modelos predictivos  Contextualización
Data No Estructurada:  Modelos prescriptivos
• Log Digitales  Inteligencia Continua
• Audios de reclamos
Escuela de Posgrado UNI-EP
Estrategia de Analítica Avanzada

Insights accionables

AGILE

Design Thinking
Algoritmos
& Machine Learning / Agile

Co-creación
Test & Learn Mejora Continua
Entendimiento de la Diseño Impulsar y ejecutar acciones de
necesidad de Test & Learn sobre las hipótesis de negocio basados en datos e Insights.
negocio.
Definición MVP y
Construcción los Algoritmos. Desarrollar aplicaciones basadas en
Sesiones de co- Pilotear, Medir y comunicar los Machine Learning y Algoritmos de
Sprints. Definición de
creación resultados. Personalización
las variables del
multifuncional. Extracción / Transformación y Compartir hallazgos e Insights a Medir y comunicar los resultados de
modelo, validación de
Definición de reglas e Cleansing de la data. través de Analytics Potentes. acciones ejecutadas.
técnica estadística y/o
identificación de Construcción de la Retroalimentación del algoritmo
ML
variables relevantes arquitectura analítica.
Validación de algoritmos y
lógicas comerciales
Caso microfinanzas “Adquisición de créditos Mype”:

Predecir la propensión de crédito Mype para mejorar eficiencia en campañas

Propensión:

Que tan predispuesto está el cliente Grupo1

en aceptar una oferta o venta Grupo2

Grupo3

Grupo4
CLIENTES MYPE AL + Alta Probabilidad que el cliente
Grupo5
CIERRE DE CADA MES me acepte un Crédito

Grupo6

Grupo7

Calcula la probabilidad Grupo8

que el cliente me acepte Grupo9

una oferta
Grupo10
Mejora de Ratio de Conversión y Productividad

Mejora en el ratio de conversión de Campañas en una región

Productividad por Analista

Campaña MYPE
BASES MYPE PARA CLIENTES ACTIVOS
Mejora en el Ratio de Conversión Dic20 vs Nov20
11.5

6.4% 9.9 11.4

8.5
4.9% 9.4
4.6%
4.3% 6.7
7.9
3.6%
4.4 5.9
2.1%
1.6% 1.4%
2.1 3.8

Andina Arequipa Centro Imperial Lima I Lima Ii - Ica Norte Sur

1.9 Caja Arequipa Centro Oriente
Oriente

1 2 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Día
¿Cómo funciona el Analytics en un Banco?
Motor analítico de riesgos
¿Qué producto le ofrezco al
cliente/No cliente?
• Ingreso
• Probabilidad de default por
producto originación y
comportamiento
¿Cuál son la/s oferta/s para el
cliente/No cliente?
Data • CEM
• Monto
• Tasa
¿Cómo ejecuto las campañas?
• Filtros
• Políticas
Automatización/Gobierno/Seguimiento/Self Learning
(Infraestructura analítica AWS)
Motor analítico de negocio Motor analítico de campañas
¿Cómo gestionar al cliente/No
cleinte?
• Probabilidad de churn
• CLV
• Probabilidad de aceptación
por producto/canal
¿Cuál/es son los mejor/es
oferta/s para el cliente/No ¿Cuáles son los parámetros de
cliente? la campaña?
• Elasticidad ¿Cuáles son las reglas y filtros
Canal
• Monto duros?
• Tasa
• Perfiles Cliente
¿Cuál es el mejor canal para el
cliente/No cliente?
• Modelo de Canal
• Optimización de leads por
canal
Tipos de algoritmos:

Algoritmos
de Cross y
Up Sell

Fábrica Analítica

Algoritmos de Algoritmos de
riesgos originación cobranzas por
y tramos
comportamentales

Segmentaciones Algoritmos de
comportamentales contactabilidad
Tecnología para Datos y Analytics:

Analytic Suite

Modeling
D Factory
A
T Descriptivo Data Scientist
OPERACIÓN ANALYTICS
DATA
A
DATA MANAGEMENT
PRODUCERS
Predictivo
DATA HUB
F
Streaming Data
E LAB Prescriptivo Business Analytics
DM
Data NO
Estructurada
Business D
Host
Analytics PRD
E
Distr Data
Estructurada R
.txt
A
TI Model Self Online Models Data Engineer
Manager Learning Score Dashboard
O
N

CRM
Beneficios de usar una tecnología óptima:

Velocidad -
Modelos Predictivos

X 10X

SQL Server Cloud

6 30
horas min

(minutos)
Proyectos de Datos & Analytics

Campañas
Trazabilidad, What-If
& A/B testing
Data Governance
Lineamientos del Data Governance,
traza de la data y Business Glossary Algoritmos de Personalización
Modelo de propensión, fuga y cobranzas

Big Data
Arquitectura IBM y Desarrollo de Soluciones
Data Lake Comercial
Desarrollo de software e integración de
Arquitecturas con Algoritmos y modelos
analíticos (Cobranzas)

BI & Analytics

Reportes, Dashboard y
Análisis de Información
 UNIVERSIDAD NACIONAL DE INGENIERÍA
ESCUELA CENTRAL DE POSGRADO
Maestría en Data Science

Curso: CIENCIA DE DATOS Y METODOLOGÍA DE PROYECTOS ANALÍTICOS

Profesor: MBA & MSC. Manuel Valdivia Carbajal