MAESTRA EN GESTIN DE SISTEMAS DE INFORMACIN E

MAESTRÍA EN GESTIÓN DE SISTEMAS DE INFORMACIÓN E INTELIGENCIA DE NEGOCIOS Modelo de pronósticos para indicadores financieros de cartera en la Cooperativa de la Policía Nacional, basado en el uso de las técnicas de Machine Learning Autores: Jenny Villacís Darío Calderón 1

Agenda • Antecedentes • Metodología de Investigación • Conocimiento del Problema • • Hipótesis Objetivos Red de Categorías Variables Hipótesis Estudio del Arte • Desarrollo • Metodología CRISP-DM • Evaluación • Conclusiones 2

Antecedentes Mejora el análisis en la toma de decisiones de la empresa, esto impacta directamente en la utilidad de la empresa Planteamiento del problema Recopilación de indicadores de forma manual, en archivos excel Justificación Importancia Encontrar el mejor modelo para análisis predictivo en los indicadores financieros de cartera para la CPN Alcance Considerar el estudio como un prototipo en el análisis predictivo para la CPN 3

Metodología de Investigación – Conocimiento del Problema • Documentar y determinar los factores que inciden en el problema, con la finalidad de determinar la causa, y establecer los lineamientos de posibles soluciones 4

Hipótesis Las técnicas de aprendizaje supervisado de Machine Learning permitirán mejorar las predicciones de los indicadores financieros de Cartera de la Cooperativa de la Policía Nacional. Variable Dependiente Indicadores Financieros de Cartera Variable Independiente Técnicas de aprendizaje supervisado • Resultados • Métricas de los indicadores 5

Objetivos OG Construir un modelo de pronóstico para la proyección de indicadores financieros de cartera, visualizando el resultado a través de un tablero de control utilizando herramientas de inteligencia de negocios. OE 1 Realizar una revisión de literatura para determinar las técnicas predictivas más utilizadas de Machine Learning OE 2 Seleccionar los indicadores sensibles en la operación financiera de la cooperativa OE 3 Implementar un modelo analítico para construir valores predictivos de indicadores financieros de cartera OE 4 Validar el modelo de pronóstico de los indicadores de cartera, a través del uso de indicadores de precisión soportados en la minería de datos 6

Red de Categorías: Técnicas de Aprendizaje Supervisado En este tipo de técnicas se considera un conocimiento a priori En este tipo de modelos se cuenta conjuntos de entrenamiento o aprendizaje 7

Red de Categorías: Técnicas de Aprendizaje Supervisado Técnicas No Supervisadas Clustering Numérico Conceptual Probabilístico Asociación A Priori Supervisadas Predicción Clasificación Regresión Árboles de Decisión Árboles de Predicción Inducción de Reglas Series de Tiempo Bayesiana Redes de Neuronas Lógica Borrosa Técnicas Genéticas 8

Red de Categorías: Técnicas de Aprendizaje Supervisado Conjunto de algoritmos de clase aprendizaje automático que intenta modelar abstracciones de alto nivel. Uso de estructuras lógicas que se asemejan al funcionamiento neuronal cerebral 9

Red de Categorías: Técnicas de Aprendizaje Supervisado Sistemas que aprenden automáticamente. Identificar patrones complejos en millones de datos El uso de machine learning es viable, debido a las facilidades de uso en herramientas de análisis, y la reciente implementación de cloud computing 10

Estudio del Arte – Técnicas de Aprendizaje Supervisado Pasos iniciales de una Revisión Sistemática de Literatura Revisión Inicial Validación Cruzada Estudios Grupo Control (10) En los estudios revisados se encontró que los métodos tradicionales siguen teniendo vigencia en la realidad actual, determinando que el método más usado son las REGRESIONES (más del 60% del uso en los casos encuestados) En otros estudios consideran el método de series temporales ARIMA, HOLT WINTERS por sus características de exactitud y respuesta, en comparación con otros modelos. 11

Red de Categorías – Indicadores Financieros de Cartera Son las organizaciones asociadas con personas naturales o jurídicas con el objetivo de realizar actividades de intermediación financiera y de responsabilidad social con sus socios Las cooperativas se basan en los valores de ayuda mutua, responsabilidad, democracia, igualdad, equidad, y solidaridad Ecuador registra un total de 887 cooperativas de ahorro y crédito, constituyéndose en el segundo país, por número en Latinoamérica (después de Brasil) 12

Red de Categorías – Indicadores Financieros de Cartera La Cooperativa de Ahorro y Crédito de la Policía Nacional Ltda. nace jurídicamente el 29 de junio de 1976 Brindar servicios financieros ágiles, seguros y confiables, comprometidos con mejorar la calidad de vida de socios, clientes y colaboradores, a través, de principios cooperativistas. La cooperativa de la Policía Nacional cuenta ya con más de 40 años de servicio a sus socios, y con 27 agencias que están en la mayoría de las provincias del Ecuador 13

Red de Categorías – Indicadores Financieros de Cartera 14

Red de Categorías – Indicadores Financieros de Cartera 15

Red de Categorías – Indicadores Financieros de Cartera Permiten identificar debilidades, fortalezas y deficiencias de cualquier empresa, la solidez que posee, su estado actual y real, con el objetivo sacar conclusiones, planear y tomar decisiones 16

Red de Categorías – Indicadores Financieros de Cartera SUFICIENCIA PATRIMONIAL • SP 01 ( PATRIMONIO + RESULTADOS ) / ACTIVOS INMOVILIZADOS INDICES DE MOROSIDAD • IMO 01 MOROSIDAD DE CREDITO COMERCIAL PRIORITARIO • IMO 02 MOROSIDAD DE CREDITO DE CONSUMO PRIORITARIO • IMO 03 MOROSIDAD DE LA CARTERA DE CREDITO INMOBILIARIO • IMO 04 MOROSIDAD DE LA CARTERA DE MICROCREDITO • IMO 05 MOROSIDAD DE LA CARTERA TOTAL COBERTURA DE PROVISIONES PARA CARTERA IMPRODUCTIVA • PROV 01 COBERTURA DE LA CARTERA DE CREDITOS COMERCIAL PRIORITARIO • PROV 02 COBERTURA DE LA CARTERA DE CREDITOS DE CONSUMO PRIORITARIO • PROV 03 COBERTURA DE LA CARTERA DE CREDITO INMOBILIARIO • PROV 04 COBERTURA DE LA CARTERA DE MICROCREDITO • PROV 05 COBERTURA DE LA CARTERA PROBLEMÁTICA RENDIMIENTO DE CARTERA • REN 01 COBERTURA DE LA CARTERA DE CREDITOS COMERCIAL PRIORITARIO • REN 02 COBERTURA DE LA CARTERA DE CREDITOS DE CONSUMO PRIORITARIO • REN 03 COBERTURA DE LA CARTERA DE CREDITO INMOBILIARIO • REN 04 COBERTURA DE LA CARTERA DE MICROCREDITO • REN 05 CARTERA POR VENCER TOTAL VULNERABILIDAD DEL PATRIMONIO • VUL 01 CARTERA IMPRODUCTIVA / PATRIMONIO (DIC) 17

Metodología de Investigación - Desarrollo y Evaluación • Analizar e implementar un modelo de analítica predictiva • Se usará las técnicas de validación de minería de datos para evaluar el modelo predictivo, con estas técnicas se pretende establecer el nivel de confianza en los resultados de las predicciones 18

Desarrollo del Artefacto • Preparación de datos • Tratamiento de outliers • Tendencia y Estacionalidad • Planteamiento de modelo de datos • Indicadores de evaluación del modelo • Resultados del modelo Metodología CRISP-DM 19

Preparación y tratamiento de outliers Rango Intercuartil 20

Indicadores seleccionados y técnicas de análisis predictivo REGRESIONES: HOLT WINTERS: ARIMA: • En estadística la regresión lineal es un modelo matemático usado para aproximar la relación de dependencia entre una variable dependiente Y, las variables independientes Xi y un término aleatorio ε. • El modelo Holt-Winters incorpora un conjunto de procedimientos que conforman el núcleo de la familia de series temporales de suavizamiento exponencial. • El modelo Holt-Winters puede adaptarse fácilmente a cambios y tendencias, así como a patrones estacionales. • En comparación con otras técnicas, como ARIMA, el tiempo necesario para calcular el pronóstico es considerablemente más rápido. • Modelo autorregresivo integrado de promedio móvil o ARIMA (acrónimo del inglés autoregressive integrated moving average) • Es un modelo estadístico que utiliza variaciones y regresiones de datos estadísticos con el fin de encontrar patrones para una predicción hacia el futuro. 21

Indicadores seleccionados y técnicas de análisis predictivo REN 01 REN 02 REN 03 • Cobertura de la Cartera de Créditos Comercial Prioritario • Cobertura De La Cartera De Créditos De Consumo Prioritario • Cobertura De La Cartera De Crédito Inmobiliario 22

Planteamiento del modelo: Regresión – Serie de Tiempo - ARIMA 23

Implementación del Modelo 24

Indicadores de Evaluación del modelo: Regresión – Serie de Tiempo - ARIMA • • ME (Mean Error) RMSE (Root Mean Squared Error) MAE (Mean Absolute Error) o MAD (Desviación media absoluta): determina el valor de exactitud en una serie MPE (Mean Percentage Error) MAPE (Porcentaje promedio absoluto de error): determina el promedio absoluto de error MASE (Mean Absolute Scaled Error) ACF 1 (Autocorrelation of errors at lag 1) SSE (Sum Squared Error) determina la suma de los errores luego de elevarlos al cuadrado. Se usa para determinar la precisión del modelo de pronóstico cuando los puntos de datos son similares en magnitud. 25

REN 01 - Cobertura De Créditos Comercial Prioritario 26

REN 02 – Cobertura De Créditos De Consumo Prioritario 27

REN 03 – Cobertura De Crédito Inmobiliario Por Vencer 28

Resultados del modelo 29

Metodología de Investigación – Conclusión • Se detallará el aporte del conocimiento en la aplicación del modelo en mención 30

Encuesta a usuarios del tablero de indicadores ¿Cómo evalúa el cálculo del pronóstico del Indicador? 3. 5 3 2. 5 2 1. 5 1 0. 5 Mejora 1 L 0 VU N 0 5 RE N 0 4 RE N 0 3 RE N 0 2 RE N 0 1 RE OV 05 4 PR OV 03 2 PR PR OV 0 1 OV 0 PR O 0 5 IM O 0 4 IM O 0 3 IM O 0 2 IM O 0 1 IM SP 01 0 No Mejora 31

Encuesta a usuarios del tablero de indicadores ¿Considera el uso de modelos predictivos en los indicadores financieros ayuda en la toma de decisiones? 3. 5 3 2. 5 2 1. 5 1 0. 5 0 SI NO 32

Conclusiones • La implementación del proceso de analítica predictiva en la CPN evidencia que el modelo implementado tiene una confianza del 95% en las predicciones realizadas, confirmando así que las técnicas supervisadas se ajustan favorablemente a los datos disponibles para indicadores financieros de cartera. • La evaluación de los indicadores de precisión del pronóstico, tales como: ME (Medium error), RMSE (root-mean-square error), MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error), MASE (Mean Absolute Scaled Error), ACF 1 (first-order autocorrelation coefficient), SSE (Signed Squared Error), ayudó a determinar la mejor técnica que se acopla a la serie de datos financieros. • En el caso de la CPN se probó con tres modelos predictivos aplicados a los indicadores de cartera, observándose que una técnica es mejor para un indicador, pero no necesariamente para los demás indicadores analizados; existen factores como la naturaleza del indicador, el conjunto de historia de la serie y los factores de ajuste que determinan un mayor margen de precisión de una técnica sobre otra. 33

Conclusiones • El estudio planteado analizó una problemática en el área de operaciones financieras de la CPN, como es la falencia en el pronóstico para indicadores financieros. El presente estudio contribuye con un esquema inicial y análisis de factores propios del negocio que permitirán iniciar nuevos proyectos de automatización e innovación para otras áreas de la CPN. • El manejo de la metodología Desing Science Research permitió realizar el análisis del problema para posteriormente establecer posibles sugerencias en el diseño y construcción del modelo. La etapa de evaluación y ajuste permitió crear un modelo más depurado, con el propósito de mejorar el proceso de toma de decisiones en el área de operaciones financieras de la Cooperativa. • Las técnicas de Machine Learning son una alternativa de análisis suficientemente efectivas para la creación de modelos predictivos, que no necesitan de una enorme cantidad de datos para el procesamiento, a diferencia de los proyectos de big data que son más costosos y demandan de una infraestructura más compleja. 34

GRACIAS 35