OBJETIVOS

 

• Los objetivos del Seminario Online en vivo son mostrar al participante modelos estadísticos y de machine learning, de vanguardia, para construir herramientas de credit scoring que permitan identificar, medir y gestionar el riesgo de crédito en tiempos de crisis financieras.

 

• Durante el seminario se construye una herramienta de credit scoring con una base de datos anónima, pero real, de más de 200.000 registros. Esta información, es suficiente para explotar la data de desarrollo y validación, con potentes modelos de machine learning.

​

• Se comparan las metodologías tradicionales para la construcción del scoring como la regresión logística pero también modernas, como la de machine learning, entre otras, árboles de decisión, random forest, redes neuronales, redes bayesianas, Support Vector Machines  bagging, boosting, etc.

​​

• Se explica, pormenorizadamente, la validación de estos modelos. Y que hacer en caso que fallen. Se analiza el riesgo de modelo del credit scoring.

​​

• Acerca, del tratamiento de los datos, previo a la construcción del modelo, se explica el muestreo, análisis exploratorio, segmentación y detección de outliers. 

 

• Además se explican las ventajas y desafíos de desarrollar un Credit Scoring con Big Data y analítica social que pueda anticipar la morosidad. 

​​

• Se mostrarán y entregarán ejercicios en R para el desarrollo del modelo.

 

• R ha crecido de forma importante en los recientes años, es un software libre y de código abierto que ofrece al usuario un entorno amigable, estadístico y gráfico muy potente.

 

• Se explica, introductoríamente, como instalar R, algunas funciones simples de programación y librerías útiles para la construcción del credit scoring.

​

​

¿QUIÉNES DEBEN ASISTIR?

 

• Este programa esta dirigido a responsables, analistas y consultores de riesgo de crédito, desarrolladores de herramientas de credit scoring y cualquier persona interesada en estos temas.

 

• Para la mejor comprensión de los temas es recomendable que el participante tenga conocimientos de estadística. El alumno conocerá no solo la teoría sino ejercicios prácticos. No es necesario dominar un lenguaje de programación pero sí es aconsejable.

​