El siguiente proyecto es la finalización del diplomado de BIG DATA FOR BUSINESS.

1. 1

3. • Cerca de 28 millones de colombianos son usuarios bancarizados.
• De esos usuarios, los que utilizan aproximadamente canales
electrónicos rondan el 30 por ciento, con lo que se estaría
hablando hoy de unos 8,5 millones de clientes digitales en la
banca en el país.
• Se destaca el dinamismo de los canales digitales (internet y la
telefonía móvil), que en conjunto representaron un 16,1% del
número total de operaciones monetarias en 2017.
• En diciembre de 2017 los corresponsales fueron el canal
presencial que presentó el mayor crecimiento en el año (11,3%),
al pasar de 94.157 en diciembre de 2016 a 104.842 en el mismo
mes de 2017. Se resalta también la evolución de los datáfonos,
que pasaron de 364.358 a 403.512, equivalente a un
crecimiento del 10,7%.
• El internet continúa posicionándose como el canal preferido por
los consumidores financieros. Esto se refleja en el incremento
de su participación, que pasó de 11,1% en 2014 a 14,6% en
2017.
• En Colombia, varias instituciones financieras vienen
implementando chatbots.
"El sector debe entender que el Big data ya no es
una ventaja competitiva pues es algo que todos
van a usar en el día a día."
• Segmentación Avanzada.
• Retención y Fidelización del Cliente.
• Gestión del Fraude.
• Gestión del Riesgo.
• Prevención y lavdado de Activos.
• Educar a las personas en el uso de
aplicaciones. (Transformación digital).
En Colombia se está llevando a cabo etapa de adaptación,
la digitalización abarca casi la totalidad de los productos y
servicios de la entidad.

4. • Nace 1999 Para El Sector Agro.
• 521 Oficinas, 162 Agencias De Servicio
Y 4.656 Funcionarios.
• Sociedad De Economía Mixta De Orden
Nacional Anónima, Sujeta Al Régimen
De Empresa Industrial Y Comercial Del
Estado.
• Segmentos (Agropecuario, Empresarial,
Oficial, Consumo Y Microfinanzas),
• Banca Agropecuaria.
• Banca Personas.
• Banca
Microfinanzas.
• Banca Empresarial.
• Banca Oficial.
• Bancos Segundo
Piso.
• Comercio Exterior.
• Tarjeta Débito.
• Consignación Nacional.
• Remesas.
• Recaudo De Impuestos.
• Banca Seguros.
• Cheques De Gerencia.
• Transferencias.
• Débito Automático.
• Pagos En Línea.
• Aportes Pila.
• BANCA VIRTUAL: Su banca virtual,
implementada en 2006, en el último año
implementó 10 funcionalidades que
mejoran seguridad y funcionalidad. El
24% del total de las transacciones
fueron digitales.
• BANCA CELULAR: Su APP fue
implementada en 2017 y las
transacciones por este medio crecieron
un 71% cerrando en 2018 con 2,4
millones de tx.
EN CIFRAS
Dashboard: Creación propia.
Información Superintendencia Financiera
de Colombia
https://public.tableau.com/views/FASEISECT
ORBANCA/Dashboard1?:embed=y&:display_
count=yes&:origin=viz_share_link

5. La transformación digital es un fenómeno presente en las diferentes áreas actualmente, la banca no ha sido ajena a esta
transformación; por lo anterior, el Banco Agrario como entidad pública con presencia en algunos sectores del país en los
cuales la banca privada se encuentra ausente, requiere desarrollar estrategias que le permita seguir cumpliendo con el
servicio de dar acceso al sistema financiero a aquellas zonas con mayor dificultad de acceso físico, esto implica el uso de
medios digitales. Dado esto se plantean los siguientes casos de uso:
Cuenta Inteligente
Abandono de la entidad
Gestión del fraude
Recuperación de clientes
Productos financieros
personalizados
• Herramienta financiera mediante la cual sea posible el
manejo de la totalidad de los productos que el cliente
adquiera con el banco.
• Desarrollo de métricas analíticas para predecir las
condiciones que motivan el abandono de los clientes a los
productos adquiridos.
• Diseño de estrategias que permitan prevenir y/o eliminar la
prácticas fraudulentas en los productos ofrecidos por la
entidad.
• Selección de incentivos económicamente rentables
mediante los cuales se logré la reactivación o adquisición
de productos por parte de clientes que alguna fue tuvieron
algún producto con el banco.
• Estrategia analítica para determinar el producto deseado
por cada uno de los clientes o posibles clientes, con el
objetivo de diseñarlo y entregárselo como propuesta.

6. Optimización en operaciones de
Call Center
Cliente 360°
Gestión del riesgo
Selección de ubicación física de
cajeros
Open banking para estrategias
de marketing a terceros
• Establecer la capacidad de atención actual y determinar la
cantidad necesaria con el objetivo de disminuir las no
conformidades en tiempo y calidad de respuesta
manifestada por los consumidores.
• Diseño analítico para establecer demandas y necesidades de
los consumidores, de manera tal, quesea posible ofrecer
respuestas concretas, personalizadas y efectivas a los nuevos
tipos de consumidores.
• Diseño de estrategias que permitan predecir la capacidad y
hábitos de pago de los clientes para disminución de la
cartera castigada.
• Diseño de una estrategia analítica que permita establecer
aquellas zonas en las cuales se hace necesaria la
implementación de un cajero automático.
• Establece la posibilidad de nuevos negocios y ecosistemas
digitales de APIs.

7. 5 Alto
Recurrencia
Viabilidad
técnica
impacto en el
negocio
Resultado
final
Peso
criterio
20% 40% 40% 100%
Cuentas inteligentes CU1 2 4 2 2,8
Abandono de la entidad CU2 2 4 2 2,8
Gestión del Fraude CU3 3 1 4 2,6
Recuperación de clientes CU4 3 3 2 2,6
Productos financieros personalizados CU5 3 4 3 3,4
Optimización en operaciones de call center CU6 3 3 3 3
Cliente 360 CU7 5 2 5 3,8
Gestión del Riesgo CU8 3 3 4 3,4
Selección de ubicación físicas de cajeros CU9 2 2 2 2
Open banking para estrategias de marketing a
terceros
CU10 2 3 3 2,8
Recurrencia: Para valorar la recurrencia de
un caso de uso sería necesario valorar
cuántas áreas de la compañía podrían estar
interesadas en la consecución del mismo
(relación también con el número de
necesidades que cubre)
Viabilidad Técnica: Para valorar la viabilidad
técnica de un potencial caso de uso es
necesario identificar principalmente la
complejidad que supondría el desarrollo en
términos de arquitectura
tecnológica técnicas de analítica avanzada
Para ello, será necesario plantearse
cuestiones del tipo ¿necesito Real
Time?, ¿se requeriría utilizar algoritmos
sencillos o complejos? ¿qué datos
necesitaría? ¿los estará recogiendo
actualmente
la compañía? ¿estarán disponibles?
Impacto del negocio: la medición del
potencial impacto para negocio se realizará
en base a la incidencia que tenga el caso de
uso en la mejora de los siguientes aspectos

8. https://public.tableau.com/views/VALORACINCASOSDEUSO/Dashboard
2?:embed=y&:display_count=yes&publish=yes&:origin=viz_share_link
Fig1.Elaboración propia
Cuentas inteligentes
Abandono a la entidad
Gestión de fraude
Recuperación del cliente
Productos financieros personalizados
Optimización en operaciones de call center
Cliente 360°
Gestión del riesgo
-Ubicación física de cajeros
Open banking para estrategias de Marketing
📌

9. El objetivo de éste Caso de Uso es desarrollar herramientas de análisis de datos capaces de ofrecer al Banco Agrario
una visión global del cliente, así como de sus demandas y necesidades, de manera tal, que permitan ofrecer respuestas
concretas, personalizadas y efectivas a los nuevos tipos de comsumidores.
Mediante la recopilación de la data del cliente a partir de:
- SU PERFIL(Datos demográficos)
- SUS PREFERENCIAS (Cómo se relaciona con otras entidades, qué tipos de producto adquiere, lugar de trabajo,
actividad que realiza)
- SU INTERACCIÓN CON EL BANCO: (Productos que maneja, nivel de cumplimiento, comunicaciones, contacto con
el servicio al cliente, canal que utiliza para sus comunicaciones y transacciones).
Se aplicarán técnicas de analítica avanzada que permitan caracterizar los diferentes tipos de clientes y proporcionar
insumos para las áreas estratégicas del banco, permitiendo soluciones a medida, de acuerdo con los grupos de
clientes que se identifiquen.

10. • Nuevos productos
alineados con los tipos de
consumidores
identificados y con el
propósito social como
banco del estado.
• Nuevos clientes a partir de
la identificación de los
tipos de consumidores.
• Incremento en su cuota de
mercado al ofrecer
soluciones más ajustadas
a las necesidades reales
del cliente.
COMPETITIVIDAD
CORPORATIVA
OPTIMIZACIÓN DEL
SERVICIO
RENDIMIENTO FINANCIERO Y
PROPÓSITO INSTITUCIONAL
• Simplificación de los
procesos operativos, por el
conocimiento de las
preferencias del cliente.
• Aumento del grado de
fidelización del cliente al
anticiparnos a sus
necesidades.
• Uso de los canales
idóneos de comunicación
• Campañas de marketing
exitosas (Redes Sociales y
Publicidad Tradicional).
• Reducción de costes por
simplificación operativa.
• Incremento en los ingresos
(por nuevos clientes y
mejores productos)
• Mejora en el cumplimiento
de los objetivos sociales
en términos de cobertura
geográfica e inclusión
financiera.

11. Como el principal punto del caso de uso es tener en cuenta la necesidad de entender, anticiparse al comportamiento y necesidades de los clientes.
Principalmente se contará con los “tradicional data sources” como lo son los ERP, CRM, Relationships, entre otros, pero también con los “Big Data”
sources como call center log, documentación interna, email, social media, histórico de ordenes, entre otros; todo con el fin de mejorar la propuesta de
valor, captar y fidelizar. Toda esta recopilación de datos será transformada en un datase el cual contará con las variables específica para trabajar un
modelo concreto a utilizar.
El modelo analítico a utilizar para segmentar a los clientes será el modelo analítico de clustering, el cual tratara de agrupar a los clientes en diferentes
segmentos, cada uno de ellos caracterizados por ciertas condiciones o propiedades que describen el comportamiento de los clientes.
Variables Algoritmo Tipo de aprendizaje
Pueden ser datos demográficos,
psicológicos(preferencias) o datos relacionados
al comportamiento de los clientes en todos los
servicios de la banca
K-means seria el algoritmo como modelo de
machine learning con el fin de identificar
patrones comunes en datos (datamining).
Es un tipo de algoritmo no supervisado Como
es necesario definir el número de clúster a
determinar antes de ejecutar el algoritmo,
pudiéndose repetir la ejecución para diferentes
números de clúster.
11

12. Modelo clustering –K means
k centroides iniciales (en
este caso k=3) son
generados aleatoriamente
dentro de un conjunto de
datos (mostrados en color).
2) k grupos son generados
asociándole el punto con la
media más cercana. La
partición aquí representa el
diagrama de voronoi
generado por los centroides.
3) El centroide de cada
uno de los k grupos se
recalcula.
4) Pasos 2 y 3 se repiten
hasta que se logre la
convergencia..
Fuente.

13. Clientes 360°
Social Media, Email,
ordenes, call center logs
Recopilación de
datos interno
Recopilacióndedatos
interno
Dataset
transformado
Datasettransformado
Modelo clustering
Ubicación y seguimientos de clientes
potenciales y de riesgo
1
1
2
2
3
3
4
4
5
Perfil 1
Perfil 2
Perfil 3
Modelo clustering Marketing segmentado,
productos y servicios

14. FUENTES INTERNAS
.
1
• Customer Relationship Management ( CRM).
• Demograficos.
• Nacionalidad.
• DNI.
• Informacion financiera-nivel consumo.
• Modulos ERP( Enterprise resource planning).
• Datos generados de plataforma online.
• Informacion financiera de créditos-tarjetas.
• Call center y canales de Atencion.
• Historial de productos y servicios contratados.
2
FUENTES EXTERNAS
• Estudio de las necesidades del cliente (Investigación de
Mercados).
• Open Data ( open banking).,
• Historial crediticio, reporte en las centrales de riesgo.
• Redes sociales.
• PQRS.

16. Datasources
16
Datos
transaccionales
Datos Redes
sociales, SMS,
web, apps
Datos Clientes
Log de call
center
Datos de registro
de clientes
Datos servicios
adquiridos
Capa de ingesta
Almacenamiento
Gestión de Datos
Normalization, depuración
de datos, Gobierno BD
IBM información server
Analytics
Modelos Analiticos
• Modelos de clustering de clientes
• - Algoritmo K-means

17. 17
Analysis real time
Explotación Visual-Batch
Acciones por partes de dispositivos-Real
time

19. Especificaciones
de ficheros
Especificaciones de
numero de cluster y
exploración de datos
Grafico de clúster
e interpretación
Productos/servicios
adquiridos por parte de los
perfiles

21. ● La implementación del big data en el sector bancario tiene un impacto positivo en la segmentación,
identificación, satisfacción y fidelidad del cliente por medio de la apropiación del caso de uso (customer
360°)
● La identificación de nuevos canales digitales ayuda a aumentar la interacción y a crear una línea de
confianza entre banco-cliente.
● Si actualmente el banco agrario no ocupa modernización digital habrá nuevos entes que lo implementaran
dejando así un poco de desventaja.
● La incorporación de modelos analíticos ayuda a mejorar la propuesta de valor, captar y fidelizar al cliente por medio
de nuevas fuentes de datos no estructurados que constituyen el 90 % de la información.