Video: Riesgo Crediticio 2025
El modelado de riesgos es otro caso de uso importante que Hadoop le da energía. Descubrirá que coincide estrechamente con el caso de uso de detección de fraude en el sentido de que se trata de una disciplina basada en modelos. Cuantos más datos tenga y más pueda "conectar los puntos", más a menudo sus resultados producirán mejores modelos de predicción de riesgos.
La palabra omnipresente riesgo puede tomar muchos significados. Por ejemplo, la predicción de abandono del cliente es el riesgo de que un cliente se mueva a un competidor; el riesgo de un libro de préstamos se relaciona con el riesgo de incumplimiento; el riesgo en el cuidado de la salud abarca desde la contención de brotes hasta la seguridad alimentaria y la probabilidad de reinfección, entre otros.
El sector de servicios financieros (FSS) está invirtiendo mucho en modelado de riesgos basado en Hadoop. Este sector busca aumentar la automatización y precisión de su evaluación de riesgos y modelos de exposición.
Hadoop ofrece a los participantes la oportunidad de ampliar los conjuntos de datos que se utilizan en sus modelos de riesgo para incluir fuentes subutilizadas (o fuentes que nunca se utilizan), como correo electrónico, mensajería instantánea, redes sociales e interacciones con el servicio al cliente representantes, entre otras fuentes de datos.
Los modelos de riesgo en FSS aparecen en todas partes. Se utilizan para la prevención de abandono de clientes, modelado de manipulación comercial, análisis de exposición y riesgos corporativos, y más.
Cuando una empresa emite una póliza de seguro contra desastres naturales en el hogar, un desafío es ver claramente cuánto dinero está potencialmente en riesgo. Si la aseguradora no reserva dinero para posibles pagos, los reguladores intervendrán (la aseguradora no quiere eso); Si la aseguradora pone demasiado dinero en sus reservas para pagar reclamaciones de pólizas futuras, entonces no pueden invertir su dinero de la prima y obtener una ganancia (la aseguradora tampoco quiere eso).
Algunas empresas están "ciegas" al riesgo al que se enfrentan porque no han podido ejecutar una cantidad adecuada de simulaciones catastróficas relacionadas con la variación en la velocidad del viento o las tasas de precipitación (entre otras variables) según se relacionan a su exposición.
Simplemente, estas compañías tienen dificultades para probar sus modelos de riesgo. La posibilidad de incorporar más datos, por ejemplo, patrones climáticos o la distribución socioeconómica en constante cambio de su base de clientes, les da mucha más información y capacidad cuando se trata de construir mejores modelos de riesgo.
La construcción de modelos de riesgo de prueba de estrés como el que acabamos de describir es una tarea ideal para Hadoop. Estas operaciones son a menudo costosas desde el punto de vista informático y, cuando construye un modelo de riesgo, probablemente no es práctico ejecutarlo contra un depósito de datos, por estos motivos:
-
El almacén probablemente no está optimizado para los tipos de consultas emitidas por el modelo de riesgo.(Hadoop no está sujeto a los modelos de datos utilizados en los almacenes de datos).
-
Un trabajo por lotes grande y ad hoc, como un modelo de riesgo en evolución, agregaría carga al almacén e influiría en las aplicaciones analíticas existentes. (Hadoop puede asumir esta carga de trabajo, liberando el almacén para informes comerciales periódicos.)
-
Es posible que los modelos de riesgo más avanzados tengan que factorizar los datos no estructurados, como el texto sin formato. (Hadoop puede manejar esa tarea de manera eficiente.)
