¿Cuáles son los problemas de big data más destacados en FinTech?

Creo que la pregunta es realmente: ¿cuáles son los grandes conjuntos de datos en FinTech? Aquí están algunos:

1. Tick ​​por tick datos de la cartera completa de valores negociados activamente.
2. Datos de la parte superior del libro para valores de alta frecuencia.
3. Las opciones marcan datos y la salida de análisis de opciones a una frecuencia alta
4. Transacción con tarjeta de crédito e historial de pagos.
5. Características de la hipoteca e historial de pagos.

Para cada uno de los conjuntos de datos anteriores, hay varias preguntas que puede hacer o cálculos que quizás desee realizar sobre todo el conjunto de datos. Las agencias gubernamentales y las entidades privadas ejecutan algoritmos de detección de fraude u otros algoritmos para detectar comportamientos ilegales. Investigadores académicos, grupos comerciales y grupos de marketing crean modelos para predecir el comportamiento futuro.

“FinTech” es una categoría demasiado amplia para responder adecuadamente a esta pregunta. Elija un área de enfoque y luego podrá acercarse a algo útil: préstamos, seguros, pagos, gestión de patrimonio, comercio, blockchain.

Hablaré sobre préstamos, ya que es el área donde tengo algo de experiencia. La ronda más reciente de avances en el modelado de crédito provino de la aplicación de algoritmos de aprendizaje automático a conjuntos de datos existentes (más o menos lo que obtiene de las agencias de crédito). En 2013, se habló mucho sobre el uso de otras fuentes de datos, como la actividad de las redes sociales, para modelar el riesgo, pero básicamente no funcionó y la gente dejó de hablar de eso en un par de años. En el futuro, espero que podamos cumplir con esta idea y traer nuevas fuentes de datos para tomar decisiones de riesgo de crédito más inteligentes.

Puede extender esta lógica a otras áreas del modelo de préstamos: marketing, prevención de fraude, cobros. Pero no hay nada más importante en los préstamos que modelar el riesgo crediticio, por lo que si puede tener un impacto utilizando nuevos conjuntos de datos, será una persona muy exitosa.

Tengo cero experiencia con los seguros, pero la ciencia actuarial es lo más parecido a modelar el riesgo de crédito fuera de los préstamos, por lo que esperaría que un enfoque similar también creara valor con una aseguradora.