Big data en el entorno bancario. Una nueva motivación al desarrollo de la banca cubana (Revisión)
Palabras clave:
big data; slearning; inteligencia artificialResumen
El sector financiero tradicionalmente es uno de los sectores más propensos a la inversión en tecnología, especialmente relacionada con los datos. No es extraño entonces ver como los principales vendors lanzan soluciones de Big Data orientadas a este mercado como son gestión de patrimonios, control de riesgo, banca comercial, banca de inversión, mercado variable, préstamos, análisis de crédito, o intercambio de divisas, por poner algunos ejemplos.
Esta investigación sobre el uso del Big Data en el sector financiero se acerca a la realidad de la Banca Cubana; aún por conocer esta poderosa herramienta computacional, que permitirá dar grandes avances en el desarrollo del sector para una mejor estabilidad financiera y una prestación de servicio a la altura de los países del primero mundo. En los últimos años algunas de las soluciones de Big Data aparecen como los mejores casos de uso y un aluvión de empresas especializadas se han lanzado a ofrecer soluciones cada vez más completas. El objetivo principal de este trabajo es motivar a los directivos y especialistas del sector bancario, a encontrar en el tema, una herramienta de análisis y de desarrollo para la implementación del Big Data en la Banca Cubana; dando paso a la informatización y aterrizar la realidad del país a estos recursos importantes de la actualidad.
Descargas
Referencias
BeijiZou, Q, Guanglu. S, Weipeng,J, Xiaoning,P. Zeguang, L.: (2017) Data Science – Third International Conference of Pioneering Computer Scientists, Engineers and Educators, ICPCSEE, Changsha, China, September 22-24, 2017, Proceedings, Part II. Communications in Computer and InformationScience 728, Springer 2017, ISBN 978-981-10-6387-9
Costa, C., Santos, M.Y. (2017) A Conceptual Modelforthe Professional Profile of a Data Scientist. WorldCIST (2): 453-463.
Chazal, F Bertrand, M.: (2017). An introduction to Topological Data Analysis: fundamental and practical aspects for data scientists. CoRRabs/1710.04019
Wardah Z., Ismail, N., Nurazean. M, Alias, R. A: (2017). Skills Sets Towards Becoming Effective Data Scientists. KMO: 97-106.
Isaac A. J.,, Kyoung-Yun K. : (2015)Systematic Service Product Requirement Analysis with Online Customer Review Data. J. Integrated Design & Process Science 19(2): 25-48
López. J., Álvaro. L., Jiménez. B.,y Takeda(2018) .A Improving cash logistics in bank branches by coupling machine learning and robust optimization. ExpertSyst. Appl. 92: 236-255
Olson, D., Wu. D. (2017). Predictive Data Mining Models. Computational Risk Management, Springer, ISBN 978-981-10-2542-6, pp. 1-97
Prabha. D., y Krishnamurthi:. (2014) I A Rough Set Approach for Customer Segmentation. Data ScienceJournal 13: 1-11
Roy Laurens, R.,. Zou , C.C (2016). Using Credit/Debit Card Dynamic Soft Descriptor as Fraud Prevention System for Merchant. GLOBECOM: 1-7
Yi Yin, A(2017): Scientists. Fundamental Requirements to Deal with their Research Data in the Big Data Era. ERCIM News 2017(109)
