Un vistazo a las transacciones desde el análisis de datos funcionales
Viewing transactions using functional data analysis
Resumen (es)
El análisis de datos funcionales ha comenzado a tener gran relevancias gracias a su utilidad en la reducción de dimensionalidad, por su implementación de métodos longitudinales y multivaridos, donde las observaciones puede ser tratadas como funciones en un intervalo cerrado. En este trabajo se presenta un análisis de las operaciones que realizan los clientes de las entidades financieras por medio de los canales transaccionales, clasificándolos en presenciales y virtuales, con el fin de identificar características y comportamiento de los clientes, tanto en su número como el monto que transan, desde un enfoque funcional. Se realiza un estudio descriptivo de los datos funcionales, contrastando sus resultados con las variables Producto Interno Bruto e Inflación, se aplica un cluster por medio del algoritmo de $k$-medias que permite identificar agrupaciones entre las entidades consideradas dentro del estudio, se realiza una comparación de medias tanto para el número y el monto de transacciones en los canales transaccionales mencionados, identificando punto de cambio en la media funcional. Finalizando el análisis se evidencia un fuerte cambio en el comportamiento de los datos considerados, esto debido posiblemente a la pandemia, lo que hizo que las transacciones por medio de canales presenciales disminuyeran, fortaleciendo por tanto las transacciones por medio de canales virtuales.
Resumen (en)
Functional data analysis has begun to gain great importance due to its usefulness in dimensionality reduction, due to its implementation of longitudinal and multivariate methods, where observations can be treated as functions on a closed interval. This paper presents an analysis of the operations carried out by customers of financial institutions through transactional channels, classifying them into face-to-face and virtual, in order to identify characteristics and behavior of customers, both in number and amount. that trade, from a functional approach. A descriptive study of the functional data is carried out, contrasting its results with the variables Gross Domestic Product and Inflation, a cluster is applied through the k-means algorithm that allows identifying groupings between the entities considered within the study, a comparison is made of means for both the number and amount of transactions in the mentioned transactional channels, identifying a point of change in the functional mean. At the end of the analysis, a strong change in the behavior of the data considered is evident, possibly due to the pandemic, which caused transactions through face-to-face channels to decrease, thus strengthening transactions through virtual channels.
Referencias
Carrillo Alexis and Garatejo Olga (2016) Análisis de datos funcionales aplicado en electroencefalogramas: Agrupamiento por K-medias funcional. Fundación Universitaria Los Libertadores.
J.O Ramsay et. al (2009) Functional data analysus with r and matlab. ISBN 978-0-387-98184-0. editorial Springer. ed 2009a.
Banca de las Oportunidades, https://bancadelasoportunidades.gov.co/sites/default/files/2018-02/PDF%202011_0.pdf , Reporte de Inclusión
Financiera, 2021.
Banca de las Oportunidades, https://bancadelasoportunidades.gov.co/sites/default/files/2020-07/Informe_RIF_2019.pdf,2021.
Banca de las Oportunidades, https://bancadelasoportunidades.gov.co/sites/default/files/2021-04/CNC%20AD%202021%20AHORA%20BCO.pdf.2021.
Circular Externa 014 de 2008 expedida por la Superintendencia Financiera de Colombia, https://www.superfinanciera.gov.co/inicio/normativa/normativa-general/circulares-externas-cartas-circulares-y-resoluciones-desde-el-ano-/
circulares-externas/-20146, 2021.
Jacques, J. Preda, C. (2013), ‘Functional data clustering: a survey’,Advancesin Data Analysis and Classification8(3), 231–255. DOI: https://doi.org/10.1007/s11634-013-0158-y
Yamamoto, M. Terada, Y. (2014), ‘Functional factorial k-means analysis’, Computational Statistics Data Analysis79, 133–148. DOI: https://doi.org/10.1016/j.csda.2014.05.010
Horváth, L., Kokoszka, P. (2012). Inference for functional data with applications (Vol. 200). Springer Science Business Media. 65-68. DOI: https://doi.org/10.1007/978-1-4614-3655-3_5
Cómo citar
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
Comunicaciones en Estadística está bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)