Este Proyecto Fin de Grado se centra en la optimización de un cuadro de mando destinado a asegurar el cumplimiento del Código de Buenas Prácticas Bancarias, introducido en España mediante el Real Decreto-Ley 6/2012, en respuesta a la crisis financiera global de 2008 y la burbuja inmobiliaria. El objetivo del Código de Buenas Prácticas es proporcionar un marco para que aquellas personas que caen en un impago puedan renegociar sus condiciones hipotecarias, asegurando así una mayor estabilidad económica y social. El propósito principal del proyecto es diseñar y desarrollar un cuadro de mando que permita a las instituciones financieras medir la adherencia al código y predecir posibles incumplimientos de pago. Este objetivo se aborda mediante la integración de tecnologías avanzadas de análisis de datos y, además, mediante el uso de herramientas de visualización de datos para, de esa forma, facilitar la interpretación y el análisis de la información.
Desde una perspectiva tecnológica, la implementación del cuadro de mando requiere el uso de herramientas avanzadas de análisis de datos y machine learning para poder estimar y predecir con antelación la problemática estudiada. Se utilizan lenguajes de programación como Python y R para desarrollar las bases de datos, implementar el modelo predictivo y realizar el análisis de la información. Además, se emplean herramientas de visualización de datos como Power BI para crear un cuadro de mando interactivo que facilite la interpretación y el análisis de los datos por parte de usuarios sin conocimientos técnicos específicos.
En cuanto a los condicionantes económicos, el cumplimiento del Código de Buenas Prácticas tiene un impacto significativo en la estabilidad económica de las instituciones financieras y de los deudores. La herramienta desarrollada busca minimizar los costes asociados a los incumplimientos de pago y a las ejecuciones hipotecarias, proporcionando una forma efectiva de identificar y mitigar los riesgos potenciales. Asimismo, se considera la sostenibilidad económica y social al promover prácticas financieras responsables y transparentes. Aunque el proyecto en sí no tiene un impacto directo en el medio ambiente, se destaca la importancia de la sostenibilidad económica y social como parte del enfoque general del proyecto.
La metodología del proyecto se desarrolla en varias fases. Primero, se realiza la recopilación y limpieza de los datos. Este proceso asegura la calidad y coherencia de los datos, eliminando inconsistencias y errores de modelado. Luego, se desarrolla un modelo predictivo utilizando técnicas de machine learning. En este proyecto se utiliza la regresión logística. Este modelo se entrena y evalúa con los datos recopilados y creados para predecir posibles incumplimientos de pago.
El cuadro de mando permite a usuarios no técnicos interpretar datos económicos históricos y tomar decisiones informadas mediante diversas visualizaciones y funciones interactivas que facilitan la comprensión de la información. Los resultados del proyecto son significativos, tanto desde el punto de vista técnico como analítico. Los modelos predictivos demuestran eficacia en la predicción de incumplimientos y en la identificación de patrones en el comportamiento de los deudores. La herramienta desarrollada será de gran utilidad para entidades financieras y para sus potenciales clientes.
Abstract:
This Final Degree Project focuses on the optimization of a dashboard designed to ensure compliance with the Code of Good Banking Practices, introduced in Spain through Royal Decree-Law 6/2012, in response to the global financial crisis of 2008 and the housing bubble. The objective of the Code of Good Practices is to provide a framework for individuals who fall into default to renegotiate their mortgage terms, thereby ensuring greater economic and social stability. The primary purpose of the project is to design and develop a dashboard that enables financial institutions to measure adherence to the code and predict potential payment defaults. This goal is approached through the integration of advanced data analysis technologies and the use of data visualization tools to facilitate the interpretation and analysis of information.
From a technological perspective, the implementation of the dashboard requires the use of advanced data analysis and machine learning tools to estimate and predict the studied issue in advance. Programming languages such as Python and R are used to develop the databases, implement the predictive model, and perform information analysis. Additionally, data visualization tools like Power BI are employed to create an interactive dashboard that facilitates data interpretation and analysis for users without specific technical knowledge.
Regarding economic constraints, compliance with the Code of Good Practices has a significant impact on the economic stability of financial institutions and debtors. The developed tool aims to minimize costs associated with payment defaults and foreclosures by providing an effective way to identify and mitigate potential risks. Furthermore, economic and social sustainability is considered by promoting responsible and transparent financial practices. Although the project itself does not have a direct environmental impact, the importance of economic and social sustainability is highlighted as part of the project’s overall approach.
The project’s methodology is developed in several phases. First, data collection and cleaning are carried out. This process ensures data quality and consistency by eliminating inconsistencies and modeling errors. Next, a predictive model is developed using machine learning techniques, specifically logistic regression. This model is trained and evaluated with the collected and created data to predict possible payment defaults.
The dashboard allows non-technical users to interpret historical economic data and make informed decisions through various visualizations and interactive functions that facilitate the understanding of information. The project’s results are significant from both a technical and analytical standpoint. The predictive models demonstrate effectiveness in predicting defaults and identifying patterns in debtor behavior. The developed tool will be of great use to financial institutions and their potential clients.
Este Proyecto Fin de Grado se centra en la optimización de un cuadro de mando destinado a asegurar el cumplimiento del Código de Buenas Prácticas Bancarias, introducido en España mediante el Real Decreto-Ley 6/2012, en respuesta a la crisis financiera global de 2008 y la burbuja inmobiliaria. El objetivo del Código de Buenas Prácticas es proporcionar un marco para que aquellas personas que caen en un impago puedan renegociar sus condiciones hipotecarias, asegurando así una mayor estabilidad económica y social. El propósito principal del proyecto es diseñar y desarrollar un cuadro de mando que permita a las instituciones financieras medir la adherencia al código y predecir posibles incumplimientos de pago. Este objetivo se aborda mediante la integración de tecnologías avanzadas de análisis de datos y, además, mediante el uso de herramientas de visualización de datos para, de esa forma, facilitar la interpretación y el análisis de la información.
Desde una perspectiva tecnológica, la implementación del cuadro de mando requiere el uso de herramientas avanzadas de análisis de datos y machine learning para poder estimar y predecir con antelación la problemática estudiada. Se utilizan lenguajes de programación como Python y R para desarrollar las bases de datos, implementar el modelo predictivo y realizar el análisis de la información. Además, se emplean herramientas de visualización de datos como Power BI para crear un cuadro de mando interactivo que facilite la interpretación y el análisis de los datos por parte de usuarios sin conocimientos técnicos específicos.
En cuanto a los condicionantes económicos, el cumplimiento del Código de Buenas Prácticas tiene un impacto significativo en la estabilidad económica de las instituciones financieras y de los deudores. La herramienta desarrollada busca minimizar los costes asociados a los incumplimientos de pago y a las ejecuciones hipotecarias, proporcionando una forma efectiva de identificar y mitigar los riesgos potenciales. Asimismo, se considera la sostenibilidad económica y social al promover prácticas financieras responsables y transparentes. Aunque el proyecto en sí no tiene un impacto directo en el medio ambiente, se destaca la importancia de la sostenibilidad económica y social como parte del enfoque general del proyecto.
La metodología del proyecto se desarrolla en varias fases. Primero, se realiza la recopilación y limpieza de los datos. Este proceso asegura la calidad y coherencia de los datos, eliminando inconsistencias y errores de modelado. Luego, se desarrolla un modelo predictivo utilizando técnicas de machine learning. En este proyecto se utiliza la regresión logística. Este modelo se entrena y evalúa con los datos recopilados y creados para predecir posibles incumplimientos de pago.
El cuadro de mando permite a usuarios no técnicos interpretar datos económicos históricos y tomar decisiones informadas mediante diversas visualizaciones y funciones interactivas que facilitan la comprensión de la información. Los resultados del proyecto son significativos, tanto desde el punto de vista técnico como analítico. Los modelos predictivos demuestran eficacia en la predicción de incumplimientos y en la identificación de patrones en el comportamiento de los deudores. La herramienta desarrollada será de gran utilidad para entidades financieras y para sus potenciales clientes.
Abstract:
This Final Degree Project focuses on the optimization of a dashboard designed to ensure compliance with the Code of Good Banking Practices, introduced in Spain through Royal Decree-Law 6/2012, in response to the global financial crisis of 2008 and the housing bubble. The objective of the Code of Good Practices is to provide a framework for individuals who fall into default to renegotiate their mortgage terms, thereby ensuring greater economic and social stability. The primary purpose of the project is to design and develop a dashboard that enables financial institutions to measure adherence to the code and predict potential payment defaults. This goal is approached through the integration of advanced data analysis technologies and the use of data visualization tools to facilitate the interpretation and analysis of information.
From a technological perspective, the implementation of the dashboard requires the use of advanced data analysis and machine learning tools to estimate and predict the studied issue in advance. Programming languages such as Python and R are used to develop the databases, implement the predictive model, and perform information analysis. Additionally, data visualization tools like Power BI are employed to create an interactive dashboard that facilitates data interpretation and analysis for users without specific technical knowledge.
Regarding economic constraints, compliance with the Code of Good Practices has a significant impact on the economic stability of financial institutions and debtors. The developed tool aims to minimize costs associated with payment defaults and foreclosures by providing an effective way to identify and mitigate potential risks. Furthermore, economic and social sustainability is considered by promoting responsible and transparent financial practices. Although the project itself does not have a direct environmental impact, the importance of economic and social sustainability is highlighted as part of the project’s overall approach.
The project’s methodology is developed in several phases. First, data collection and cleaning are carried out. This process ensures data quality and consistency by eliminating inconsistencies and modeling errors. Next, a predictive model is developed using machine learning techniques, specifically logistic regression. This model is trained and evaluated with the collected and created data to predict possible payment defaults.
The dashboard allows non-technical users to interpret historical economic data and make informed decisions through various visualizations and interactive functions that facilitate the understanding of information. The project’s results are significant from both a technical and analytical standpoint. The predictive models demonstrate effectiveness in predicting defaults and identifying patterns in debtor behavior. The developed tool will be of great use to financial institutions and their potential clients. Read More
Related posts:
Cuadro de mando para el análisis del impacto del uso de prácticas éticas en los resultados de las empresas
Generación, visualización e interacción con datos en entorno web para el sistema de calidad de la ETSIINF
Diseño del dashboard del Lighthouse Eurostat de Economics @Intelligence
Análisis socioeconómico de los países de la Unión Europea usando datos de Eurostat a través del Lighthouse de Economics @Intelligence
Modelización de la cadena de suministro de un seguidor solar a dos ejes de última generación: viabilidad económico-financiera del modelo de negocio
Análisis comparativo de tres herramientas ETL (Extracción, Transformación y Carga de datos) para tres casos de transformación tipo en el contexto de las ciudades inteligentes