Caixa d'Enginyers Q3 Challenge

Inspiration

Caixa d’Enginyers nos lanzó el reto de encontrar posibles zonas para abrir nuevas sucursales o puntos de asesoramiento. A primera vista parecía una pregunta sencilla, pero no lo era: para tomar una buena decisión se deben considerar cientos de variables distintas (renta media, proximidad a otros bancos, salarios, densidad de población, etc.).

Con esta realidad, nuestro objetivo es identificar ubicaciones óptimas para la apertura de nuevas oficinas —tanto físicas como móviles— con la finalidad de mejorar la inclusión financiera y reducir las desigualdades territoriales en el acceso a servicios bancarios.

What it does

Después de integrar todas las fuentes de datos proporcionadas, se analizan tanto la situación actual como la evolución histórica para generar predicciones a futuro. A partir de estas proyecciones, el sistema estima la necesidad real que tiene cada zona de disponer de una oficina bancaria y prioriza aquellas con mayor impacto potencial.

How we built it

Primero construimos un dataset combinando distintas fuentes: OpenStreetMap (para conocer el número de bancos existentes en Cataluña), IdesCat (para obtener datos demográficos) e Idealista/FotoCasa (para analizar el coste mensual del alquiler).

Con este dataset, realizamos un análisis geoespacial para detectar los municipios con baja cobertura bancaria.

A continuación, desarrollamos un modelo de scoring multivariante que pondera criterios sociales, económicos y operativos para identificar las mejores ubicaciones actuales. Los factores con más peso en la puntuación son: la densidad de población, el número de bancos existentes, la renta familiar, los precios del alquiler y la edad media.

Por último, entrenamos un modelo de proyección (1, 3 y 5 años) para estimar la evolución futura de la demanda de servicios financieros. Al combinar las puntuaciones actuales con las proyecciones futuras, otorgamos mayor peso a la situación actual, ya que las predicciones, aunque útiles, implican un mayor grado de incertidumbre.

Con todo ello generamos un ranking final de municipios recomendados. Además, desarrollamos una interfaz gráfica en la que se pueden pasar los nodos que representan los bancos y sus atributos. Esta interfaz calcula un valor basado en los aspectos que tenemos en cuenta para filtrar y, mediante colores, indica si es óptimo construir una oficina en esa ubicación o no.

Nuestro objetivo final es proporcionar una herramienta rigurosa, transparente y justificable que ayude a Caixa d’Enginyers a tomar decisiones estratégicas de expansión basadas en datos.

Challenges we ran into

Durante este desarrollo, el mayor desafío que hemos tenido ha sido la recolección y el tratamiento de los datos. Había información procedente de muchas fuentes distintas y fue complejo unificarla, estandarizarla y convertirla en un dataset coherente sobre el que pudiéramos trabajar.

Respecto al modelo, la mayor complejidad ha sido decidir el peso que asignamos a cada categoría dentro del scoring, ya que cada criterio (social, económico u operativo) tiene un impacto distinto y encontrar el equilibrio adecuado ha requerido iteración, validación y contraste de resultados.

Accomplishments that we're proud of

Estamos orgullosos de:

• Haber sido capaces de analizar y comprender datos complejos de múltiples fuentes,
• Crear un modelo ponderado con capacidad de generar predicciones futuras,
• Desarrollar una pequeña interfaz para visualizar y explorar algunos de los resultados.

What we learned

Este proyecto nos ha proporcionado conocimiento en análisis de datos (exploración de datos, preprocesamiento, selección de métricas, creación de modelos y predicciones) y nos ha permitido desarrollar una visión más crítica y amplia del sector financiero.

What's next for Caixa d'Enginyers Q3 Challenge

Nuestros planes a futuros:

• A partir de registrar las direcciones de los usuarios interesados, añadir como método de filtrado la proximidad a aglomeraciones de estos usuarios. Además, se podría implementar la rotación de la ubicación mediante stands temporales, los cuales podrían variar según factores como reservas o su propia usabilidad.
• Para reducir costes de alquiler, establecer micro-alianzas con sitios de alta afluencia recurrente, instalando un terminal en formato de tablet para que los usuarios puedan acceder a los servicios del banco.
• Por último, incorporar como factor adicional en el modelo el ROI (retorno sobre la inversión) para priorizar las ubicaciones más rentables.

Built With

• c++
• jupyter
• panda
• python
• visual-studio