Hoe wordt Data Science toegepast binnen Rabobank?

Data Science is verantwoordelijk voor de ontwikkeling van (toegepaste) analytische oplossingen op basis van grote datasets. De gemene deler van alle oplossingen die we bouwen, is dat we big data bronnen proberen in te zetten om business value te creëren. Om dat te kunnen doen, moeten we weten wat de business nodig heeft, de data analyseren en de behoeften vertalen naar een geschikte analytics oplossing.

Waarom is Data Science belangrijk in het bankwezen?

Er zit veel informatie in data. Door deze informatie te benutten kunnen we de klantervaring verder verbeteren, maar ook interne processen meer stroomlijnen en meer inkomsten genereren.

Wat doen data scientists in finance?

Data scientists in finance werken meestal aan toegepaste analytics-oplossingen, wat inhoudt dat de oplossingen die data scientists bouwen, uiteindelijk in productie terechtkomen. Om dit te kunnen doen, moeten data scientists robuuste datapijplijnen creëren en modellen op zo’n manier ontwikkelen dat ze in productie kunnen worden genomen. Typische data science puzzels in finance gaan over het kennen van je klanten, risicodetectie en natural language processing.

Wat zijn de meest gebruikte analytics technieken bij Rabobank?

Bij Rabobank gebruiken we verschillende analytics technieken, afhankelijk van de use case en de beschikbare data. Voorbeelden zijn logistische regressie, Monte Carlo simulaties, autoregressieve econometrische modellen en machine learning technieken. Echter, dit is nog maar het topje van de ijsberg.

Wat is datavalidatie in het bankwezen?

Datavalidatie is het geheel van instrumenten en methoden die worden gebruikt om data te beoordelen, ter ondersteuning van het proces van risicometing en -beheer. De specifieke aspecten die worden geverifieerd zijn: het dataverzamelingsproces, de datakwaliteit en de dataverwerking, maar ook het bestaan van beleid en regels die de hele levenscyclus van data regelen; van invoer tot rapportage – en dit zowel voor historische data als voor actuele data.

Data Science

Voor scherpe analyses en waardevolle inzichten

Data moet betekenis krijgen. Dat doen we binnen Data Science: statistiek voor gevorderden met als doel de data te interpreteren en er waardevolle conclusies uit te trekken. Bij Data Science lossen we de meest complexe vraagstukken op met algoritmen. We bouwen en valideren modellen waarmee we risico’s afdekken en processen optimaliseren. Waarmee nieuwe of verbeterde producten en diensten gecreëerd worden. En waarmee we een solide bank blijven die voldoet aan de gestelde wetten en regels.

Bekijk alle Data & Analytics vacatures

Collega's aan het woord

Van complexe regelgeving naar begrijpelijke modellen

Lees het verhaal van Marleen

Complexe problemen vertalen naar begrijpelijke antwoorden

Lees het verhaal van Edgar

Modelvalidatie: essentieel voor de bank én de maatschappij

Lees het verhaal van Francesco

Met voorspellende modellen bouwen aan de toekomst

Lees het verhaal van Paula

Modellen bouwen met de klant aan de balie op je vizier

Lees het verhaal van Natacha

Geschiedenis schrijven als Credit Risk Modeller; het gebeurt nu

Lees het verhaal van Martin

Business Intelligence oplossingen bouwen voor een betere wereld: uitdagend én leuk

Lees het verhaal van Olena

De impact van risico op de bank, de klant en de maatschappij

Lees het verhaal van Karen

Ik ben de smeerolie tussen alle modelleurs en data-analisten

Lees het verhaal van Ron

Modellen bouwen, dat geeft een kick

Lees het verhaal van Jasper

Data science krijgt een prominente plek binnen de bank

Lees het verhaal van Freerk

Werken bij een datagedreven en innovatieve bank

Lees het verhaal van Joost

FAQ

Data Science is verantwoordelijk voor de ontwikkeling van (toegepaste) analytische oplossingen op basis van grote datasets. De gemene deler van alle oplossingen die we bouwen, is dat we big data bronnen proberen in te zetten om business value te creëren. Om dat te kunnen doen, moeten we weten wat de business nodig heeft, de data analyseren en de behoeften vertalen naar een geschikte analytics oplossing.
Er zit veel informatie in data. Door deze informatie te benutten kunnen we de klantervaring verder verbeteren, maar ook interne processen meer stroomlijnen en meer inkomsten genereren.
Data scientists in finance werken meestal aan toegepaste analytics-oplossingen, wat inhoudt dat de oplossingen die data scientists bouwen, uiteindelijk in productie terechtkomen. Om dit te kunnen doen, moeten data scientists robuuste datapijplijnen creëren en modellen op zo’n manier ontwikkelen dat ze in productie kunnen worden genomen. Typische data science puzzels in finance gaan over het kennen van je klanten, risicodetectie en natural language processing.
Bij Rabobank gebruiken we verschillende analytics technieken, afhankelijk van de use case en de beschikbare data. Voorbeelden zijn logistische regressie, Monte Carlo simulaties, autoregressieve econometrische modellen en machine learning technieken. Echter, dit is nog maar het topje van de ijsberg.
Datavalidatie is het geheel van instrumenten en methoden die worden gebruikt om data te beoordelen, ter ondersteuning van het proces van risicometing en -beheer. De specifieke aspecten die worden geverifieerd zijn: het dataverzamelingsproces, de datakwaliteit en de dataverwerking, maar ook het bestaan van beleid en regels die de hele levenscyclus van data regelen; van invoer tot rapportage – en dit zowel voor historische data als voor actuele data.