Ricardo Suárez

Bachiller en Economía y Negocios Internacionales con una sólida formación en análisis de datos, finanzas corporativas, modelos de riesgo, portafolio management y econometría. Poseo más de un año de experiencia en áreas relacionadas con análisis de datos, banca, cash management, cobranzas, tesorería y modelos (Econometría y Machine Learning).

Poseo una sólida base en análisis de datos, finanzas corporativas y econometría, respaldada por mi trayectoria en el sector bancario y análisis de datos. Durante mi tiempo en BBVA como Ejecutivo Transaccional, gestioné 7 carteras de clientes de Banca Empresa y Corporativa, donde desarrollé y presenté tres modelos de seguimiento automatizados en VBA y Python para optimizar el rendimiento de las carteras. Este trabajo implicó el análisis exhaustivo de datos de transacciones, así como el empleo de análisis estadístico y financiero para proponer iniciativas de optimización del Share of wallet (SOW), lo que resultó en la duplicación de los objetivos de pasivos en el tercer trimestre de 2023.

Además, en mi papel como Corporate Cash Management & Collection Intern en BELCORP, lideré el análisis semanal de la cobranza en 12 países. Desarrollé modelos estadísticos y econométricos, incluyendo el uso de ARIMA, para realizar un seguimiento preciso y afinar las proyecciones de la cobranza. Colaboré estrechamente con el equipo de Tesorería para mejorar la precisión en la proyección del flujo de caja, lo que demandó una gestión minuciosa de la información financiera.

En el ámbito formativo, participé activamente en el Curso de Extensión de Economía Avanzada en el Banco Central de Reserva del Perú. Durante este programa, adquirí experiencia en el desarrollo de algoritmos y la gestión de bases de datos económicas mediante técnicas avanzadas de econometría y Machine Learning.

Cabe destacar que cuento con un portafolio de trabajos que abarcan modelos de Evaluación de Impacto, Modelos predictivos y clasificatorios, Credit Scoring, Modelos de Riesgo Financiero y Machine Learning (Random Forest, Deep Learning)