Quedan tan sólo cinco días para que arranque la tercera edición de Cajamar UniversityHack, la mayor competición analítica de datos online de España, que tiene como objetivo impulsar entre los jóvenes la disciplina ‘Data Science’, dándoles la oportunidad de poner en marcha sus proyectos utilizando datos, en muchos casos, reales.

En esta ocasión, la competición, organizada por Cajamar, a través del Departamento de Investigación y Metodología Comercial y de Cajamar Data Lab, comenzará el 14 de enero y concluirá el 11 de abril. Está dirigida a los alumnos de los mejores centros formativos en Data Science de España y cada centro podrá presentar hasta 10 equipos, compuestos por un máximo de 3 participantes cada uno.

La participación es 100% online y cuenta con más de 19.000 euros en premios

El evento presenta dos desafíos en esta ocasión y cuenta con más de 19.000 euros en premios (primero, con 7.500, segundo, con 1.500, y tercer clasificado, con 600 euros, en las dos categorías): por un lado, el ‘Reto Wefferent Branch Visualization’, que consiste en crear un buscador avanzado que incluya un motor de recomendación en base a la ubicación de la persona que quiere realizar la operación, el momento en el que quiere realizarla y el tipo de operación que quiere hacer. Con esta información el buscador debe recomendar la oficina, el cajero propio o el cajero ajeno que más convenga para realizar la operación.

Para ello, la caja rural almeriense facilitará la siguiente información: listado de localizaciones georreferenciadas indicando el tipo (oficina, cajero propio o ajeno), las operaciones que se pueden realizar en las mismas, su horario de apertura y el coste de la operación; histórico de un año de afluencia en oficina en franjas de una hora, indicando si la oficina, durante cada periodo, tiene una ocupación baja, media o alta; y el histórico de un año de cajeros fuera de servicio en franjas de una hora.

El otro reto se denomina ‘Minsait Real Estate Modelling’, que consiste en estimar la duración de una visita a una página web. En concreto, conocer el número de veces y el tiempo que un usuario navega por una página web es uno de los factores clave para la gestión de los recursos digitales, al estar convirtiéndose éstos en la ventana donde el mundo se informa; obtener un modelo predictivo ayuda a establecer cuáles son los motivos por los que una página concreta es más visitada que otras.

En este desafío, los participantes dispondrán de variables numéricas y categóricas, y también campos de texto libre e imágenes asociadas para estimar un modelo. El objetivo pasa por encontrar el mejor modelo de regresión mediante el desarrollo de un modelo predictivo que obtenga la duración media de las visitas recibidas en la web para cada inmueble en venta.

Para ello, se puede utilizar las distintas técnicas de Machine Learning y se proporciona un dataset con datos históricos de viviendas y otros activos inmobiliarios con las características del mismo, ubicación, superficie, precio, etc, e información sobre la navegación en la página web del inmueble.