Los datos también están impulsando nuevas tecnologías, como la inteligencia artificial y los bots, que están, a su vez, ayudando a aumentar la eficacia operativa y la reducción de riesgos. Los datos están permitiendo incluso nuevos modelos de banca, como préstamos entre pares (peer-to-peer), financiación colectiva (crowdfunding) y economía compartida.

El impacto generado por los datos se ilustra mejor al observar los avances en el sector de crédito al consumidor. Tradicionalmente, los bancos usan calificación de crédito, que se basa en un estrecho rango de puntuación que cambia con poca frecuencia. Este enfoque presenta dos restricciones principales. En primer lugar, la toma de decisiones es lenta pues los bancos tienen una visión incompleta de la salud financiera del consumidor. En segundo lugar, esto genera 'archivos pequeños', especialmente sobre consumidores de la generación Millennial que no tienen una historia financiera y tienen aversión a deudas. En muchos países, el crédito al consumidor ha sido negativo y usado por los bancos esencialmente para colocar en la lista negra a personas con pagos atrasados.

Hoy en día, los bancos están basando sus decisiones de préstamo y gestión de riesgos en datos integrados. Información sobre amortización de deuda está combinándose con datos de transacciones y cuentas corrientes casi en tiempo real para desarrollar modelos completos de evaluación de riesgos. En lugar de depender de la puntualidad de los pagos o del porcentaje de crédito disponible utilizado, los bancos pueden evaluar patrones de riesgo a partir de comportamientos en el pasado o posibles cambios futuros.

Con los consumidores de tipo 'archivo pequeño', bancos y agencias de crédito están explorando nuevas fuentes de datos, tales como historia de pago de cuentas y uso de teléfonos móviles. En algunos casos, particularmente con prestamistas no bancarios, la naturaleza de las redes sociales del consumidor también puede contribuir a la evaluación de la oferta de crédito.

Los datos se pueden utilizar para personalizar las interacciones de ventas y marketing. En la misma forma que eso puede ayudar a los bancos a formar un perfil detallado para la oferta de crédito al consumo, puede también utilizarse para personalizar mensajes de ventas y productos en beneficio de los clientes cada vez más exigentes en cuanto a servicios.

Trabajando sobre datos 

Muchas veces, volumen, velocidad y variedad de tipos de datos pueden técnicamente superar la capacidad de las tecnologías tradicionales (por ejemplo, bases de datos relacionales). Datos no estructurados, como video, voz y texto, son especialmente poco adecuados para enfoques antiguos de TI y la primera generación de tecnologías de Big Data.

Para superar esas barreras, los bancos están adoptando recursos de aprendizaje automático que entrenan a los modelos predictivos continuamente basados en flujos de datos. El aprendizaje automático puede ayudar a identificar detalles sutiles y así obtener mejores resultados. Por ejemplo, los enfoques tradicionales de regresión o árbol de decisión pueden predecir las mayores probabilidades de pérdida de clientes basados en variables relevantes. El aprendizaje automático va más allá de las relaciones lineales para reconocer interacciones entre conjuntos de datos mucho más amplios.

El éxito dependerá del cambio cultural. Debido a la circulación más rápida de los datos y de la rapidez del cambio de las expectativas, es necesario tener un enfoque mucho más iterativo de planificación. En particular, la migración al desarrollo ágil requiere un cambio significativo en el estilo de gestión de productos.

El desafío para los bancos 

Inevitablemente, el papel central de los datos trae nuevos riesgos. Las personas necesitan entender cómo gobernar y organizar un negocio orientado desde el punto de vista analítico. Por ejemplo, muchos bancos actualmente mantienen datos sólo sobre personas cuyas solicitudes de crédito se aceptan. Por definición, mantener solamente este subconjunto de datos, y no de todos los que han solicitado crédito, significa que los bancos están en riesgo de tener reducidas sus oportunidades de marketing.

Sin embargo, los riesgos más graves pueden ser externos. Amenazas cibernéticas están perjudicando más que la reputación actualmente y están provocando la dimisión de directores generales, como en los caso de Target y de Sony. Del mismo modo, altos funcionarios del gobierno y del sector académico también están perdiendo sus empleos debido a la violación de datos. También ha cambiado la naturaleza de las amenazas, con hackers ahora buscando efectos físicos o tratando de minar la credibilidad de una organización al corromper sutilmente en el lugar de robar.

Solución para el futuro

Para seguir siendo competitivos, los bancos necesitan la garantía de que tienen la mejor tecnología de seguridad a su disposición.

Esto incluye autenticación, por ejemplo, con el uso de tecnología biométrica que puede confirmar la identidad del consumidor. Eso se basa en la comprensión de los hábitos de uso, como la forma típica en que una persona agarra un teléfono, la velocidad de digitar y los ángulos de deslizamiento de los dedos.

Por separado, el aprendizaje automático se puede aplicar para detectar amenazas. Por ejemplo, un modelo de análisis cibernético puede continuamente consumir grandes flujos de datos provenientes de la actividad de red para definir líneas básicas y detectar anomalías. Esos modelos pueden ser aplicados dentro del software de seguridad cibernética de una organización e integrados con inteligencia de amenazas.

Esta capacidad de proteger a los clientes se basa en la innovación permanente. Y la capacidad de comprender y anticiparse al carácter evolutivo de las amenazas cibernéticas en el mundo, es fundamental para que los bancos puedan asegurar el éxito en el futuro. Con la tecnología adecuada, los bancos pueden asegurar que sus negocios estarán protegidos el día de mañana.

*Vicepresidente y Jefe del área de Servicios Financieros de Unisys, con sede en Blue Bell.