La Analítica Avanzada hace que los datos no estructurados disminuyan el riesgo para la banca

0

El 95% de los datos que las empresas de diferentes sectores de la economía manejan se consideran, generalmente, como datos no estructurados y, según compañías consultoras como Deloitte, no se utilizan para la toma de decisiones. En el caso de la banca este porcentaje es menor, y aunque llega al 80%, sigue siendo un océano de posibilidades y riesgos poco explorado.

Aunque se estimaba que este porcentaje de datos no estructurados carecían de sentido para el sistema bancario en una perspectiva tradicional del negocio, la consideración hacia estos ha empezado a cambiar en el sector. Los bancos y los proveedores de servicios financieros se están embarcado en un viaje de digitalización que implica inversiones significativas en programas de transformación digital.

“Las instituciones financieras pueden adaptarse a este escenario actual a través de mejoras en sus programas de detección de riesgo basados en reglas y automatizar muchas de las tareas tediosas que se requieren en el proceso de investigación de sus prospectos y clientes, aprovechando técnicas de inteligencia artificial para leer, organizar y cuantificar datos no estructurados como el texto de forma libre de mensajes y chats de forma significativa, de manera que se descubra una rica fuente de datos de riesgo infrautilizados”, según Renato Fiorini, Gerente de Soluciones de Riesgo en Latinoamérica para SAS.

La data, esencial para la gestión de créditos

La competencia en la banca tiene un enfoque hacia el crecimiento de préstamos y, por ende, al aumento continuo de la morosidad. Por esto, los bancos necesitan mejores procesos y análisis de gestión del riesgo crediticio, así como mejores protocolos de análisis para la suscripción, la toma de decisiones y el flujo de trabajo para optimizar, controlar la autorización y el desembolso y seguimiento de los préstamos.

“Este ejercicio de modelado del riesgo crediticio en toda la cartera de préstamos -desde préstamos comerciales hasta préstamos para pequeñas empresas- está empezando a parecerse más a la evolución de las técnicas de scoring de crédito minorista. Esto implica el uso de modelos basados en escenarios más complejos que analizan grandes conjuntos de datos tanto tradicionales como no estructurados”

En este sentido, el modelado de riesgo crediticio debe integrarse en flujos de trabajo industrializados y racionalizados, desde la concesión del crédito hasta el análisis, la elaboración de informes, la prestación de servicios y la gestión de cobros. La industrialización del proceso sirve para reducir los costos y los constantes riesgos operativos, mientras permite generar una mayor cercanía con los clientes, a esto le llamamos personalización masiva.

¿Qué papel juegan las redes sociales en este escenario?

Internet es una de las fuentes de datos no estructurados más importantes, que abarca las redes sociales. Sobre esto, se destacan dos casos sobre la creciente influencia de los datos no estructurados que se pueden conseguir en las redes.

  1. ZestFinance: Descubrió que las personas que dedican más tiempo a leer y completar sus formatos de petición de préstamo tienen una tasa de incumplimiento más baja en sus pagos. De igual forma sucede con el tiempo que dedican a revisar y comprender el tipo y monto del préstamo que solicitan. Información que se puede recopilar a partir de las visitas que los solicitantes hacen al sitio web de la financiera. Incluso se descubrió que las personas que llenan los formularios con letras mayúsculas y llenan más campos tienen también una probabilidad de incumplimiento menor.
  2. Kabbage: Una firma de crédito que utiliza las soluciones de analítica avanzada de SAS para monitorear redes sociales como Facebook y Yelp, e incluso utiliza datos de PayPal, Amazon, eBay y sitios similares para evaluar a los representantes de las firmas que solicitan créditos.

Se puede concluir que las soluciones de riesgo para el actual escenario de competencia en sectores como la banca, deben tener la capacidad de recoger y analizar grandes cantidades de datos, tanto estructurados como no estructurados, de fuentes internas y externas, así como integrarse con sistemas CRM y de marketing, fuentes de dominio público y con la autorización de los clientes, opinan los expertos, a los que se suma el futurista de TI Thornton May, quien afirma que "es bueno tener un jugador que realmente entiende lo que se necesita hacer, porque los medios sociales sin análisis son ruido. Los medios sociales con análisis son valiosos".

Share

About Author

Javier Alexander Rengifo

Senior Manager Customer Advisory SAS Colombia & Ecuador

Ingeniero de Sistemas y Computación, con título de Maestría en Ingeniería de la Información y Especialización en Gestión de Riesgos Financieros. Consultor certificado experto en una amplia gama de tecnologías y soluciones, tales como: Bodegasde Datos, Visualización de Datos, Inteligencia de Negocios, Balanced Scorecard, Analítica Predictiva, Aprendizaje de Maquina (ML), Inteligencia Artificial (IA), Arquitectura de Big Data, Data Science y Soluciones Cloud. Trayectoria profesional de más de 17 años, diseñando e implementando sistemas analíticos para el soporte de decisiones empresariales, en múltiples proyectos y oportunidades de negocios para compañías líderes en Colombia y otros países de América Latina. Durante este tiempo, ha demostrado sus habilidades como experto en el campo de Analítica de Datos, desempeñando diferentes cargos de asesoría al cliente, entre ellos: Consultor Senior, Líder de Proyectos, Arquitecto de Soluciones, Ingeniero de Ventas y Gerente de Asesoría para los Clientes. Actualmente trabaja en SAS Institue como Gerente Senior de Customer Advisory para Colombia y Ecuador.

Leave A Reply

Back to Top