El sector financiero es uno de los sectores que mayor cantidad de datos produce en tiempo real y la gestión adecuada de estos datos, mejor conocidos como big data o macrodatos, no solo permite a las entidades operar su negocio de una manera segura y con una buena parte de automatización, sino que, con la implementación de nuevas tecnologías es posible apalancar el negocio mediante la optimización del servicio y la personalización del mismo, pero también, se puede velar por la fiabilidad de procesos y transacciones de los clientes.
Es por esto que muchas de las entidades financieras en Colombia y el mundo están invirtiendo en big data y de acuerdo con las proyecciones de la firma International Data Corporation (IDC), se espera que big data analytics en el mercado bancario registre una tasa de crecimiento anual compuesto (CAGR) de 22.97% durante el período 2021-2026 a nivel mundial.
Por otro lado, las soluciones analíticas que permite el bigdata tienen decenas de aplicaciones que van desde el mejoramiento de la experiencia del cliente hasta simulaciones de escenarios de riesgo para aprobación de cupos de crédito. Bluetab es una boutique de servicios de TI, con más de 16 años de experiencia, que trabaja con grandes empresas del sector bancario y otros, en el ámbito de las soluciones de datos altamente especializadas: Estrategia de datos, gestión de datos, análisis de datos y servicios de nube de datos.
Julián Delgadillo, director de Desarrollo de Negocio de Bluetab en Colombia nos habla de cinco problemas de alto impacto que el sector bancario puede solucionar con analítica de datos.
1.- Prevención y detección de fraude
Los proyectos de detección y prevención de fraude representan un desafío, principalmente porque los cibercriminales siempre están tratando de establecer nuevas formas para realizar los diferentes fraudes. “Más allá de los sistemas de autenticación y de seguridad, la analítica juega un papel fundamental a la hora de establecer comportamientos sospechosos de los usuarios que previenen y detectan intentos de fraude mediante el uso de técnicas de machine learning aplicadas por los científicos de datos, incluso en tiempo real y antes de que sucedan”, afirma Julián Delgadillo.
2.- Analítica de Churn: fidelizar a los clientes
Traer un cliente nuevo es una tarea cada vez más difícil debido a que el sector bancario es altamente competitivo, es por esto que, los clientes son un activo muy valioso para las entidades, lo cual implica la necesidad de fidelizarlos, tarea en la que es vital poder anticiparse a sus intenciones de cambiar su entidad bancaria.
“Hoy en día, con un ecosistema de tecnologías adecuado y el uso de analítica de datos podemos detectar esos grupos de clientes que tienden a solicitar la desactivación de un producto o pagar un crédito por adelantado, lo cual nos deja anticiparnos a tomar acciones que permitan hacer esas retenciones. Lo curioso es que podemos hacerlo incluso antes de que el mismo cliente se dé cuenta que quiere irse o migrar a otra entidad bancaria”, precisa Delgadillo.
3.- Riesgo al momento de otorgar créditos
Uno de los factores más importantes que una entidad financiera posee para ganar participación de mercado es la velocidad con la que cuente en los procesos de aprobación de productos financieros, sin embargo, establecer el riesgo que se corre de no recuperar el capital entregado a un cliente, es una tarea compleja en un contexto de condiciones cambiantes, debido a la inflación y otros factores que atraviesa el país.
En este sentido, la analítica de datos permite establecer ese riesgo rápidamente, con el uso de una combinación de diferentes tecnologías, métodos y mediante el desarrollo de algoritmos capaces de simular múltiples escenarios y proyecciones en cuestión de segundos, que a su vez permiten la toma de decisiones rápidas y ganar competitividad en el mercado.
4.- Aprovisionamiento eficiente de efectivo en los cajeros automáticos
En este concepto, existen cuatro retos derivados de la provisión de efectivo en los cajeros automáticos que se pueden convertir en beneficios para el negocio:
Solamente definiendo la cantidad adecuada de efectivo que debe tener cierto cajero automático, es posible controlar estos cuatro puntos. En otras palabras, se debe lograr el balance entre escasez y exceso. Entonces, ¿Cómo garantizar un aprovisionamiento eficiente? ¿Cómo saber el monto, cantidad y denominación de moneda y/o billetes que es necesario para aprovisionar cada uno de los ATM’S?
La analítica de datos, especialmente los algoritmos de Machine Learning son los mejores aliados. En este caso, se busca la optimización del proceso de aprovisionamiento actual, para evitar que haya escasez, o en el caso contrario, exceso de dinero en cada uno de los cajeros. Con ayuda de herramientas tecnológicas y teniendo en cuenta las variables necesarias para la predicción, se realiza el entrenamiento de modelos predictivos usando como base diferentes algoritmos, con el fin de utilizar el que genere mayor precisión y los mejores resultados.
5.- NBA / Cros Sell -Up sell
¿Cómo hacer crecer la colocación de productos en clientes actuales?, ¿cómo hacer un menor esfuerzo comercial y llevar a cabo una estrategia más eficiente?, ¿cómo aprovechar cualquier interacción para aumentar el portafolio de productos de un cliente?
“Una vez más la respuesta es la analítica de datos. En Bluetab hemos ayudado a clientes a cumplir con este objetivo de negocio utilizando técnicas algorítmicas para agrupar clientes en clusters de diferentes perfiles con métodos de segmentación y microsegmentación, y aunque este proceso se viene realizando desde hace años, ahora gracias al big data se puede realizar con mayor número de fuentes de datos, más variedad, más certeza y casi en tiempo real. Sin embargo, esto es solo el primer paso, ya que, a partir de este proceso, se pueden diseñar campañas de venta cruzada, ampliación de productos, generación de ofertas en tiempo real en interacciones con los clientes, e incluso monetización de datos y mucho más” añade Julián Delgadillo.
