Big Data en el Sector Financiero

El sector financiero está experimentando importantes transformaciones que tienen origen en la imparable innovación tecnológica, con productos y servicios digitales financieros que están siendo adoptados crecientemente y con naturalidad por los clientes, para cambiar sus hábitos y uso de los canales que ofrece la banca en la actualidad: Internet y el teléfono móvil se han convertido ya en el medio natural para interactuar con el banco, quedando en el olvido acudir físicamente a una sucursal. El cliente demanda interactuar con su banco con la misma facilidad que se comunica con un amigo a través de una red social o accede a su correo electrónico. Esta facilidad es posible gracias a la tecnología y han aparecido unos nuevos actores, sector Fintech, que sin ser bancos, ofrecen a los clientes esta sencilla funcionalidad, mediante servicios más ágiles y cómodos para el cliente. Todo ello está provocando que la banca tradicional se vea obligada a transformarse digitalmente, mediante estrategias innovadoras centradas en el cliente y ofrecerle una atención personalizada. En este contexto, el sector bancario tradicional debe aprovechar, como ventaja competitiva, los datos que dispone de sus clientes para que a través de Big Data y técnicas de Inteligencia Artificial extraiga el conocimiento oculto y ofrecer una banca privada y personalizada al cliente.

El concepto de Big Data aplicado a la Banca

Podríamos definir Big Data como la capacidad de almacenar y analizar grandes cantidades de información de forma ágil e incluso, en tiempo real. Las técnicas de Inteligencia Artificial son las que nos permiten extraer el conocimiento oculto en esa ingente cantidad de información. Si los bancos son capaces de adquirir esta habilidad para manejar Big Data, estarán a la vanguardia de los modelos digitales de negocio emergentes (fintech), y no sólo eso, sino que cuentan con una ventaja competitiva, disponen de muchos más datos que sus competidores. La Banca conoce los movimientos de sus clientes: qué hace, dónde y cuándo (información estructurada tradicional) y si además, es capaz de agregarle información externa del cliente (no estructurada): redes sociales, geolocalización, actividad en Internet o qué productos le interesan, compondrá una gran base de datos que le permita conocer con exactitud a cada uno de sus clientes; entonces, estará integrando Big Data en la entidad y mediante Inteligencia Artificial, podrá ofrecer a sus clientes una banca personalizada y privada, para conseguir su satisfacción y fidelización. La banca es el sector más adecuado para aprovechar el Big Data y el momento es ahora.

El modelo de negocio tradicional del sector financiero ha quedado obsoleto y debe desarrollar nuevas habilidades

El modelo de negocio tradicional del sector financiero ha quedado obsoleto y debe desarrollar nuevas habilidades para ofrecer al cliente productos y servicios a medida, justo en el momento que lo demanda, que pueda consumirlo en ‘un clic’ y le aporte toda la información necesaria para la toma de decisiones adecuada y lo más importante, hacerlo de forma anticipada, es decir, prever las necesidades concretas del cliente. Para conseguirlo es necesario que la Banca tenga un conocimiento del cliente de 360º. El modelo de marketing de la entidad deberá transformarse totalmente hacia este contexto, basándose en el comportamiento del cliente y aprendiendo a medida que avanza su actividad. El departamento de marketing debe pasar de ofrecer 3 o 4 productos estrella al año, de forma horizontal mediante costosas campañas de promoción, a realizar de 10 a 15 ofertas al mes, muy personalizadas, fácilmente ejecutables (muy pocos clic) y muy sencilla de entender. Este servicio de la banca personalizada y privada se ha denominado en el sector como Banca 3.0.

Casos de uso del big data en la Banca

Los bancos están lanzando diferentes iniciativas de Big Data que, aunque todavía pudiesen resultar incipientes, son relevantes. Estas iniciativas son las siguientes:

1. Definición de productos personalizados para un cliente de la entidad: Para ello es obligada la creación de un modelo predictivo con el cliente en el centro de la lógica de negocio, analizando su comportamiento, qué funcionalidad consume en cada canal, aprender y ajustar modelos, para ofrecerle productos personalizados de forma anticipada.

2. Nuevas oportunidades de negocio para clientes de la entidad: Analizando la información externa del cliente, la Banca puede descubrir nuevas oportunidades de negocio. Por ejemplo, analizando las redes sociales del cliente, puede detectar la intención del mismo para comprarse un coche o hacer un viaje; la entidad puede anticiparse, ofreciéndole el producto deseado canalizado a través del banco, cobrándole una comisión por abstraerlo de la gestión de la adquisición. El banco puede extender su modelo de negocio hacia una ‘pseudo agencia de viajes, ‘pseudo inmobiliaria’ o ‘pseudo gestora de compra/venta de coches’.

3. Nuevas oportunidades de negocio para personas no clientes: Se trataría de nuevas oportunidades de negocio sobre clientes que no pertenecen a la entidad y el objetivo a corto plazo no sería la fidelización o ni si quiera abrirle una cuenta, sino ofrecerle un producto que cubra su necesidad actual. En este caso el banco interesado en la captación está en desventaja porque no dispone de todos los datos y movimientos bancarios, entonces, de nuevo es necesario acudir a datos externos, públicamente disponibles para detectar intenciones, necesidades puntuales o eventos que ocurren en sus vidas, como por ejemplo la necesidad de un micro-crédito para soportar la reforma de su casa.

4. Gestión de riesgos, Big Data Scoring: Los métodos de scoring de crédito tradicional usan una cantidad de datos relativamente limitada. Frente a lo tradicional, está apareciendo el fenómeno del Big Data Scoring en el ámbito de riesgos para las entidades bancarias: su objetivo es clasificar a los clientes según sus posibilidades de impago a partir del análisis de datos, no sólo datos internos, sino también los externos, como por ejemplo de redes sociales. Este análisis permitirá identificar variables significativas de cara a evaluar el incumplimiento de pago de los clientes, y en consecuencia, dotar al banco de un poder predictivo preciso para gestionar el riesgo.

5. Prevención del Fraude, patrones de comportamientos: El sector bancario maneja dos tipos de activos sensibles de sus clientes: datos personales y dinero, por ello la ciber-seguridad toma especial relevancia y supone un reto para prevenir el fraude bancario: la sinergía entre el Big Data e Inteligencia Artificial (Deep Learning) ofrecen el soporte necesario para realizar una prevención eficaz del fraude, generando y aprendiendo patrones de comportamiento sobre los pagos del cliente. Cualquier situación que se distancie del patrón será detectada como potencialmente fraudulenta y además justo antes de que ocurra.

6. Optimización de recursos de la entidad: La sinergia entre Big Data e Inteligencia Artificial (Deep Learning) no sólo genera una Banca personalizada y privada para el cliente, sino que también se puede optimizar procesos internos y recursos de la entidad para reducir costes: se pueden detectar solapamientos, por ejemplo, número de oficinas o de cajeros automáticos sin perjuicio para clientes, y por otro lado, analizar latencias de procesos para optimizar los tiempos de respuestas o predecir situaciones de error del sistema.

Casos de éxito en España

Los tres grandes bancos españoles CaixaBank, Santander y BBVA ya han apostado por el Big Data para poner en valor los datos almacenados de sus clientes y ofrecer créditos e hipotecas personalizadas, herramientas de inteligencia de negocios para pymes y soluciones para prevenir el fraude alertando al cliente de movimientos inusuales en sus cuentas.

Santander: durante la presentación de los resultados de la entidad en el ejercicio de 2016, Ana Botín anunció la apuesta por Big Data como una oportunidad para mejorar la rentabilidad y ofrecer una atención más personalizada a los clientes, con una previsión de ahorro de hasta 2.500 millones de euros. Entre las iniciativas que ha puesto en marcha está la creación de Santander Analytics, una división integrada por matemáticos e ingenieros, dedicada al control de riesgos y la prevención del fraude. Además, en noviembre del 2016 incorporó a su consejo de administración a Homaira Akbari, doctora en Física y especializada en big data.

BBVA: Para Francisco González, presidente de BBVA, los bancos «deben convertirse en organizaciones impulsadas por los datos». Para ello, la entidad puso en marcha en 2014 BBVA Data & Analytics, una división formada por 50 personas y con oficinas en Madrid, Barcelona y Ciudad de México. «Tratamos de imaginarnos cómo será la banca del futuro y cómo podemos adelantarnos a estos cambios», explica Jon Beracoechea, co-director de la división. Entre las aplicaciones concretas de las que ya se puede beneficiar el cliente figuran ‘Commerce360’, una herramienta web de inteligencia de negocio enfocada a las pymes, y la propia web de BBVA. «Estudiamos la forma en que navegan los usuarios para mejorar y simplificar los procesos».

CaixaBank: explica Jordi Fontanals, director ejecutivo de Medios de la compañía, «fue una de las primeras entidades en apostar por el big data a nivel europeo». En 2013, el banco se asoció con Oracle para desarrollar una única plataforma en la que se almacenan todos los datos del banco, de modo que cualquier solicitud de información se puede extraer de forma rápida y sencilla seleccionando el grupo de datos adecuados. Esto ha permitido, entre otras cosas, ofrecer servicios finales de valor añadido para el usuario como, por ejemplo, la posibilidad de hacer estimaciones de tus recibos domiciliados para detectar importes anormalmente elevados antes de que se carguen en cuenta. En la actualidad, el banco cuenta con 95 proyectos basados en big data.

Conclusiones: El imparable avance de la tecnología y la digitalización ha cambiado para siempre la forma de consumir servicios financieros. La Banca debe afrontar un cambio de filosofía sobre los datos, abandonando la idea tradicional de concebirlos como un coste para pasar a ser un activo estratégico, tal y como hacen los ‘Gigantes Digitales’ (Amazon, Google, Twitter, etc). Gracias a los datos es posible crear productos, servicios inteligentes y ergonómicos para cubrir las necesidades concretas del cliente, ofreciéndole una atención personalizada para conseguir su satisfacción y por tanto su fidelidad: todas las entidades bancarias saben que el coste de captar un nuevo cliente es mucho mayor que retenerlo. Las ventajas que aporta el Big Data en el sector financiero son:

1. Mayor y mejor conocimiento del cliente: conocimiento de 360º.
2. Toma de decisiones más eficiente: mayor conocimiento, mejores decisiones.
3. Ofrecer al cliente soluciones diferentes: Banca privada y personalizada.
4. Nuevas oportunidades de negocio para la entidad: nuevas vías de ingreso.
5. Ahorro de costes: retener a un cliente satisfecho es mucho más barato que captar uno nuevo.
6. Visualización ergonómica de los datos a todos los niveles de la entidad.

Por Javier Porras Castaño. Científico de datos y doctorando