Desde hace ya varios años, existe un gran boom en el aprovechamiento de la información que tienen los bancos para poder extraer conocimiento sobre sus clientes y ofrecerle servicios y productos mucho más adecuados a su perfil. La gran mayoría de entidades se han enfocado en el segmento de personas físicas o particulares y tienen hoy día bases de datos adaptadas a la explotación de la información de clientes, modelos predictivos de propensión a la contratación de productos de ahorro o crédito, segmentaciones, modelos de cuota de mercado, herramientas de CRM, etc… pero, ¿qué ocurre con los clientes empresariales?
Teniendo en cuenta la cantidad de movimientos bancarios que realiza una persona física a través de su entidad principal, si pasamos a situarnos en la óptica de un cliente empresarial, ¿cuántos miles o cientos de miles de movimientos al cabo de un mes realiza una gran compañía? Dispersiones de nómina a todos sus trabajadores, transferencias por gastos a su plantilla, pagos a proveedores, cobros de servicios o productos a clientes, liquidaciones de contratos, etc. La cantidad de movimientos se vuelve mucho mayor y entender cómo unas empresas se relacionan con otras se hace inviable con metodologías y tecnologías de información tradicionales.
Según Cognodata, analizando las relaciones económicas de las empresas, se pueden optimizar los scores de riesgo tradicional
Dentro de todos los usos que el Big Data está facilitando a las entidades bancarias, el mayor conocimiento de sus clientes sigue siendo la razón principal de la implantación de estas tecnologías. Si bien no es nuevo para muchas entidades explotar la información de sus carteras empresariales con la misma visión que lo vienen realizando para particulares, sí es cierto que existen retos a nivel tecnológico donde justo las soluciones de Big Data pueden ayudar a impulsar y mejorar este tipo de análisis predictivos.
Atendiendo a la multitud de combinaciones de relación entre compañías, los algoritmos de machine learning ayudan a identificar, medir y entender las dependencias entre empresas a través del análisis de todos sus movimientos. Podemos ir incluso más lejos y establecer relaciones causa – efecto entre empresas que no se relacionan de manera directa sino a través de otras compañías intermedias
La propuesta de Cognodata
Cognodata destaca algunas de las utilidades que estos algoritmos y bases de big data pueden aportar a las entidades bancarias y economías:
- Cognodata cree necesario anticiparse a las necesidades de sus clientes.- Analizando los movimientos de las carteras de empresas se puede identificar necesidades de productos muy específicos y ofrecerlos en tiempo récord.
- Identificar clientes potenciales es otro punto importante para Cognodata.- Permite identificar, a través de los movimientos, clientes potenciales concretos y su grado de vinculación con la entidad, pudiendo mejorar las actividades comerciales de desarrollo y retención de los clientes.
- Optimización de riesgos.- Uno de los pilares del sector bancario es conocer la probabilidad de impago ante una aprobación de crédito. Según Cognodata, analizando las relaciones económicas de las empresas, se pueden optimizar los scores de riesgo tradicional o anticiparse a contagios en todo el sistema.
