Analítica de datos, Inteligencia Artificial y Big Data en la banca

La importancia del Científico de Datos en la banca

Los clientes están demandando una transformación digital en todos los sectores sin distinción y las empresas se han percatado de los beneficios que repercute en su cuenta de resultados gracias a la optimización de los procesos internos y una óptima toma de decisiones. La sinergia entre la Analítica de datos, la Inteligencia Artificial y Big Data sustentan las bases de esta transformación digital [1].

La Inteligencia Artificial en toda su magnitud y más concretamente con el Machine Learning, permite que el software que manejan las empresas puedan aprender, los patrones y comportamientos detectados en los clientes, tomando decisiones por sí mismos, pero para ello requiere de la orientación humana [2]. En la actualidad, Deep Learning, una disciplina dentro del Machine Learning, está trabajando para conseguir que el aprendizaje del software sea totalmente autónomo, sin intervención humana y así conseguir el gran reto de simular cómo aprende el cerebro humano [3]. La Analítica de datos y las técnicas de Inteligencia Artificial han existido desde hace muchos años, sin embargo, el auge actual se debe al Big Data, que está permitiendo gestionar volúmenes ingentes de información y su procesamiento de forma ágil; cuanto mayor sea el volumen de información, más acertados serán los patrones y comportamientos detectados, de ahí la importancia de disponer de cantidades ingentes de datos y capacidad para procesarla rápidamente e incluso en tiempo real.

La sinergia entre estas cuatro tecnologías, Analítica de datos, Machine Learning (o Deep Learning) y Big Data permiten a las empresas innovar en todas sus estructuras y ofrecer al cliente un servicio totalmente personalizado y a medida. Los datos son el petróleo del siglo XXI y estas tecnologías los explotan cuidadosamente para ofrecer servicios a medida y una nueva perspectiva, que ya demanda el cliente [4]. El sector financiero se ha percatado de la cantidad de datos que generan cada uno de sus clientes diariamente y se está reformando totalmente para extraer el máximo conocimiento oculto en esos volúmenes de información, que hasta el momento, no aportan valor; el objetivo es tener al cliente y sus datos como epicentro del negocio [5].

13 Sinergias que puede aprovechar el sector financiero:

1. Cuenta Inteligente: El objetivo es que la entidad financiera ofrezca al cliente un nuevo concepto de cuenta, abandonando la tradicional ‘ccc’, por un servicio de valor añadido que le permita recibir predicción de gastos futuros y posibles descubiertos a corto o medio plazo, analizar sus comportamientos en base a los gastos generados, categorización automática de movimientos para consultar por grupos, comparar gastos con clientes anónimos del mismo perfil o recomendaciones de productos que cubran las necesidades concretas del cliente [6].
2. Productos financieros personalizados: Cada cliente tiene su propia actividad económica y gracias a la analítica de datos, se detectarán patrones y comportamientos [6] que permitan ofrecerle productos financieros personalizados y a medida que logren una mejor experiencia del cliente y mayor satisfacción.
3. Nuevas oportunidades de negocio sobre clientes de la entidad: Además de la información que dispone el banco sobre la actividad económica de cada cliente, ahora también puede tener acceso a información externa del mismo, como de redes sociales o comportamientos en Internet, que permitan enriquecer el ecosistema de datos que rodea a cada cliente [7]. Analizar la información externa permite al banco nuevas oportunidades de negocio: si el cliente sube a una red social sube fotos de un tipo de coche y manifiesta su interés, el banco puede generar, en ese preciso momento, una oferta de un producto de crédito que se ajuste sus necesidades concretas, que la reciba a través de la propia red social y la pueda contratar con “muy pocos clics” rápidamente.
4. Nuevas oportunidades de negocio para personas no clientes: Incluir el análisis de datos externos puede generar nuevas oportunidades de negocio incluso sobre personas que no son clientes de la entidad financiera [7], que puede detectar necesidades financieras concretas de una persona y ofrecerle un producto que solvente una situación particular y quizás, pueda desencadenar en un futuro, el alta del mismo.
5. Gestión de riesgos y prevención del fraude: Son los dos casos de usos pioneros en las entidades bancarias basados en la analítica de datos, machine learning y big data [8]; la gestión del riesgo y prevención del fraude son dos de los aspectos más importantes de los bancos en la actualidad y por ello, han sido los primeros proyectos que se han acometido con estas tecnologías.
6. Recomendador interno de dónde ubicar físicamente una oficina (sucursal): La entidad financiera deberá recopilar datos sobre qué zonas de la ciudad son frecuentadas por sus clientes, en qué horarios, dónde hacen sus compras, qué tipos de clientes son y qué en qué zonas tiene menor número de clientes [9] y aplicando analítica podrá determinar cuál es la zona que le generará mayores beneficios para ubicar la sucursal.
7. Recomendador interno de dónde ubicar físicamente un cajero automático: Igualmente que en el caso anterior, el banco deberá analizar las zonas de la ciudad en las que sus clientes concentran sus gastos [9], cómo lo hacen y en qué zonas de la ciudad sus clientes utilizan cajeros de otra entidad financiera
8. Recomendador de cuánto dinero cargar el cajero automático en fines de semana y festivos: Analizando el calendario local de la ubicación del cajero, las condiciones climatológicas y los eventos de la ciudad y su ubicación pueden determinar óptimamente cuál es la cuantía adecuada para cargar el cajero automático [9], con el objetivo de no bloquear mucho dinero ni que se impida dar el servicio por falta del mismo.

9. Predecir cuándo un cliente abandonará la entidad: Analizando la actividad de la cuenta de un cliente, y combinando la información con datos internos del resto de canales (oficina o web) y datos externos, de redes sociales, se puede determinar si el cliente abandonará la entidad. Si durante un tiempo no hay movimientos en su cuenta, no visita la web ni acude a la oficina y en redes sociales comienza a seguir a otra(s) entidad(es), se puede predecir cuándo el cliente abandonará la entidad [10]. Ante la detección de este escenario de abandono, entra en juego la capacidad de recomendación de productos o mejoras para retener al cliente (qué tiene contratado, cuál es su actividad y qué podemos ofrecerle). Siempre es más económico retener a un cliente que captar uno nuevo.
10. Operaciones más frecuentes en cajeros: Muchos clientes de la entidad, cuando que acuden a un cajero automático, siempre realizan la misma operación; el objetivo es determinar el patrón y su comportamiento y ofrecerle dicha operación directamente evitando preguntas y navegaciones [10]. Por ejemplo, un cliente que habitualmente realiza la misma operación, al introducir la tarjeta, únicamente pulsará el botón de operación más frecuente y el cajero, le entregará sus 50 €, a débito y sin recibo. De esta forma se consigue que el cliente tarde mucho menos tiempo en realizar su operación y conseguir una mayor satisfacción en su gestión.

11. Analizar cuál es la vía más adecuada para comunicarse con el cliente: Los clientes demandan recibir las notificaciones de su banco a través de los nuevos canales que utilizan de forma predeterminada, redes sociales, correo electrónico o mensajería instantánea [11]; la entidad financiera debe analizar cuál es el canal prioritario del cliente, aquel con el que se siente más cómodo para recibir notificaciones y canalizarlas por dicha vía; debe abandonar la tradicional política de acoso de notificaciones a canales que no utiliza el cliente y que resulta un gasto innecesario.

12. Nuevas vías de negocio para monetizar los datos agregados y anónimos: Los datos de los clientes suponen el activo más importante de la entidad financiera, pero a su vez, esta información puede suponer un gran valor para otra entidad financiera o empresa, que explote dichos datos anonimizados y agregados [11]. Por ejemplo, puede resultar una oportunidad importante de negocio vender los datos anonimizados de los gastos de suministros habituales de un cierto perfil de población para que empresas del sector diseñen ofertas atractivas.

13. Optimización de procesos y recursos de la entidad: Recopilar datos de procesos y recursos de la entidad y su posterior análisis, permitirá descubrir patrones y comportamientos ocultos y desconocidos hasta el momento, que permitan maximizar el beneficio con un menor gasto [11].

Bibliografía:

1. Sasa Baskarada, Andy Koronios: Unicorn data scientist: the rarest of breeds. Program 51(1): 65-74 (2017)
2. Yi Yin, Anneke Zuiderwijk: Scientists. Fundamental Requirements to Deal with their Research Data in the Big Data Era. ERCIM News 2017(109) (2017)
3. Frédéric Chazal, Bertrand Michel: An introduction to Topological Data Analysis: fundamental and practical aspects for data scientists. CoRR abs/1710.04019 (2017)
4. Beiji Zou, Qilong Han, Guanglu Sun, Weipeng Jing, Xiaoning Peng, Zeguang Lu: Data Science – Third International Conference of Pioneering Computer Scientists, Engineers and Educators, ICPCSEE 2017, Changsha, China, September 22-24, 2017, Proceedings, Part II. Communications in Computer and Information Science 728, Springer 2017, ISBN 978-981-10-6387-9
5. Carlos Costa, Maribel Yasmina Santos: A Conceptual Model for the Professional Profile of a Data Scientist. WorldCIST (2) 2017: 453-463
6. Wardah Zainal Abidin, Nur Amie Ismail, Nurazean Maarop, Rose Alinda Alias: Skills Sets Towards Becoming Effective Data Scientists. KMO 2017: 97-106
7. Roy Laurens, Cliff C. Zou: Using Credit/Debit Card Dynamic Soft Descriptor as Fraud Prevention System for Merchant. GLOBECOM 2016: 1-7
8. David L. Olson, Desheng Wu: Predictive Data Mining Models. Computational Risk Management, Springer 2017, ISBN 978-981-10-2542-6, pp. 1-97
9. Prabha Dhandayudam, Ilango Krishnamurthi: A Rough Set Approach for Customer Segmentation. Data Science Journal 13: 1-11 (2014)
10. Isaac A. Jones, Kyoung-Yun Kim: Systematic Service Product Requirement Analysis with Online Customer Review Data. J. Integrated Design & Process Science 19(2): 25-48 (2015)
11. Jorge López Lázaro, Álvaro Barbero Jiménez, Akiko Takeda: Improving cash logistics in bank branches by coupling machine learning and robust optimization. Expert Syst. Appl. 92: 236-255 (2018)

Javier Porras Castaño

Referencias

1. BBVA Data & Analytics: el reto de transformar los datos en valor para nuestros clientes (clic aquí)
2. Synergic Partners: ¿Cómo se extrae valor de los datos? (clic aquí)
3. Telos (Telefónica): Hacia un nuevo modelo económico viable basado en el conocimiento (clic aquí)
4. 5 días: Del ‘big data’ a la empresa inteligente (clic aquí)
5. KDnuggets: Machine Learning as a Service: Amazon, Microsoft Azure, Google Cloud AI (clic aquí)
6. BBVA: Cuatro propuestas interesantes de Big Data (clic aquí)
7. PiperLab: Big Data y los sistemas de recomendación (clic aquí)
8. Futurizable: Mezcla y vencerás (clic aquí)