En la actualidad, en Colombia y el mundo muchas entidades financieras están invirtiendo en big data. De acuerdo con las proyecciones de la firma International Data Corporation (IDC), se espera que en el mercado bancario se registre una tasa de crecimiento anual compuesto (CAGR) de 22.97% durante el período 2021-2026 a nivel mundial.

Julián Delgadillo, director de Desarrollo de Negocio de Bluetab, aseveró que 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 es posible apalancar el negocio mediante la optimización del servicio y la personalización del mismo.

Así mismo, también se puede velar por la fiabilidad de procesos y transacciones de los clientes.

Por otro lado, las soluciones analíticas que permite 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.

Cuidado con el fraude

Según Delgadillo, 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.

Aseveró que “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”.

Por otra parte, traer un cliente nuevo es una tarea cada vez más difícil debido a que el sector bancario es altamente competitivo. Por tal motivo, 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.

Agregó que “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”.

Al otorgar créditos y efectivo

Agregó el experto que 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.

En cuanto al aprovisionamiento eficiente de efectivo en los cajeros automáticos, existen cuatro retos derivados de la provisión de efectivo en los cajeros automáticos que se pueden convertir en beneficios para el negocio, como brindar una experiencia de usuario adecuada, mantener una cantidad almacenada reducida, reducir los costos de adquisición del efectivo, reducir los costos de transporte del efectivo.

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.

Agregó que 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.