Skip to content
Volver a noticias
Mar 18

La data estructurada y su contribución a la disminución de los riesgos bancarios

La data estructurada y su contribución a la disminución de los riesgos bancarios

La analítica avanzada hace que los datos de los clientes que están sin estructurar disminuyan el riesgo para la banca en la adjudicación de créditos. La inteligencia artificial lo lee todo.

Los bancos y los proveedores de servicios financieros en el mundo se han embarcado en un viaje de digitalización que implica inversiones significativas en programas de transformación digital. El 95% de los datos que las empresas en diferentes sectores de la economía manejan se consideran generalmente datos no estructurados y, según compañías consultoras como Deloitte, éstos no se utilizan para la toma de decisiones.

En el caso de la banca este porcentaje es menor y aunque llega al 80%, sigue siendo un océano de posibilidades y riesgos poco explorado y aprovechado. Se estima que este porcentaje de los datos considerados como no estructurados, carecen de sentido para el sistema bancario en una perspectiva tradicional del negocio, por lo que no pueden servir de base para la comprensión del negocio, la toma de decisiones clave y la calificación crediticia y evaluación de riesgo de cara al mercado.

Sin embargo, la consideración hacia los datos no estructurados ha empezado a cambiar en el sector bancario, y las entidades vienen considerando la forma en que combinan su transformación digital y el análisis de datos diversos para cosechar todos los beneficios del ecosistema digital. Para esto, la analítica y la ponderación de riesgo de crédito e inversión incluye datos con más información no tradicional en el análisis: noticias, transcripciones de llamadas comerciales, medios sociales, múltiples sistemas de CRM, archivos financieros, notas de llamadas de consulta, intercambios de correo electrónico y muchas otras fuentes forman parte de cuadros de datos no estructurados sin explotar que hoy se ven como valiosos.

“Las instituciones financieras pueden adaptarse a este escenario actual a través de mejoras en sus programas de detección de riesgo basados en reglas y en automatizar muchas de las tareas tediosas que se requieren en el proceso de investigación de sus prospectos y clientes, aprovechando técnicas de inteligencia artificial para leer, organizar y cuantificar datos no estructurados como el texto de forma libre de mensajes y chats de forma significativa, de manera que se descubra una rica fuente de datos de riesgo infrautilizados”, explica Renato Fiorini, Gerente de Soluciones de Riesgo en Latinoamérica para SAS.

Todo dato es data para crédito

La competencia en la banca tiene un marcado enfoque hacia el crecimiento de préstamos y, por ende, un aumento continuo de la morosidad. Los bancos necesitan mejores procesos y análisis de gestión del riesgo crediticio, y mejores protocolos de análisis para la suscripción, la toma de decisiones y el flujo de trabajo para optimizar y controlar la autorización y el desembolso y seguimiento de los préstamos.

Los gerentes de riesgo crediticio, entonces, necesitan tener una visión empresarial del riesgo en todas sus carteras y necesitan información para apoyar la toma de decisiones crediticias. Para lograrlo, deben recopilar y analizar datos de todas las líneas de negocio, perfiles y geografías. Los datos detallados que residían en cada región y línea de negocio deben estar disponibles para su análisis a nivel corporativo para lograr una visión empresarial del riesgo y optimizar la asignación de capital en el balance general de sus operaciones.

“Este ejercicio de modelado del riesgo crediticio en toda la cartera de préstamos -desde préstamos comerciales hasta préstamos para pequeñas empresas- está empezando a parecerse más a la evolución de las técnicas de scoring de crédito minorista. Esto implica el uso de modelos basados en escenarios más complejos que analizan grandes conjuntos de datos tanto tradicionales como no estructurados”, explica Fiorini de SAS.

Y es por esta razón que el modelado del riesgo crediticio debe integrarse en flujos de trabajo industrializados y racionalizados, desde la concesión del crédito hasta el análisis, la elaboración de informes, la prestación de servicios y la gestión de cobros. La industrialización del proceso sirve para reducir los costos y los constantes riesgos operativos por procesos manuales. También empezamos a ver cómo está industrialización permite generar una mayor cercanía con los clientes, a esto le llamamos personalización masiva, explica el experto.

Las redes sociales cuentan

Una de las fuentes de datos no estructurados más importante hoy es Internet, y en ella, las redes sociales. De hecho, Renato Fiorini destaca dos casos sobre la creciente influencia de los datos no estructurados que se pueden conseguir en la red de redes. Uno es ZestFinance, financiera que descubrió que las personas que dedican más tiempo a leer y completar sus formatos de petición de préstamo, tienen una tasa de incumplimiento más baja en sus pagos. De igual forma sucede con el tiempo que dedican a revisar y comprender el tipo y monto del préstamo que solicitan. Información que se puede recopilar a partir de las visitas que los solicitantes hacen al sitio web de la financiera. “Incluso se descubrió que las personas que llenan los formularios con letras mayúsculas y llenan más campos tienen también una probabilidad de incumplimiento menor”, confirma el experto en riesgo de SAS, y subraya que esta entidad tiene una tasa de morosidad 40% menor que su competencia.

Otro caso es Kabbage, una firma de crédito que se dirige al segmento de pymes, que utiliza las soluciones de analítica avanzada, que en el caso de SAS se conocen como SMA (Social Media Analytics) para monitorear redes sociales como Facebook y Yelp, incluso utiliza datos de PayPal, Amazon, eBay y sitios similares para evaluar a los representantes de las firmas que solicitan créditos. “Los comentarios de los clientes y usuarios de las firmas solicitantes de crédito pueden sumarse a otros datos tradicionales para mejorar el modelo de perfilación y scoring de crédito, al igual que datos de adquisición y transacciones en plataformas de pago y compras, añadiendo actualidad y veracidad al análisis de riesgo en una entidad bancaria o financiera. Claro, es indispensable contar con una herramienta de analítica con inteligencia artificial que sea capaz de ubicar, identificar, engranar e interpretar la información dejándola lista para el análisis y el proceso de decisión de los encargados en la entidad de crédito”, puntualiza Fiorini.

Se puede concluir que las soluciones de riesgo para el actual escenario de competencia en sectores como la banca deben tener la capacidad de recoger y analizar grandes cantidades de datos, tanto estructurados como no estructurados, de fuentes internas y externas, así como de integrarse con sistemas CRM y de marketing, de fuentes de dominio público y con la autorización de los clientes, opinan los expertos, a los que se suma el futurista de TI Thornton May, quien afirma que “es bueno tener un jugador que realmente entiende lo que se necesita hacer, porque los medios sociales sin análisis son ruido. Los medios sociales con análisis son valiosos”.