Las empresas cada vez están más orientadas a los datos. Pero, ¿en qué se traduce esto en la práctica? Los datos en bruto tienen un uso limitado, por lo que para sacar el máximo partido a esta información es necesario contar con herramientas que analicen y extraigan la información útil. La analítica de datos es una ciencia que consiste en examinar datos en bruto para extraer conclusiones, las cuales pueden utilizarse para la toma de decisiones empresariales y eficientar los procesos de negocio.
Existen cuatro tipos clave de analítica que las organizaciones financieras pueden utilizar, cada cual con un nivel mayor de complejidad:
1. Análisis diagnóstico
Este tipo analiza datos del pasado para entender por qué ocurren las cosas. Se basa en el análisis descriptivo, un proceso más simple que consiste únicamente en describir (en lugar de explicar) lo que ha ocurrido con anterioridad.
Este modelo utiliza métodos como la teoría de la probabilidad y el análisis de regresión para encontrar nexos entre variables que expliquen acontecimientos. Así, puede utilizarse, por ejemplo, para adquirir una mayor comprensión de los retos a los que se enfrenta su empresa.
2. Análisis predictivo
Mientras que el análisis de diagnóstico contribuye a entender el pasado, el sistema predictivo se centra en prever lo que va a ocurrir en el futuro. Para ello, presenta posibles resultados basándose en los datos existentes.
El análisis predictivo es una herramienta especialmente útil en el sector financiero. Por ejemplo, puede utilizarse para predecir el riesgo de impago de un individuo en relación a su tarjeta de crédito o un préstamo en base a sus características e historial de pagos. Estas predicciones sirven de sustento para las decisiones que se toman durante el proceso de preaprobación, por lo que la evaluación del crédito disponible es más rápida y precisa.
Un estudio realizado en colaboración con el London Institute of Banking and Finance reveló que el 38% de los bancos cree que el análisis predictivo ofrece mejoras significativas en el proceso de validación del crédito.
Otra aplicación del análisis predictivo consiste en predecir la rotación de clientes. American Express emplea este sistema para identificar las cuentas que tienen más probabilidades de cerrar. En este sentido, la empresa considera que puede detectar el 24% de las cuentas australianas que cerrarán en los próximos cuatro meses. Gracias a esta información, puede adoptar acciones que eviten el mayor número posible de cierres.
3. Análisis prescriptivo
El modelo prescriptivo va más allá del análisis diagnóstico y del análisis predictivo, puesto que puede indicar qué acciones se necesitan llevar a cabo para lograr un resultado específico de cara al futuro. Además, indica cuál es la mejor opción. Con estas capacidades, el análisis prescriptivo puede ayudar a las empresas a que minimicen contrapartidas a la hora de alcanzar objetivos empresariales.
Por otra parte, este tipo de análisis permite a las empresas simular de forma efectiva potenciales ideas antes de implementarlas de forma real, lo cual ayuda a la optimización de la toma de decisiones. De este modo, si, por ejemplo, una empresa está buscando expandirse, la analítica prescriptiva podría proporcionarle información sobre aquellas áreas de expansión donde tendría más éxito y aquellas que no serían rentables debido a su alto coste.
El potencial que aporta el análisis prescriptivo al sector financiero es enorme. En el sector bancario, por ejemplo, puede ofrecer asesoramiento y servicios personalizados a los clientes, optimizando las ventas y mejorando su nivel de satisfacción. En este sentido, un banco importante de España, con más de 90 millones de clientes, ha recurrido al análisis de datos para optimizar ventas, lo cual se ha traducido en una mayor satisfacción de los clientes y en un aumento del retorno sobre la inversión (ROI).
4. Análisis autónomo y adaptativo
El tipo de analítica más avanzada, que se puede utilizar a día de hoy es la relacionada con análisis autónomo y adaptativo. Este modelo revisa datos continuamente, adaptándose y aprendiendo a optimizar el rendimiento a medida que cambian los bloques de información. Se considera «autónomo» porque se basa en el aprendizaje automático (Machine Learning), lo que le otorga la capacidad de aprender algoritmos de forma autónoma. Estos algoritmos mejoran constantemente a medida que los conjuntos de datos se vuelven más grandes y más complejos.
Asimismo, el análisis autónomo y adaptativo tiene la capacidad de mejorar de forma considerable las capacidades de toma de decisiones de las empresas. Se adapta y aprende sin necesidad de intervención humana, lo que disminuye la carga de trabajo del personal. Esto disminuye los costes y reduce el riesgo, lo que se traduce en un mejor rendimiento de los procesos de negocio en general.
Otra aplicación destacada del análisis autónomo y adaptativo en el sector financiero es la detección de fraudes. Dado que recibe feedback en todo momento, este sistema es capaz de almacenar información actualizada sobre amenazas, mejorando la sensibilidad al fraude a medida que cambian los patrones de estafa. Además, la tecnología adaptativa también puede implementarse para analizar decisiones marginales, aquellas en las que una operación está en el límite de ser investigada como un fraude.
De hecho, el proveedor de servicios financieros de origen nórdico Danske Bank ha adoptado una solución de tecnología analítica que permite detectar fraudes a través de una plataforma capaz de puntuar el riesgo de una operación de entrada en menos de 300 milisegundos, detectando así el fraude en tiempo real.
Un potencial por descubrir
A pesar de que muchas empresas ya emplean el análisis diagnóstico o predictivo, en la actualidad todavía son pocas las que utilizan herramientas de análisis más avanzadas.
De hecho, según un reciente estudio llevado a cabo por la ACCA (Associations of Chartered Certified Accountants), que contó con la participación de líderes financieros, analistas financieros y especialistas de datos, descubrió que el 56% de los encuestados utilizaba análisis diagnóstico, un 43% se decantaba por el modelo predictivo, y sólo algo más del 30% empleaba el sistema prescriptivo.
En este sentido, tanto el análisis prescriptivo como el análisis autónomo/adaptativo tienen mucho potencial a la hora de mejorar la calidad y los resultados de las decisiones que se toman en base a datos. Hasta la fecha, este potencial apenas ha sido explorado en el sector financiero. Sin embargo, cada vez se está adoptando más el análisis avanzado, lo cual resulta muy prometedor para los servicios financieros a nivel global.
Mecanismos correctores (Checks and balances)
A medida que la tecnología se vuelve más inteligente y desarrolla una capacidad de autoaprendizaje, necesitamos garantizar que se implementan mecanismos correctores (checks and balances) adecuados.
La analítica se sirve de los datos para categorizar a las personas, pero las empresas necesitan valorar qué tipos de predicciones son útiles y deben permitirse y cuáles no. Por tanto, se deben adoptar medidas para garantizar que los algoritmos de aprendizaje automático no absorban y amplifiquen los sesgos inconscientes presentes en la sociedad.
Finalmente, como siempre, la calidad de los datos resulta esencial. Si se utilizan datos limitados y de baja calidad, los beneficios del análisis se verán mermados. Para obtener los mejores resultados es necesario realizar una limpieza de datos.
El análisis avanzado transformará el modo en el que funcionan las instituciones financieras. Si se establecen los mecanismos correctores adecuados, tanto las empresas como los clientes se beneficiarán enormemente de su implementación.
Amplía información y descarga el whitepaper A business leader's guide to AI governance in finance