Que la revolución del Big Data ha cambiado y está cambiando el mundo de los negocios es algo que ya nadie pone en cuestión. La capacidad tecnológica de procesar y analizar miles de datos de múltiples fuentes y transformarlos en información es clave para tomar mejores decisiones empresariales y de forma más rápida.
Un campo donde esto es especialmente útil es en la gestión de riesgos financieros, es decir, la gestión que los bancos y entidades financieras hacen de sus cinco riesgos principales: el de crédito, el de mercado, el operacional, el del tipo de interés y el relacionado con la rentabilidad.
El sector bancario, líder en digitalización e innovación, es pionero también en la adopción de tecnologías disruptivas como el Big Data y la Inteligencia Artificial en la gestión de riesgos. La explicación es sencilla: disponen de un enorme caudal de datos e información, y su análisis es clave para su negocio y para la seguridad de los clientes, permitiendo anticiparse a futuros problemas en las transacciones y todo tipo de operaciones bancarias y financieras.
Conectando más datos para predecir, anticipar y minimizar riesgos
Tradicionalmente, la gestión de riesgos financieros ha utilizado datos aislados sin que éstos se conecten de manera sistemática con otras fuentes de la organización.
Esto ha cambiado con la incorporación de las tecnologías de Big Data: los datos de comportamiento se pueden cruzar en tiempo real con información como el histórico de transacciones, pero también con datos de patrones de compra, geolocalización, actividad en redes sociales y muchos otros. Esto permite a las entidades financieras importantes mejoras en la gestión del riesgo al trabajar con modelos más potentes, con mayor capacidad de predicción y con una cobertura del riesgo más extensa.
Esto explica que según Ben Fidlow, líder del equipo global de Core Analytics (el departamento de Risk & Analytics de Willis Towers Watson), gracias al Big Data la capacidad de cuantificación del riesgo es hoy hasta 10 veces mayor.
Además, desde el momento que el análisis de los datos se puede realizar en tiempo real, también se están acortando los tiempos de respuesta ante un riesgo. Así se puede contactar antes con los clientes para, por ejemplo, verificar rápidamente las transacciones sospechosas o informar antes de potenciales amenazas.
¿Cuáles son las áreas financieras que se benefician del Big Data?
Gestión del fraude y del blanqueo de capitales
Uno de los beneficios más destacados del Big Data en la gestión de riesgos es la lucha contra el fraude. Gracias a la capacidad analítica y predictiva de los algoritmos, los delitos financieros se pueden detectar con antelación y, además, con mayor precisión.
Entre estos delitos, uno de los que más quebraderos de cabeza da a las entidades y a las autoridades, es la detección del blanqueo de capitales. En este sentido, gracias al análisis masivo de datos y la inteligencia artificial se están logrando importantes avances como la identificación temprana de correlaciones ocultas, la detección de patrones de conductas sospechosas o la automatización de alertas.
Gestión de impagos
Del mismo modo que ocurre con los fraudes, el análisis masivo de datos también permite detectar con rapidez y antelación potenciales impagos de préstamos.
Un ejemplo ilustrativo del que se ha hablado bastante es el de Neo Finance, una fintech (es decir una compañía tecnológica que ofrece servicios financieros de nicho) que mide el historial laboral y el número y calidad de las conexiones de LinkedIn de un trabajador para predecir su estabilidad en el empleo y los ingresos futuros, y, por tanto, el riesgo de impago. Las entidades bancarias han decidido no incluir esta variable en sus métodos de valoración de la calidad de sus clientes, pero sí que incorporan otras, como por ejemplo, el pago con tarjeta en TPVs.
Independientemente de los métodos utilizados, y según el Índice de Gini, las tecnologías de Big Data y Machine Learning habrían aumentado la capacidad de detección de problemas de devolución de crédito entre 60% y 90%.
Este mejor conocimiento de los clientes y su clasificación en función de su capacidad de pago, está permitiendo a las entidades no sólo prevenir impagos sino también definir los productos más idóneos y personalizados para cada perfil de cliente.
Riesgo de Mercado
Los modelos predictivos basados en Big Data permiten a los bancos simulaciones más sofisticadas de las variables clave que inciden en su negocio y en el de sus clientes como, por ejemplo, los tipos de interés, los tipos de cambio o el precio de las materias primas.
De esta manera es posible para las entidades bancarias anticipar con más precisión cambios de tendencia en estas magnitudes y gestionar de manera más eficaz su impacto en la actividad bancaria y mitigar, por tanto, los posibles riesgos.
