La data estructurada y la disminución de los riesgos bancarios

    120
    Compartir
    Los proveedores de servicios  bancarios en el mundo se han embarcado en un viaje de digitalización, que implica inversiones en la transformación digital.

    Los proveedores de servicios bancarios 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.

    “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.

    “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” explica Fiorini de SAS.

    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.

    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.