Gestión de datos en empresas financieras: Retos y oportunidades

Con los avances digitales y desarrollo de nuevas tecnologías como la nube, la inteligencia artificial y el aprendizaje automático, las instituciones financieras cuentan con diversas herramientas para ofrecer un mejor servicio a sus clientes y dar soluciones más eficientes a las operaciones que realizan.

Entre ellos se encuentra la adopción de información no estructurada en procesos como el otorgamiento de créditos a usuarios y empresas, una alternativa prometedora pero también con el riesgo que implica el uso de datos por fuera de los más convencionales como balances contables y reportes financieros.

¿En qué consisten los principales desafíos para el sector en general y para las decisiones en materia de créditos?

Los desafíos de data management en el sector financiero

La gestión de datos financieros es un conjunto de procesos y políticas que permiten la consolidación de la información financiera, el cumplimiento de las normas y leyes contables y la producción de informes financieros detallados.

Entre los principales desafíos con riesgos y oportunidades para el sector se destacan:

• Foco en el cliente y compromiso digital: los clientes exigen cada vez más personalización por parte de las empresas. La gestión de datos granulares puede ofrecer experiencias integradas y servicios hiperpersonalizados y habilita la integración e intercambio de datos de clientes entre funciones.
  
  
• Agenda de crecimiento: enfoque hacia iniciativas generadoras de valor no sólo desbloqueando eficiencias, sino también proyectando nuevos modelos de negocios, diversificación de las carteras de productos e impulso a la innovación.
  
  
• Reportes regulatorios: los reguladores se vuelven más sofisticados y las instituciones financieras deberán satisfacer los requisitos y expectativas, respaldar los objetivos de cumplimiento cambiantes e impulsar la eficiencia en los procesos de presentación de informes.
  
  
• Calidad y resiliencia de los datos: la precisión de los datos en las primeras etapas del ciclo de vida y la definición de métricas de informes buscan demostrar el buen estado de los datos a la alta dirección. El riesgo cibernético sigue siendo una máxima prioridad.
  
  
• Modernización de la infraestructura de datos: la adopción de las nuevas tecnologías incluye la implementación de la nube pública, el fomento de la agilidad y el respaldo de la banca abierta y los servicios financieros. Implementar una combinación de tecnología, herramientas y datos basados ​​en los casos de uso de mayor prioridad será un aspecto fundamental.

El aporte de Big Data al credit scoring

Los métodos de credit scoring son algoritmos evalúan el riesgo de crédito de un solicitante de financiamiento entre “bueno” y “malo” según su probabilidad de default. Para realizarlo, los modelos de riesgo de crédito utilizan como insumo dos tipos de variables: los números contables publicados en reportes financieros y la información proveniente de los mercados financieros como retornos de las acciones y precios de la deuda.

Tal vez te interese leer:
5 pasos claves para mejorar la calidad de datos en tu empresa

Un enfoque alternativo y novedoso es la incorporación de la información textual para mejorar la evaluación del riesgo crediticio con datos cualitativos. Esta información incluye:

• Artículos de noticias sobre los últimos desarrollos de las empresas.
• Informes de analistas con análisis profundos sobre las estrategias de las empresas, el posicionamiento competitivo y las perspectivas.
• Clasificaciones de productos en los sitios de compras online con la satisfacción del cliente.
• Redes sociales con las últimas noticias y comentarios de clientes en tiempo real.

Con estos insumos, se implementa una técnica denominada análisis de sentimiento que utiliza el procesamiento del lenguaje, análisis de texto y herramientas computacionales para clasificar comentarios subjetivos de diferentes usuarios. Así, a la información textual expresada en cualquier formato se asigna un número que representa un tipo y grado de opinión transformando la información cualitativa en cuantitativa y comparable.

Este índice se integra en el sistema de calificación con un peso adecuado y puede ser utilizado para la evaluación de clientes para los que se cuenta con información limitada. Sin embargo, el uso de esta información presenta retos:

• Para usar datos textuales, se requiere una capacidad computacional potente con herramientas de programación que puedan leer, procesar y analizar los grandes volúmenes de información.
• Los datos no se encuentran almacenados en una estructura tradicional para su análisis.
• No existen procedimientos estándar para que una máquina analice e interprete un texto escrito en un lenguaje natural.

En suma, el potencial de las nuevas tecnologías y el Big Data en el sector de los servicios financieros es innegable. Los desafíos a sortear son complejos, pero se abren numerosas oportunidades para la mejora de las experiencias de los clientes, la eficiencia operativa y gestión de riesgos.

¿Desea conocer más de Data Management? Contáctanos