El actual entorno de información masiva, el llamado big data en el que se mueven hoy las entidades financieras, ofrece oportunidades de utilizar los nuevos datos disponibles sobre sus clientes, presentes y potenciales, para mejorar sus estrategias comerciales. El término big data se refiere principalmente a estas nuevas masas de datos recogidos de forma automática que están ya cambiando el mundo en que vivimos y que engloban no solo los datos personales de millones de personas, sino los datos recogidos por sensores instalados para seguir el comportamiento de animales, el crecimiento de los cultivos, el funcionamiento de máquinas y procesos o la evolución de fenómenos meteorológicos o climáticos. Los nuevos datos incluyen no solo tablas de datos numéricos tradicionales, sino imágenes, videos, contenidos de la web, de redes sociales, y datos recogidos de forma automática por sensores con información temporal y espacial, incluyendo geolocalización. Estos nuevos datos afectan ya a cómo cuidamos nuestra salud, utilizamos nuestro ocio y nos relacionamos. También están teniendo una influencia decisiva en la posición relativa de las empresas en cada sector y cambiando las grandes empresas en el mundo. Por ejemplo, a finales del siglo XX las 10 mayores compañías mundiales por valor en bolsa pertenecían principalmente a los sectores del petróleo y la fabricación de coches, mientras que en 2019 siete de las diez mayores empresas del mundo están basadas en la combinación de tecnología, software y big data y las cuatro primeras (Microsoft, Apple, Amazon y Alphabet/Google) han sido decisivas en impulsar la revolución de los datos masivos.
Los nuevos datos masivos (big data) permiten mejorar las políticas empresariales. Tienen la capacidad de revelar patrones de comportamiento y de relación de los clientes para segmentarles mejor y hacerles ofertas más personalizadas. Además, esta información detallada permite construir modelos con mayor capacidad predictiva. Algunas de las nuevas herramientas desarrolladas en los últimos años bajo los nombres de ‘aprendizaje estadístico’ (statistical learning), e ‘inteligencia artificial’ y ‘aprendizaje automático’ (machine learning) son especialmente útiles para estos objetivos y algunas de las áreas donde ya están añadiendo valor mediante su uso.
Las predicciones mezclando distintos tipos de información (nowcasting) están proporcionando información sobre nuevos problemas. Por ejemplo, sobre el mercado de valores, combinando información estándar con la extraída de textos y mensajes de webs financieras y de redes sociales. También se ha utilizado la opinión agregada de tweets individuales para predecir con éxito rendimientos empresariales y, en marketing, se está incorporando información de cámaras y micrófonos para captar las reacciones de clientes a la proporcionada por un dependiente o una pantalla. Estas herramientas se están también empleando para monitorizar la lealtad de los clientes y calcular sus probabilidades de abandono.
«Bancos, cajas de ahorro y otras instituciones financieras pueden mejorar su situación diseñando mecanismos para recoger y analizar la enorme cantidad de información que genera la actividad económica de sus clientes y aprovechándola para adaptar mejor sus políticas comerciales a las necesidades de sus clientes».
El estudio de la red de clientes de una institución financiera, como puede ser un banco, es una fuente de información muy importante en varios aspectos. En primer lugar, es una pieza fundamental para entender la importancia de sus clientes analizando su posición en dicha red. Tradicionalmente, se ha tendido a considerar que la importancia de un cliente se mide a partir de sus recursos económicos. Esta medida ignora la importancia estratégica de un cliente dentro de la institución y su posición y relaciones dentro de la red de clientes. La importancia de un cliente depende claramente de las consecuencias para el banco de que deje de serlo. En segundo lugar, la red de clientes es una pieza fundamental para captar la presencia de grupos de clientes cohesionados (con fuertes relaciones entre ellos). Conocer la presencia de estos grupos es muy relevante para orientar determinadas políticas. En tercer lugar, la red de clientes también puede ser utilizada para explicar y predecir determinados comportamientos de los clientes.
El aumento de las operaciones de pago con medios digitales, tarjetas, teléfonos móviles, etc. ha generado nuevas formas en que los delincuentes pueden cometer fraudes. Los dos tipos de fraude financiero más importantes en la actualidad son los que se llevan a cabo a través de compras con tarjeta de crédito o mediante la utilización fraudulenta de la cuenta bancaria. La disponibilidad de mucha más información respecto al uso de la tarjeta y del manejo de la cuenta con algoritmos automáticos de aprendizaje sobre los hábitos y características de su propietario permiten detectar mejor las operaciones fraudulentas pasando de modelos generales de detección del fraude a modelos específicos para cada tipo de cliente, en función de su situación. Además, el estudio de los datos pasados permite prever el tipo y características del defraudador que suele estar asociado a un tipo de cliente.
Los resultados de un estudio de diferentes redes de clientes del Banco Santander son reveladores. El objetivo del proyecto consistía en determinar si la información contenida en las redes de clientes del banco y en la estructura de sus relaciones es de utilidad para mejorar sus políticas comerciales. Los resultados del proyecto demostraron que la respuesta es claramente afirmativa: disponer de la red de clientes permite en primer lugar clasificarles mejor por su importancia; segundo, utilizar la red mejora la captación de nuevos clientes; finalmente, mejora la predicción de la morosidad.
Por tanto, cabe recomendar a bancos, cajas de ahorro y otras instituciones financieras que diseñen mecanismos para recoger y analizar la enorme cantidad de información que genera la actividad económica de sus clientes y que aprovechen esta información para adaptar mejor sus políticas comerciales a las necesidades de sus clientes. Un uso inteligente de toda esta información puede aumentar la lealtad de los clientes con su institución, mejorar la imagen pública del banco y situarlo en una posición más sólida ante los retos futuros derivados de la posible entrada en el sector financiero de las empresas líderes en la recogida y manejo de información.
Esta entrada es un resumen del artículo ‘Las nuevas oportunidades del big data para las entidades financieras’, disponible en el número 162 de Papeles de Economía Española: La gestión de la información en banca: de las finanzas del comportamiento a la inteligencia artificial
El próximo 20 de abril, Funcas organiza el workshop “Nuevos métodos de predicción económica con datos masivos“. Programa y formulario de inscripción disponibles aquí.
