Cada área del ciclo de vida, desde marketing y retención de clientes hasta cobranza y cumplimiento puede, en teoría, beneficiarse de la aplicación de herramientas y técnicas de ciencia de datos más sofisticadas para conjuntos de datos en rápido crecimiento. El uso de Big Data, AI, Advanced Analytics y Cognitive Computing fue catalogado como la tendencia principal en banca para 2019, según una investigación de The Digital Banking Report. Y con mucha razón.
Y, sin embargo, para muchos ejecutivos de negocios con los que hablo, los beneficios de aplicar analítica avanzada a estos casos de uso siguen siendo frustrantemente teóricos. ¿Por qué?
En pocas palabras, los bancos pasan comparativamente demasiado tiempo tratando de averiguar cómo predecir algo (o cómo mejorar la precisión de una predicción existente) y no el tiempo suficiente para determinar cómo su gente, sus procesos y su tecnología deberían cambiar si es que tienen éxito.
Resulta que, con los datos correctos, se puede predecir el incumplimiento estratégico (en el que un consumidor que se encuentra ahogado por el pago de su casa elegirá el incumplir con los pagos de su hipoteca para seguir pagando tarjetas de crédito, préstamos para automóviles, etc.) con un grado sorprendente de precisión.
El problema era que, una vez que tenían un modelo predictivo, por defecto, estratégico en la mano, la mayoría de los prestamistas descubrieron que no les servía de nada. Podían identificar a un prestatario específico, que vivía en un edificio de casas inundadas y que estaba incumpliendo estratégicamente su hipoteca. Sin embargo, no pudieron ofrecer a ese prestatario un plan de pago reestructurado sin desencadenar una serie de incumplimientos estratégicos adicionales en el resto del edificio.
Ahora que hemos dejado de lado nuestra advertencia, echemos un vistazo a cómo debería hacerse. Aquí hay tres ejemplos de cómo los bancos están logrando alinear la analítica avanzada con las realidades operativas para generar un retorno sustancial de sus inversiones.
- Antilavado de dinero. Hoy en día, la mayoría de los informes de actividad sospechosa (SAR) se generan mediante el monitoreo de transacciones a través de reglas basadas en escenarios. Con el uso del aprendizaje automático y la analítica predictiva, podría generar más del 90% de los mismos SAR de forma automática, sin asistencia humana (sin mencionar la captura de una multitud de nuevos eventos de lavado de dinero perdidos por el monitoreo de transacciones actuales).
- cobranza, Se puede utilizar analítica avanzada para segmentar, a un nivel extremadamente granular, prestatarios morosos en diferentes grupos. Si un banco puede identificar un segmento de cuentas vencidas que se curarán por sí solas o con un recordatorio ligero a través de un canal de comunicación automatizado, entonces pueden mejorar su eficiencia operativa al no asignar esas cuentas a agentes de cobranza humanos. Una vez más, una buena estrategia de implementación es crítica.
- Pérdida de clientes. trabaja con un gran proveedor de telecomunicaciones que lucha, como todas las empresas de telecomunicaciones, con la rotación de clientes debido al desgaste de los mismos. Para combatir esto, han reunido un “equipo tigre” de especialistas en servicio al cliente que son notablemente efectivos para convencer a los clientes para que no se vayan. Este Grupo de Intervención es altamente efectivo, siempre y cuando estén enfocados en los clientes correctos. Ahí es donde entran en juego la analítica.
El papel de la analítica en la transformación del negocio tiende a ser la estrella (nosotros en FICO somos ciertamente culpables de esto). La verdad es que la analítica es una herramienta extremadamente poderosa, pero la efectividad de cualquier herramienta depende en gran medida de cómo se use. Los banqueros que toman decisiones analíticas de inversión harían bien en recordar esto.
Por Tim VanTassel, Solutions and Advisory Group-Vice President and General Manager de FICO
