ciencia de datos

Autor: Daniel Medina

La generación de valor en una empresa con ánimo de lucro se puede asociar entre otros a indicadores de rentabilidad, EBITDA y valor empresarial.  Sin duda alguna, los directivos de las organizaciones buscan continuamente establecer estrategias, objetivos y proyectos que conlleven al crecimiento, es por ello por lo que la investigación en marcos de trabajo para el desarrollo de estrategias de incremento de valor empresarial basados en ciencia de datos resulta desafiante y prometedor.   De otra parte, el sector financiero es un habilitador transversal en la economía para la circulación de recursos de crédito y correcta administración de excedentes, por lo cual el profundizar en escenarios de monetización aprovechado las técnicas de las ciencias de datos se considera relevante y notorio. Dada la diversidad de iniciativas e inversión en el sector Fintech se plantea que el sector financiero y su cadena de suministro tienen cómo prioridad estratégica el aprovechamiento de datos cómo diferencial en el mercado.

El MIT (Instituto Tecnológico de Massachusetts) específicamente en el Centro de Investigación para los sistemas de Información MIT CISR por sus siglas en Ingles, es uno de los actores más activos en la investigación de marcos de trabajo y casos de éxito empresariales relacionados con aprovechamiento de datos en el ámbito empresarial.  Esta institución plantea las cinco capacidades que se deben desarrollar en una organización que desee desarrollar efectivamente una estrategia de monetización basada en datos son: Activos de datos, Plataformas para explotación de Datos, Ciencia de Datos, Capacidad legal de uso de los datos y comprensión de las necesidades del cliente.  Estas cinco capacidades cuentan a su vez con tres niveles de madures que permiten establecer el estado de una organización para desarrollar iniciativas efectivas de monetización de los datos.

Por otra parte, el MIT CISR también ha desarrollado un modelo que permite clasificar las iniciativas de monetización basadas en datos en tres categorías según su enfoque que negocio.  Este modelo se conoce cómo (Improving, Wrapping, Selling) y describe las características de negocio que se abordan en los proyectos de ciencia de datos en las empresas, dándole una clasificación para estudios de industria. A continuación, se resumen los elementos principales de las categorías:

(Improving) Mejorando:

En esta categoría están los proyectos que incrementan la productividad das las organizaciones, disminuyendo costos o escalando los ingresos. “Mejorar los procesos comerciales centrales utilizando datos: ganar dinero haciendo las cosas mejor, más barato y rápido”.

(Wrapping) Empaquetando:

Son iniciativas que generan ingresos adicionales a un producto al mejorar sus informes, reportes, cuadros de mando, entre otros. Se plantea generar crecimiento de ingresos en clientes actuales.  “Análisis de empaquetar en torno a las ofertas: ganar dinero al distinguir las ofertas con características y experiencias”.

(Selling) Vendiendo:

Para esta categoría se consideran las iniciativas que pretende generar servicios de venta de información. Esta categoría requiere contar con un nivel alto de madurez en las cinco capacidades organizacionales.” Vender soluciones de información: ganar dinero implementando nuevas ofertas de información”.

Desde el año 2005, con el inicio de la revolución del internet de las aplicaciones y del contenido social, surgió una imperiosa necesidad transformación digital de los procesos y de la cadena de valor buscando mejorar los ingresos, mitigar los riesgos y disminuir los costos.  Con el objetivo de argumentar la tesis de enfoque estratégico de las ciencias de datos, vamos a enumerar las principales y diversos campos de acción de las iniciativas de ciencias de datos en el sector financiero.

Predicción del riesgo crediticio (Mejorando):

Cada vez que se genera una solicitud de crédito, el banco procede a evaluar si el cliente está en condiciones de abonar ese préstamo con sus correspondientes intereses en un periodo de tiempo determinado en base a múltiples variables como la rentabilidad, el apalancamiento o la liquidez para calcular el riesgo. A continuación, se desarrollan algunas de las problemáticas a resolver en el sector financiero en relación con la optimización en la colocación de crédito:

Disminuir la provisión de cartera en los Bancos: La contabilidad del sector financiero es regulada por la Superintendencia Financiera de Colombia, es decir, que las políticas contables de Provisión de Cartera de las entidades financieras que originan tarjetas de crédito especifican condiciones que en caso de mora de cuotas de la tarjeta crédito de un cliente, la entidad financiera deberá causa contablemente una provisión que responda a un eventual impago del cliente.  Por consiguiente, un cliente que no paga una cuota genera una disminución las utilidades del Banco.

Capacidad limitada de colocación de crédito (solvencia):  La capacidad de colocación de crédito por parte de una entidad financiera se pueda asociar a factores comerciales, tecnológicos y de cobertura comercial, sin embargo, una de las principales restricciones para que por ejemplo un Banco le entregue una tarjeta de crédito a los colombianos es que en el caso de un impago masivo el Banco no tendría cómo responder a sus ahorradores. Por lo tanto, la Superfinanciera establece indicadores que permitan monitorear el nivel de solvencia de una entidad y así conocer el riesgo que está generando al mercado financiero.

Las técnicas de ciencias de datos facilitan estas complejas tareas, calculando las variables críticas y con gran precisión evaluar los modelos de riesgo de créditos basados en datos financieros, comportamiento crediticio y consumo de los clientes. De esta forma se puede identificar cuándo incrementar o reducir la línea de crédito de un cliente en base a la aversión del banco al riesgo.

Análisis y segmentación de clientes (Empaquetando):

El estudio y análisis de los datos es la mejor forma de conocer el comportamiento de los clientes, su nivel de afinidad, relación y cuáles son sus patrones de conducta en determinados segmentos, lo que permite diseñar estrategias o recomendar productos específicos a través de campañas de publicidad personalizadas.

Detección de fraudes (Mejoramiento, Vendiendo):

A través del aprendizaje de máquina se pueden detectar posibles fraudes en tiempo real. La correlación de eventos transaccionales permite extraer datos y patrones de comportamiento para identificar comportamientos anómalos o acciones sospechosas, en cuyo caso existe la posibilidad de solicitar un segundo factor de autenticación o verificación adicional de las transacciones.

Aumento de la productividad (Mejoramiento):

La mayoría de las innovaciones tecnológicas del sector financiero van encaminadas a reducir la fricción que puede existir en los procesos tanto con el cliente como de manera interna. La automatización de procesos automáticos y recurrentes permite que los empleados que antes realizaban esas tareas puedan focalizarse en otras tareas o funciones de mayor valor o urgencia.

Podemos concluir que las iniciativas de creación de valor en las organizaciones con ánimo de lucro, a partir del aprovechamiento de datos se pueden clasificar en proyectos de Mejoramiento, Empaquetamiento o Ventas de servicios de información.  En el sector financiero se identifica el objetivo de desarrollas capacidades diferenciadas para entendimiento de necesidades de los clientes y en ciencia de datos.

En el centro de la innovación de estas compañías se encuentran directivos con alto grado de convencimiento y científicos de datos con altas capacidades técnicas y de negocio convirtiendo al sector financiero en uno de los sectores de mayor participación en la evolución de las ciencias de datos.

Deja un comentario