ABSTRACT
Big Data turns out to be a modern tool that allows companies to use in an appropriate and organized
way the data they collect for use in making decisions. Due to the valuable information that this
has, it offers us a great opportunity to get to know our client better, analyzing the behavior of their
clients, their needs and expectations in order to offer personalized and value-added services.
As far as the financial sector is concerned, we still notice a certain deficiency in information
management and security, due to the fact that this sector is in constant digital changes, which is
why these entities are setting their batteries to speed up and implement the use of Big Data in the
management of its activities, thanks to a good management of this technology in the banking
sector, this is much simpler since the information such as the products the client sells, where he
pays them with his credit cards, where he browses the most (in which web pages ), etc. They come
together in one and we would not have to resort to other sources of information.
INTRODUCCIÓN
La revolución del sector financiero se dio en el 2008, cuando inició su crisis debido a que en
ese momento se regularon todas leyes de protección de datos, tanto bancos como aseguradoras
tuvieron que regular en sus acciones de marketing y gestión y en el uso y almacenamiento de
datos de los clientes. Este acontecimiento impulsó que el sector se pusiera las pilas en agilizar
y propiciar los procesos de mejora para cumplir con las nuevas normativas.
Día a día hay que seguir preparándose para estar en forma dado que las velocidades de
transformación de estas nuevas disciplinas nos obligan a velocidades de adaptación a las que no
estábamos acostumbrados, pero de las que hoy no hay manera de escapar. Todo está moviéndose
a gran velocidad, cambiando, inventándose y volviéndose a inventar. Con la ayuda del Big Data
se irá en constante mejora en la gestión bancaria de los datos, la ruta de la banca en la vía del
Big Data va a ofrecer muchos beneficios en conocimiento de los clientes y del mercado Y esta vía
más tarde o más temprano, todos nos vamos a incorporar.
Big Data puede brindar grandiosas posibilidades en distintos ámbitos a nivel privado, público y
empresarial, como en este caso bancario. Pero también como en el caso bancario, sin una nueva
perspectiva y trabajo, que permita desarrollar e introducir plenamente el concepto en un ámbito
concreto las múltiples oportunidades de negocio y ventajas pueden quedar reducidas a potenciales
problemáticas y posteriores susceptibilidades.
Sin embargo, actualmente el gran desafío de las empresas dedicadas a las finanzas es
convertirse en entidades más desarrolladas e inteligentes, aplicando nuevas herramientas que
nos brindan las nuevas tecnologías, como es el caso del Big Data. De esta forma, consiguen ser
más competitivas y son capaces de ofrecer un servicio personalizado al consumidor y al mismo
tiempo esa información nos permitirá modificar los productos, servicios, procesos, circuitos o
crear nuevos, para dar respuestas más exactas a lo que nos pide el mercado.
PALABRAS CLAVE
Big Data, Servicio Bancario, Calificación crediticia, fraude, las nuevas plataformas de
servicios.
BIG DATA
Big Data implica un enorme volumen de datos sin estructura, siendo el principal reto
precisamente, darles una estructura eficiente para usos múltiples. Por ejemplo, usando
geolocalización se puede recoger información detallada de los usuarios frecuentes del metro, de
una autopista o de un establecimiento. Se pueden realizar encuestas y recopilar datos económicos
a través de aplicaciones móviles gratuitas, incluso integrar diversas fuentes de datos en la nube
(Abarca, 2017).
SERVICIO BANCARIO
La gestión de Big Data es un factor clave para el éxito o el fracaso de los bancos. Esta es la
conclusión principal que ha obtenido GFT tras realizar un estudio sobre los retos de Big Data para
los servicios financieros en banca minorista, corporativa e institucional y en compañías
aseguradoras (“Big Data – Uncovering Hidden Business Value in Financial Services”; en
castellano: “Big Data – Descubriendo el valor de negocio oculto en servicios financieros”).
(BLAS, 2015)
CALIFICACIÓN CREDITICIA
Khandani et al. (2010) muestran cómo se pueden mejorar los modelos de predicción del riesgo
de impago ampliando el número de variables y utilizando algoritmos de machine learning. En
particular, combinando la información sobre las transacciones de los clientes y los credit scores
generados por agencias de calificación de la calidad crediticia de los consumidores (credit bureaus)
se puede obtener una mejora muy significativa de la predicción fuera de la muestra. La mejora en
la predicción del impago alcanza el 85 por 100 con un ahorro de entre el 6 y el 25 por 100 de las
pérdidas totales.
Kallerhoff (2012) también muestra, usando algoritmos de machine learning, que la calificación
crediticia original es el componente más importante en la predicción de impagos en una muestra
de 500.000 clientes y 250 millones de transacciones de cooperativas de crédito.
DETECCIÓN DE FRAUDE
Esto es importante porque, a día de hoy, la mayoría de bancos del mundo fundamentan su lucha
contra el fraude en la elaboración de modelos de patrones derivados de subconjuntos de
transacciones históricas. Por tanto, la capacidad de las entidades para evitar el fraude que se comete
por primera vez y en tiempo real es muy reducida. Además, esos modelos históricos no tienen la
actualización debida por razones de costes. Otro elemento importante es la balanza de satisfacción
del cliente: las entidades financieras siempre miden la cancelación de operaciones supuestamente
fraudulentas por miedo al enfado del cliente que, a diferencia de lo establecido por el modelo
predictivo, hizo una operación legal. (BBVAOPEN4U, 2018)
Siendo cierto que cada vez es más exigente con la banca y más favorecedora de la competencia
y del servicio de valor añadido para el Cliente (por ejemplo, la PSD2 y su extensión a la “open
banking architecture” o la rebaja de los interchange fees) puede convertirse en una oportunidad.
Los jugadores tradicionales deben capitalizar su histórica relación con el regulador en este “río
revuelto” de la reinvención del negocio. (INDRA, 2017)
Otras aplicaciones del Big Data son la gestión de la “omnicanalidad” tan importante en un
contexto en el que las nuevas tecnologías ponen a disposición de los clientes un mayor número de
canales de comunicación mejorados y alta capacidad de transacción con las empresas y la
definición de estrategias de fijación de precios (pricing) dinámico por segmento de cliente, en un
contexto que se acerca al tiempo real. (Banca, 2017)
CONCLUSIONES
Finalmente podemos decir que el Big data organizar de forma adecuada la información, que
obtiene diariamente una entidad en cualquier sector que se encuentre. Si hablamos del sector
financiero, notamos una escasez de administración de información digital debido a los frecuentes
cambios que tiene la tecnología, por ello hay financieras que ya están agilizando su proceso para
utilizar el big data, ya que el Big data también crea nuevas oportunidades en el campo del
marketing,
El Big Data tiene aplicaciones en la cual los clientes de las entidades financieras pueden acceder
a la información financiera (cuentas) de distintas entidades financieras sin necesidad de abrir varias
páginas. También podemos decir que con el Big Data sirve para los comercios gracias a una
plataforma de pago se puede saber si los usuarios son varones o mujeres, si compran mucho o
poco, otros lugares donde compran, los comercios tienen más información de sus clientes. El Big
Data también tiene que ver con el mundo bursátil de manera que esto ayuda a una mejor decisión
al momento de ver si quiere comprar valores, el Big Data le presentara una serie de gráficos
estadísticos para que tome una decisión adecuada y prudente. De igual manera el Big Data ayuda
a las financieras a saber la capacidad de pago de los clientes a la hora de dar un préstamo.
REFERENCIAS