Nuevo

El papel del análisis de datos en la toma de decisiones estratégicas en el sector financiero

Una de las fuentes de riqueza más importantes del siglo XXI son los datos. Vivimos en la Era de la Información. Muchas veces el problema no es acceder a ellos, ya que están disponibles, el problema es entender y tratar esos datos de manera ágil y eficiente.

Tabla de Contenidos

Desde los inicios de Coinscrap Finance, nuestro objetivo ha sido simplificar las finanzas y hacerlas accesibles a todo el mundo. Las entidades financieras tienen dificultades para analizar las transacciones bancarias que son realizadas por sus clientes, elaborar un análisis profundo y aprovechar estos datos para ofrecer un servicio más personalizado.

La carrera por obtener valor de los datos bancarios es un reto abierto desde hace tiempo y la regulación PSD2 lo ha potenciado. El uso de algoritmos de IA para categorizar y clasificar de manera automática los textos cortos utilizados en las transacciones bancarias permite obtener datos del usuario como: nivel de ingresos, estilo de vida, seguros, pagos recurrentes, etc. Estos permiten mejorar la propuesta de valor de bancos y compañías aseguradoras.

El análisis de datos nos permite:

Óscar Barba

Cofundador y CTO de Coinscrap Finance

Realizar una clasificación automatizada de la categorías del gasto

En un estudio realizado por Pure Storage y Bredin, a 500 Responsables de IT a nivel global, el 86% de los encuestados indicó tener planes para aumentar el uso de datos en 2023. Por su parte, el análisis de Artem Mateush (et al.) deja claro que la clasificación automatizada de pagos tiene dos enfoques disponibles: basado en reglas y basado en aprendizaje automático. 

En el enfoque basado en reglas o expresiones regulares, se mantiene un conjunto de pautas para asignar cada registro de pago a una categoría. Por ejemplo, se podría establecer una regla que clasifique todos los pagos relativos a telecomunicaciones como "Internet". Este enfoque es simple pero puede ser complicado con la actualización continua de datos de las compañías.

Una alternativa es construir un modelo de aprendizaje basado en Machine Learning , a partir de un conjunto de datos etiquetados. El enfoque sería adquirir los datos propios o de clientes y etiquetarlos con equipos especializados, que generen esa base de conocimiento necesaria para poder entrenar y construir estas soluciones que simulan razonamiento humano y generan una salida en tiempo real similar a la que haría personal cualificado. 

86% de los encuestados indicó tener planes para aumentar el uso de datos en 2023."

Además, transacciones similares de diferentes clientes pueden tener etiquetas distintas, lo que se conoce como el problema del “ruido”. La Inteligencia Artificial, y más concretamente el Machine Learning, permiten que el sistema pueda aprender, localizar patrones y ser capaz de automatizar la categorización, aunque se suele complementar con cierta supervisión humana.

Ofrecer herramientas de planificación financiera personalizadas

En la actualidad, el Deep Learning –una disciplina dentro del Machine Learning–, trabaja para conseguir que el aprendizaje del sistema sea autónomo y así lograr el gran reto de simular cómo aprende el cerebro humano. Para llevar a cabo la clasificación automática del texto, se debe poder aplicar el algoritmo a cada transacción.

Una de las más utilizadas es el modelo de soporte vectorial, que es manejado ampliamente por los sistemas de recuperación de información. Además, existen otras formas de representación de textos como los grafos, n-grams, representaciones lógicas, etc. La clasificación de texto automatizada se ha popularizado por la gran cantidad de contenidos digitales disponibles.

Gracias a estos avances y a la digitalización de las finanzas, hoy en día es posible mostrar al usuario de banca cómo, dónde y cuándo está gastando su dinero. Con la situación económica actual, es necesario que la banca se posicione como un aliado y ofrezca herramientas con las que sus clientes puedan recuperar el control de su situación financiera y tomar mejores decisiones. 

Crear un Gestor de Gastos con análisis de datos

Un buen ejemplo es un gestor de gastos o PFM, módulos que beben del análisis de datos para mostrar una panorámica de los hábitos de consumo, ingresos recurrentes y fechas de vencimiento de seguros, entre otros. A estas herramientas también ha contribuido PSD2, permitiendo agregar cuentas de varios bancos y así enriquecer esa imagen 360º de las finanzas del usuario

En este artículo podrás obtener más información sobre qué es un gestor de gastos y para qué se utiliza.

Se muestran todos sus movimientos bancarios, independientemente del banco donde se generen y, mediante estas tecnologías de IA, se homogenizan en la clasificación. También existen microahorro ,pensadas para que las personas puedan crear objetivos y así aumentar el importe de sus huchas sin apenas fricción y con una experiencia digital y gamificada.

Estos desarrollos son especialmente útiles en entornos como el español, donde la población no dispone de una gran educación financiera. La Encuesta citada en elEconomista.es, de Competencias Financieras, elaborada por el Banco de España y la Comisión Nacional del Mercado de Valores (CNMV), situó a los españoles por debajo de la media de 40 países de la OCDE

Sus conclusiones reflejan las dificultades de la gente para hacer un presupuesto y el bajo nivel de comprensión de los términos financieros. Lo mismo ocurre con el ahorro y la adquisición de productos bancarios y de seguros, lo que acaba poniendo en peligro la salud financiera de los ciudadanos.

Hiper personalizar la oferta de productos y servicios

Como mencionaba, el Deep Learning es una rama del Machine Learning que se emplea habitualmente en el reconocimiento de patrones complejos en información no estructurada. Mediante arquitecturas de redes neuronales, actualmente va ganando presencia el uso de los transformers. Puede aplicarse a cualquier tarea, pero incorporando la posibilidad de trabajar con datos de entrada no tabulares.

En el sector financiero, las posibilidades de análisis y categorización de estos datos son enormes, desde crear tipologías de usuarios y lanzar recomendaciones hasta ofrecer servicios personalizados a los clientes en función de sus intereses en tiempo real. Todo ello gracias a la IA. Por poner un ejemplo, en nuestro día a día se procesan millones de movimientos bancarios solo para Banco Santander.

New call-to-action

No debemos olvidar que, en función de los diferentes grupos de usuarios obtenidos por tipología, se pueden lanzar alertas inteligentes o insights, acorde a la situación y eventos detectados de cada cliente, para ofrecer así servicios y productos de manera totalmente individualizada. Adaptar los mensajes gracias a lo que aportan estas tecnologías, es vital para no quedarse atrás en la carrera de la innovación.

Sobre el autor

Óscar Barba es cofundador y CTO de Coinscrap Finance. Es un experto Scrum Manager with more than 6 years of experience in the collection and semantic data analytics in the financial sector, classification of bank transactions, deep learning aplicado a los sistemas de análisis del sentimiento bursátil y a la medición de la huella de carbono asociada a datos transaccionales. 

Con amplia experiencia en el sector bancario y asegurador, Óscar está finalizando su Doctorado en Tecnologías de la Información en este momento. Es Ingeniero y Máster en Ingeniería Informática por la Universidad de Vigo, Máster en Comercio Electrónico por la Universidad de Salamanca, Certificado Scrum Manager y Project Management por el CNTG, Certificado en Arquitectura SOA y Servicios Web por la Universidad de Salamanca y más.

Apúntate a nuestra newsletter y recibe nuestras últimas noticias directamente en tu bandeja de entrada