Lo que necesitan los bancos para sobrevivir a la década

A pesar de la multitud de algoritmos que procesan montañas de información, hay un eslabón perdido vital en la fiebre del análisis de datos. Encontrarlo es la clave de la relevancia, quizá incluso de la supervivencia.

¿Qué es lo más difícil de adquirir para un banco? Sin duda, los datos no. Como institución en la que confían sus clientes, un banco tiene más datos de los que sabe qué hacer con ellos.

Hoy en día, los datos se recopilan, clasifican, analizan y utilizan de muchas maneras. Para empezar, los bancos ofrecen información estática al cliente. Puede agregar sus depósitos y mostrar el valor de su cartera. Incluso puede recomendarle un préstamo en función de sus saldos. Pero todo esto, incluso lo último, son respuestas basadas en reglas, no necesariamente inteligentes.

Aún no ha llegado

Piense en la avalancha de nuevas ofertas que le ofrece un banco. Normalmente se basan en algún patrón. Por ejemplo, los clientes de entre 30 y 40 años tienden a comprar más, a realizar más transacciones. Los mayores tienden a ahorrar más. Todas estas indicaciones no están orientadas a la retroalimentación. Siempre que exista un patrón discernible, el banco puede evaluar con bastante seguridad lo que necesitan sus clientes y ofrecerles productos en consecuencia. Pero, ¿por qué la mayoría de las ofertas no evalúan realmente sus necesidades? ¿Por qué suelen ser irrelevantes y carentes de contexto?

Todos los bancos quieren llegar a una fase en la que cualquier información que muestren a un cliente -estática o dinámica- esté cualificada con algo contextual. Una fase en la que no se pregunte al cliente a posteriori, sino desde el principio de la transacción, basándose en datos que el banco ya posee. Por ejemplo, cuando un banco muestra el saldo de una cuenta, pregunta al usuario si es bajo y le recomienda que saque fondos de algún sitio. O avisar al cliente para que se asegure de que tiene saldo suficiente, sabiendo que va a recibir un pago. Cuanto más contextuales sean los avisos, cuanto más discretamente puedan servirse al cliente, más atractivo resultará el banco para nuevos clientes y más duradera será la interacción del cliente con el banco.

Pero un momento. ¿Es eso lo que realmente quiere el cliente? ¿Una experiencia más pegajosa?

¿Tiene que hacer más un banco?

Podría decirse que no. Un cliente se conecta al portal del banco no para pasar tiempo en él, sino para hacer las cosas de forma eficaz y muy rápida.

Al fin y al cabo, si se cumplen los objetivos comerciales de un banco, ¿para qué molestarse en hacer cálculos numéricos obsesivos u ofertas contextuales o "superficiales"? Esta no es una opinión aislada. Tomemos cualquier banco cooperativo. No acaban de aprovechar la tecnología. Tienen un portal que sólo refleja sus rudimentarios flujos de procesos. Muchos de los grandes bancos universales no lo hacen mucho mejor. Abordan el portal o el canal como un ejercicio estético, que son reflejos en línea de su fragmentada cartera de productos*.

Ojalá todo siguiera igual, ojalá el cambio nos avisara y se produjera con el tiempo.

Como ya analizamos en un blog anterior, un cambio fundamental en los puntos de referencia de la experiencia del cliente -culpen a las FinTech, o al ecosistema más amplio de empresas adictas como Amazon o Netflix- ha obligado a los bancos a poner rápidamente en común sus aspiraciones digitales. Y el combustible de este proceso son claramente los datos.

Y para procesar estos datos de forma que realmente puedan ayudar a los bancos en lugar de crear más paquetes de datos, tenemos que ver la inteligencia no como un accesorio nebuloso, sino infundida en cada paso de cada recorrido del usuario.

Despertar a la inteligencia

Piense de nuevo en esta frase: "Un banco tiene más datos de los que sabe qué hacer con ellos". Este es un indicador revelador de su posición en la fiebre del análisis de datos.

Lo que los bancos quieren es proporcionar la información adecuada a la persona adecuada en el momento adecuado. Incluso en los widgets de lectura y escritura, debe haber inteligencia para ver si se trata de una transacción directa, o de un camino hacia la autenticación, o si debe invocarse un segundo o tercer factor. En otras palabras, hacerlo contextual en cada bloque.

Hay algoritmos, sí, pero no se trata sólo de los algoritmos en sí, sino de las entradas que deben alimentar el algoritmo para llegar a una visión específica y procesable.

Un error común es creer que la inteligencia viene de fuera. En realidad, la inteligencia es un enfoque ascendente. Recopilar datos, etiquetarlos de forma inteligente y hacer que trabajen para ti: ahí es donde entra en juego la inteligencia.

La primera pregunta que debe hacerse un banco es: "¿Estoy utilizando la inteligencia de forma eficaz? La respuesta, en todas las instituciones, es negativa. Una vez reconocido esto, las posibilidades son infinitas.

Aplicar la inteligencia

Cuando los bancos empiecen a reconocer la inteligencia como un concepto global, y no como algo compartimentado, podrán empezar a explorar de verdad las aplicaciones de la inteligencia.

Veamos sólo dos casos de uso que todos reconocemos y podemos realizar, a partir de las herramientas existentes. La AML, por ejemplo. El uso tradicional de algoritmos en AML es post-facto. Para detectar un patrón de AML, hay que verlo hasta el final. Sin embargo, el AML se está moviendo ahora hacia la detección del fraude. Existen mecanismos que permiten puntuar una transacción y garantizar la seguridad del cliente. Sigues permitiendo que la transacción continúe, pero la permites con un mecanismo de control del fraude integrado en la inteligencia.

Un segundo caso es la promoción de nuevas ofertas a segmentos de clientes muy específicos. En la actualidad, los bancos utilizan patrones muy amplios para identificar a los clientes potenciales de un determinado producto. ¿Y si utilizáramos en su lugar modelos estadísticos más avanzados, como el R-cuadrado ajustado? Sin profundizar demasiado en la tecnología, un gran número de variables disminuye la capacidad de un modelo para predecir con precisión. En cambio, el R-cuadrado ajustado tiene más en cuenta estas variables y proporciona el grado más exacto de relación dentro de un segmento / población concretos. El resultado final es que la información que se ofrece es más contextual para el cliente.

Todo el propósito de considerar seriamente la inteligencia y su aplicación es la respuesta a la pregunta que nos hacíamos al principio: ¿Qué es lo más difícil para un banco?

La respuesta es: comprender la intención de su cliente.

Independientemente de los datos que tenga a mano, de los patrones de comportamiento de los clientes y de la información transaccional que registre, la parte de inteligencia más escurridiza, y también la más valiosa, es la intención del cliente. ¿Por qué ha hecho una serie de depósitos a plazo fijo? ¿Cuáles son sus objetivos, sus aspiraciones? ¿Qué ansiedades le impulsan a tomar una serie concreta de decisiones?

Se trata de un área en la que estamos trabajando activamente. Estamos construyendo lo que llamamos Purple Fabric para ayudar a fusionar datos e inteligencia de sistemas dispares y desplegarlos de una manera sin precedentes y en constante evolución.

La era de la analítica sin conclusión está llegando a su fin. Es hora de que dejemos de hacer números y patrones porque sí y los pongamos a trabajar.

Esta será la clave de la supervivencia de los bancos en un mundo cada vez más competitivo e impulsado por la tecnología.

En blogs posteriores exploraremos las aplicaciones más avanzadas de la inteligencia, y también abordaremos cuestiones de regulación, privacidad y seguridad.

*Por supuesto, hay excepciones en ambos extremos del espectro. Por ejemplo, el banco Co-op no tiene portales o los aborda de una manera "sin marca", sin aplicar la estética y el diseño. También debemos considerar qué significa "portal" para los bancos. Por ejemplo, algunos bancos minoristas medianos y grandes tienen carteras de productos fragmentadas y el portal es el lugar donde todos ellos se agregan, se consolidan.