DATA SCIENCE, BANCOS E INFORMACIÓN

Para tratar ambiciosamente de expandir un poco los horizontes.

Que el Data Science va de la mano con los grandes volúmenes de información no hay duda. Una de las fuentes de información por excelencia es un banco. Ya que los bancos reúnen información prácticamente por cualquier motivo. Es muy probable que la mayoría de nosotros hayamos atravesado algún trámite en un banco en el cual, para empezar, uno tiene que demostrar que efectivamente es quien dice ser, que vive, donde dice vivir, etc. ¿Y contra qué se valida toda esta información? ¿Qué hay atrás de toda esa tramitología?

Los bancos suelen tener toda una infraestructura dedicada al almacenamiento y procesamiento de su información. Están los generales de los usuarios, información de las operaciones internas, información relacionada al negocio, información de los deudores, información de los prospectos… en fin, creo que un poco más de lo que la mayoría nos podemos imaginar. Y la infraestructura, que ya de por sí implica toda una problemática que escapa (por ahora) de nuestros intereses, no deja de ser importante.

Si bien toda la información almacenada no se queda estática, la realidad es que se puede mejorar el aprovechamiento de esta. Lo mejor es que todas las aplicaciones que podamos construir son útiles a diferentes áreas del banco (recordemos que siempre es bueno darle un plus de valor a la información). Por ejemplo, la tierra prometida del marketing y el Big Data que siempre han buscado aquel algoritmo o método que sea capaz de generar una campaña de publicidad completamente personalizada, segmentada y dirigida al usuario. Así, en un determinado caso, este algoritmo permitirá discernir qué publicidad es mejor para ti y cuál no. Como cliente te podrías escapar de la publicidad genérica donde, por ejemplo, te ofrecen promociones de seguros médicos familiares que realmente no te interesan. La mejora en la segmentación y perfilado de los usuarios es un proceso constante en una entidad bancaria.

Un método que utilizan los bancos para conocerte mejor se hace a través de técnicas de reconocimiento de patrones. Imagina una red neuronal artificial que aprende a identificar cuáles son las ubicaciones de las tiendas o los cajeros automáticos en los que acostumbras a realizar compras o retiros de efectivo. Si esta red neuronal es constantemente actualizada, puede convertirse en un buen primer filtro de prevención de fraude. La red neuronal evaluaría cada uno de tus movimientos para identificar los patrones en ellos. Así, cuando se presente un evento inusual puedes levantar un mensaje de alerta que servirá para que un operador ponga atención a tus últimas acciones. Si, por ejemplo, siempre estás moviéndote en una cierta zona de la ciudad, y de pronto se registra una compra en un lugar muy lejano (otro estado, otro país, un lugar que nunca visitas, etc), este evento puede detonar la alerta que eventualmente nos puede proteger de la clonación de la cuenta o suplantación de la identidad.

Útil, ¿no?

Y los casos de interés pueden ir más allá. Podríamos ahorrar costos en la recuperación de la cartera vencida del banco. ¡¿Qué director de finanzas no te pondría atención con semejante afirmación?! A qué banco no le interesaría abaratar uno que otro gasto que tengan perdido en toda la operación del día a día. Si consideramos que hay toda una planeación, logística y dedicación de recursos de diferentes tipos para hacer llamadas telefónicas haciendo de recordatorio a los que no han podido realizar su pago en tiempo y forma, y que este proceso puede hacerse mejor y más barato… ¿no suena tentador?
Incluso para los fierros. Tomando en cuenta el historial de mantenimiento y comportamiento de los servidores del banco, podrías empezar a realizar un mantenimiento predictivo en vez de un mantenimiento correctivo. También sería posible detectar cuando la demanda de los servidores aumenta y no sólo es un evento inusual, porque es quincena o fin de mes, sino porque ya es necesario crecer la plataforma. Y así varios casos más.

En general, la combinación y utilización de técnicas de Data Science a la información que manejan los bancos suele devenir en aplicaciones útiles e interesantes. Pero hay más aspectos que se tienen que tomar en cuenta. Hay metodologías de proyectos de minería de datos. Hay metodologías dedicadas a la implementación de este tipo de proyectos. Ya se tiene más o menos bien identificado cuál es el ciclo de vida de una aplicación de este tipo. Si bien el área de trabajo del Data Science es relativamente nueva y todavía da el margen suficiente para que alguien utilice su propia metodología de implementación, ya hay esfuerzos dedicados a varios grupos de trabajo cuyo objetivo es estandarizar las actividades para lograr los mejores resultados posibles.

Tener una metodología de referencia para un proyecto de Data Science, sin importar el área de aplicación, siempre nos dará una base robusta en la cual tendremos el soporte para tomar decisiones o hacer ajustes pertinentes.

¿Conoces alguna otra aplicación de Data Science en los bancos?
¿Alguna vez te han hablado para confirmar una de las operaciones que has realizado?

Tal vez no has estado completamente consciente de esto, pero todas nuestras actividades bancarias siempre dejan una huella. Con el análisis correcto de esta información, un banco puede llegar a conocer tanto de ti que tal vez lleguemos al punto en el que no rechaces una de sus ofertas (?).

¿Hasta dónde se debería llegar con este análisis de información?