0 calificaciones0% encontró este documento útil (0 votos)
86 vistas7 páginas
El documento presenta preguntas de autoevaluación sobre el uso de big data en la banca. Explica que el big data se refiere a grandes volúmenes de datos estructurados y no estructurados que las empresas reciben diariamente. Detalla algunas de las aplicaciones del big data en la banca como la detección de fraude, gestión de riesgos y marketing. También discute los beneficios e inconvenientes de usar big data en la banca así como conceptos relacionados como el análisis de big data y la inteligencia artificial.
Descripción original:
Big Data
Título original
Preguntas de autoevaluacion Big Data e inteligencia artificial en la banca1.1
El documento presenta preguntas de autoevaluación sobre el uso de big data en la banca. Explica que el big data se refiere a grandes volúmenes de datos estructurados y no estructurados que las empresas reciben diariamente. Detalla algunas de las aplicaciones del big data en la banca como la detección de fraude, gestión de riesgos y marketing. También discute los beneficios e inconvenientes de usar big data en la banca así como conceptos relacionados como el análisis de big data y la inteligencia artificial.
El documento presenta preguntas de autoevaluación sobre el uso de big data en la banca. Explica que el big data se refiere a grandes volúmenes de datos estructurados y no estructurados que las empresas reciben diariamente. Detalla algunas de las aplicaciones del big data en la banca como la detección de fraude, gestión de riesgos y marketing. También discute los beneficios e inconvenientes de usar big data en la banca así como conceptos relacionados como el análisis de big data y la inteligencia artificial.
PDF: BIG DATA EN LA BANCA Y SUS IMPLICACIONES PARA EL FUTURO.
Abril 2019 (pag 21 a la 36 y 45 a la 48) 1. ¿Qué es Big Data? Big data es un término que describe el gran volumen de datos – estructurados y no estructurados – que inundan una empresa todos los días. Pero no es la cantidad de datos lo importante. Lo que importa es lo que las organizaciones hacen con los datos. El big data puede ser analizado para obtener insights que conlleven a mejores decisiones y acciones de negocios estratégicas. Big data son datos de gran variedad, que llegan en volúmenes cada vez mayores y, además, a una velocidad cada vez mayor. Por eso, cuando hablamos de Big Data, siempre hablamos de las grandes V del Big Data. Y ahora hay más de tres, porque el concepto de Big Data ha evolucionado. 2. ¿Por qué utilizar el Big data en la banca? Todo negocio se ha visto en la necesidad de incorporar estos nuevos cambios en sus sistemas para tener mejores perspectivas de futuro. En el mundo financiero existen una serie de factores que han motivado a todos los bancos a recoger, almacenar y analizar volúmenes de datos masivos (también conocido como en análisis del Big Data). POR EJEMPLO: Un cliente ya no necesita ir físicamente a una sucursal bancaria para hacer un depósito o para ejecutar una transacción bancaria; compradores y vendedores de acciones ejecutan sus roles conectados a la red por medio de ordenadores en tiempo real; las declaraciones de impuestos ya se realizan por los mismos individuos interesados en internet, sin la necesidad de acudir a un experto de impuestos para que le ayude a hacerla. El crecimiento de los negocios que están desarrollando plataformas de e- commerce, y en el caso de los bancos el crecimiento de la banca online ha permitido que los clientes puedan ya manejar autónomamente sus transacciones bancarias. Gracias al desarrollo de las tecnologías, de las comunicaciones, y de las plataformas online, los usuarios tienen a su alcance un mayor abanico más amplio de posibilidades. Gracias al email y a las redes sociales los usuarios y las personas pueden estar conectadas con cualquier persona en cualquier parte del mundo instantáneamente. En el sistema bancario, los usuarios de las plataformas de la banca online tienen un mayor acceso hoy en día a la ejecución de transacciones financieras lo que ha llevado a que haya un crecimiento de la actividad bancaria y a que está busque expandirse hacia nuevos mercados. Por tanto, una mayor facilidad de acceso y una simplificación de las operaciones ha llevado a un aumento en el volumen de actividad de las entidades bancarias y en consecuente, a un aumento de la cantidad de datos disponibles para analizar y utilizar. 3. Aplicaciones del Big Data en las distintas áreas en un banco En el sector financiero y bancario, existen oportunidades significativas para obtener beneficios mediante la aplicación de las técnicas de minería de datos (Data Mining). Más concretamente, cabría destacar tres áreas concretas para la aplicación de las técnicas de Data Mining: la seguridad y detección de fraude (mediante la monitorización de registros de transacciones bancarias); la gestión de riesgos y la banca de inversión; aplicaciones en relación con el marketing y la gestión de las relaciones con el cliente como por ejemplo la segmentación de los clientes y las ventas cross/up; y, finalmente, en relación con estrategias de expansión y de eficiencia. La seguridad y detección de fraude La gestión de riesgos Marketing y gestión de relaciones con el cliente
4. Beneficios e Inconvenientes del Big data en un banco
BENEFICIOS DEL BIG DATA EN UN BANCO La clave del éxito detrás del Big Data no depende de la cantidad de información recogida y almacenada, sino que recae en el uso que una empresa decida hacer de los datos. Los procesos de análisis y de extracción de valor de los datos que tenga una empresa tienen que ser lo más eficientes posible para aumentar las probabilidades de éxito y para conseguir mejores beneficios y resultados. Existen distintos tipos beneficios que aporta la utilización correcta del Big Data: Reducción de los costes Mejora en la toma de decisiones Oferta de productos y servicios más personalizados Detección de fraude y cumplimiento de la regulación
INCONVENIENTES DEL BIG DATA EN UN BANCO
La utilización y adaptación de las técnicas relacionadas con Big Data al modelo de
negocio de una empresa pueden suponer una gran ventaja competitiva que aumente la satisfacción de sus clientes y, en consecuencia, aumente sus beneficios y rentabilidad a largo plazo. Sin embargo, la utilización de dichos procedimientos y sistemas también consta de algunos peligros. Almacenamiento Posibilidad de fracaso Privacidad y Seguridad Ausencia de calidad de la información
5. ¿Qué es Big Data Analytics
La unión de Big Data y Analytics permite a las empresas aumentar sus ingresos, disminuir sus costes y ser más competitivos dentro de su sector. Esa es la razón por la que este tipo de soluciones están ganando aceptación tan rápidamente en la actualidad. Big Data Analytics es el proceso de usar software para descubrir tendencias, patrones, correlaciones u otras ideas útiles en esos grandes almacenes de datos. El análisis de datos no es nuevo. Ha existido durante décadas en la forma de software de inteligencia empresarial y minería de datos. Con el paso de los años, ese software ha mejorado de forma espectacular, por lo que puede manejar volúmenes de datos mucho más grandes, ejecutar consultas más rápidamente y ejecutar algoritmos más avanzados. La firma de investigación de mercado Gartner categoriza las herramientas de big data y analytics en cuatro categorías diferentes: Análisis descriptivo. Estas herramientas le dicen a las compañías lo que sucedió. Crean informes simples y visualizaciones que muestran lo que ocurrió en un momento particular o durante un período de tiempo. Estas son las herramientas analíticas menos avanzadas. Diagnóstico analítico. Las herramientas de diagnóstico explican por qué sucedió algo. Más avanzadas que las herramientas descriptivas de informes, les permiten a los analistas profundizar en los datos y determinar la raíz de las causas para una situación dada. Análisis Predictivo. Entre las herramientas de big data analytics más populares disponibles en la actualidad, las herramientas de análisis predictivo utilizan algoritmos altamente avanzados para pronosticar lo que podría suceder a continuación. A menudo, estas herramientas hacen uso de la inteligencia artificial y la tecnología machine learning. Análisis prescriptivo. Un paso por encima del análisis predictivo, el análisis prescriptivo le dice a las organizaciones qué deben hacer para lograr un resultado deseado. Estas herramientas requieren capacidades de aprendizaje automático muy avanzadas, y pocas soluciones en el mercado actual ofrecen verdaderas capacidades preceptivas. 6. ¿Qué es la Inteligencia Artificial? La inteligencia artificial es el conjunto de teorías y de algoritmos que permiten que las computadoras lleven a cabo tareas que, típicamente, requieren capacidades propias de la inteligencia humana. POR EJEMPLO: la percepción visual, el reconocimiento de voz o la interpretación de un texto teniendo en cuenta el contexto en el que se produce. En la actualidad pertenecen a la rama del aprendizaje automático, este consiste en conseguir que un ordenador extraiga conclusiones a partir del análisis estadístico de los datos que se introducen, mediante un proceso que va mejorando de modo automático conforme se incorpora más evidencia al algoritmo. ha adquirido popularidad recientemente, debido, principalmente, a tres factores: la disponibilidad de un mayor volumen de datos digitales; el aumento de la capacidad de almacenamiento y de procesamiento computacional y su menor coste, y, por último, los propios avances en el desarrollo de los algoritmos que se emplean. 7. ¿Cuál es el impacto de la Inteligencia Artificial en la Banca? La aplicación de técnicas de inteligencia artificial en la prestación de servicios financieros puede dar lugar a mejoras de eficiencia, reducción de costes, incrementos de calidad, aumento del nivel de satisfacción de los clientes o mayor inclusión financiera, gracias, principalmente, a las posibilidades que ofrecen para automatizar procesos operativos e incrementar las capacidades analíticas. MAYOR AUTOMATIZACIÓN Mediante técnicas como el procesamiento del lenguaje natural o el reconocimiento de imágenes, las entidades pueden automatizar aquellas tareas manuales que son más repetitivas o aportan menos valor añadido (p. ej., respuestas a preguntas frecuentes). Esto supone, por una parte, una reducción de los posibles errores humanos y, por otra, un incremento de la productividad y una disminución de los costes asociados a estas tareas. En consecuencia, el nivel de satisfacción de los clientes aumenta, al recibir un mejor servicio (menor tiempo de respuesta y mayor disponibilidad de servicios) y, potencialmente, a un precio menor. Además, dada la reducción de costes que se produce con la automatización de tareas, es posible que ciertos servicios que tradicionalmente estaban reservados a determinados clientes puedan ofrecerse a un número mayor de usuarios (p. ej., asesoramiento financiero). AUMENTO DE LAS CAPACIDADES ANALÍTICAS Las herramientas de inteligencia artificial permiten a las entidades analizar un volumen mucho mayor de datos y de manera más rápida. Además, el aumento en el número de variables conduce a análisis de mayor calidad, dado que se consigue conocer mejor al cliente y obtener resultados más precisos. Todo lo anterior redunda en beneficio de los usuarios, ya que permite a las entidades ofrecer un mejor servicio y facilita el acceso a los servicios financieros a ciertos clientes que, de otro modo, podrían verse excluidos POR EJEMPLO: mayor exactitud en la identificación de operaciones de tarjeta fraudulentas concesión de préstamos a usuarios con los que la entidad no tiene una relación previa y que carecen de información financiera PDF: INTELIGENCIA ARTIFICIAL EN LOS SERVICIOS FINANCIEROS. Marzo 2019 (pag 3 a la 5) 8. Ejemplos de uso en los servicios financieros Como muestra el esquema 1, las aplicaciones de esta tecnología en los distintos ámbitos del sector financiero son múltiples y se pueden encontrar en toda la cadena de valor, desde las tareas de procesamiento (back-office) hasta la interacción con el cliente o en el mercado (front-office), pasando por las actividades relacionadas con el control y con el monitoreo de la operativa (middle- office). Así, algunas aplicaciones van dirigidas a mejorar la experiencia del cliente (p. ej., autenticación mediante biometría), mientras que otras tienen como objetivo optimizar y/o transformar los procesos en las distintas fases de la provisión de los servicios financieros (p. ej., utilizando nuevas fuentes de datos para la selección de inversiones o la determinación de las primas de riesgo). La combinación de la inteligencia artificial con otras tecnologías (como los registros distribuidos y los contratos inteligentes o smart contracts) tiene potencial para ampliar aún más las posibilidades. Entre todos los ejemplos de uso que se pueden encontrar en el sector financiero, se podrían destacar, sin ánimo exhaustivo, los siguientes: — Chatbots y asistentes virtuales: a través de estos asistentes, los usuarios pueden resolver dudas habituales y, en ciertos casos, obtener recomendaciones de productos o realizar ciertas operaciones (p. ej., ordenar transferencias, abrir una cuenta...). Se consigue así automatizar los canales de comunicación con los clientes, hacerlos disponibles las 24 horas del día, los siete días de la semana, y, además, recoger de forma automática información sobre las interacciones con los usuarios. — Personalización de productos y de servicios finales: sobre la base de la información que se obtiene de los clientes, las entidades pueden ofrecer una experiencia de usuario personalizada e, incluso, extenderla más allá de los servicios bancarios en sentido estricto (p. ej., enviando alertas sobre el estado de la cuenta si se identifica, por geolocalización, que están de compras). — Control de blanqueo de capitales (AML, por sus siglas en inglés) y prevención del fraude: la posibilidad de analizar un volumen mayor de datos y de combinarlos con nuevas fuentes de información permite detectar anomalías o patrones que de otra manera hubiesen pasado inadvertidos. Asimismo, ocasiona un número menor de falsos positivos, lo que hace más rápidas y precisas las tareas de control de fraude y de blanqueo de capitales, y causa menos molestias a los clientes. — Calificación crediticia: la mayor capacidad analítica permite mejorar las evaluaciones y acelerar los plazos de concesión de créditos. Además, el uso de información no estructurada puede derivar en un aumento del número de clientes elegibles, al facilitar este análisis a entidades de reciente creación o que actúan en mercados nuevos de los que se dispone de poca información. — Cumplimiento regulatorio: la mayor capacidad de análisis que proporcionan las herramientas de inteligencia artificial facilita el cumplimiento de algunos requerimientos normativos (p. ej., gestión de riesgos, obligaciones de reporte...), así como el seguimiento de los cambios que se producen en la regulación. 9. Aplicaciones en los bancos La inteligencia artificial también puede derivar en beneficios para las autoridades en términos de eficiencias operativas y de ahorro de costes. En consecuencia, diversos bancos centrales están empezando a incorporarla en algunas de sus actividades, como la supervisión micro- y macroprudencial, la gestión de la información, la predicción o la identificación de actividades fraudulentas. Por ejemplo: la Autoridad Monetaria de Singapur está desarrollando una herramienta para analizar los informes sobre transacciones sospechosas; el banco central de Austria ha desarrollado un prototipo para la validación de datos; el de Italia está empleando técnicas de inteligencia artificial para predecir los movimientos de precios en el mercado inmobiliario, y el de los Países Bajos las está utilizando para anticipar posibles problemas de liquidez de las entidades. En el Banco de España, por su parte, se ha desarrollado una herramienta de inteligencia artificial para la clasificación de billetes, a fin de determinar si sus condiciones físicas son aptas para mantenerlos en circulación. Adicionalmente, el área estadística está estudiando el uso de inteligencia artificial para mejorar los procesos de control de calidad de la información disponible en las bases de microdatos (en concreto, cuentas anuales que depositan las empresas no financieras). Asimismo, el área de economía está valorando en qué medida estas técnicas pueden mejorar los modelos de análisis y la selección de indicadores macroeconómicos