PREGUNTAS DE AUTOEVALUACION

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