El big data es uno de los aspectos clave de la transformación digital que afecta a todos los sectores de la actividad como consecuencia del incremento inmenso de datos que se generan, susceptibles de ser aprovechados de forma eficiente. Diferentes empresas de investigación tecnológica afirman que el 90% de los datos que existen se han creado en los últimos dos años, e incluso que el 75% de los datos actuales no son estructurados y proceden de fuentes tales como voz, texto o video, o que los datos que se generan en dos días equivalen a todos los generados hasta antes del 2003. Estos son algunos de los típicos ejemplos que se ponen para mostrar el enorme crecimiento que está teniendo la creación de datos en los últimos años. El problema de la generación y captación de datos siempre ha existido, pero lo que caracteriza la nueva etapa es que ahora se generan a través de dispositivos o entornos que permiten su almacenamiento. La localización, las palabras, los movimientos, los hábitos y hasta las emociones se pueden convertir en datos. Se trata, por tanto, de un fenómeno que los expertos del big data resumen en “las cuatro V”: volumen, velocidad, variedad y veracidad. Las tres primeras son evidentes, la cuarta se refiere a que nunca se sabe si los datos son veraces y, además, llegan en bruto. La banca no es ajena a este desarrollo y es de las industrias que dispone de más datos derivados de las transacciones económicas de sus clientes. Por ejemplo, solo con las tarjetas cada hora se pueden procesar una media de sesenta millones de transacciones por parte de los dos mil millones de plásticos repartidos por el mundo a través de cuarenta millones de comercios. En general, el crecimiento de información ha sido tan fuerte que los datos se han multiplicado por 500 en solo cinco años, con la explosión del uso del teléfono móvil para transacciones bancarias.
¿Por qué es importante el big data?
Los datos sirven en la medida en que transmiten inteligencia y, en el ámbito empresarial, en la medida en que ésta se transforma en ventaja competitiva. Esto requiere un análisis eficaz y una gran cantidad de energía para hacer frente al aumento exponencial del volumen de información para transformarla en acciones. La capacidad de almacenar información únicamente tiene sentido si se desarrollan habilidades para incrementar el conocimiento útil. Este nuevo enfoque de entender los datos no se refiere solamente a la inteligencia histórica para los negocios, sino a su incorporación en tiempo real y su agrupación con fuentes externas que los convierten en una herramienta muy poderosa. Todo ello permite a las empresas cambiar el modo como afrontan su actividad, ya que ahora disponen de montones de datos para hacer sus predicciones. Es decir, el big data no sirve de nada si no hay una estrategia detrás que plantee las grandes preguntas que se espera que los datos ayuden a responder. Por ejemplo, desarrollar una estrategia de personalización de la oferta, analizar el fraude, predicciones de consumo, acciones en tiempo real, etc.. El desarrollo del big data está dando resultados muy interesantes en los campos de la salud, la investigación científica, la agricultura, la logística, el diseño urbano, la energía, el comercio minorista, la reducción de la delincuencia y las operaciones de negocios, y el sector financiero es una de las áreas de más recorrido. Toda esta revolución también tiene su lado polémico, como es la privacidad y la protección individual. ¿Hasta qué punto las empresas tienen derecho a almacenar estos datos, imágenes, videos, etc.? ¿A quién pertenece la información de los usuarios de Facebook? Y donde todavía existen más dudas es en lo relativo a la explotación de estos datos para obtener conclusiones sobre individuos. Todos estos puntos serán abordados por la legislación, aunque esta sigue un ritmo más lento que los avances tecnológicos. Los bancos disponen de unas plataformas informáticas muy grandes, interconectadas y con dificultades para asignar recursos a proyectos de innovación fragmentados, y tienen una abrumadora presión de los órganos reguladores que les provoca mover datos constantemente para atender a criterios estadísticos, cumplimiento de los test de estrés, etc. La mayoría de las entidades financieras tienen importantes desarrollos de proyectos propios de big data para modificar poco a poco la estructura del banco, pero también están utilizando proveedores externos ágiles no afectados por la inmensidad y las rigideces informáticas que las caracterizan para lanzar innovaciones específicas. Por ello han aparecido un grupo de startups, que están colaborando con las entidades financieras desde fuera, para entender mejor aspectos del mercado o para realizar desarrollos concretos dirigidos a los clientes. Este es el caso de recientes acciones de muchos bancos en todo el mundo como el Bank of America, ING o Barclays. En España también existen estas asociaciones y BBVA, Banco de Santander o CaixaBank, entre otros, han impulsado proyectos conjuntamente. Gracias a estas colaboraciones externas se están generando nuevos productos y servicios que mejoran la experiencia del cliente en diferentes ámbitos. En este caso, a diferencia de otros ámbitos de actuación de las Fintech, la cooperación entre los bancos y esta empresas es muy amplia y se están convirtiendo en proveedores más que competidores.
¿Para qué sirve el big data?
El problema de la gran cantidad de información no es cómo almacenarla, sino para qué. En algunos casos, la ausencia de un motivo que justifica este esfuerzo de debe a la falta de información visible, que ayudaría a organizar su estructuración. Por ello los expertos identifican los denominados datos invisibles, que se conocen también como dark data o datos oscuros, bien porque simplemente los ignoran o porque son caros o complejos de analizar. Algunos autores cifran este conjunto en un 90% de los datos, mientras que solo son visibles entre el 10% y el 15%. La pregunta de para qué utilizar el big data no tiene una respuesta única; es como preguntarse para qué utilizar internet. Son tantas las posibilidades que algunas industrias se están viendo transformadas por el uso del big data en combinación las nuevas tecnologías, como el internet de las cosas (IoT) y el crecimiento de los sensores, Industrias como la sanitaria, la agricultura, la pesca, la medicina, etc., están transformando su actividad con la explotación inteligente de la información. Lo importante de los datos no es observarlos, sino ponerlos en el contexto en la relación con el cliente. Las finanzas no quedan fuera de este proceso y se pueden citar multitud de objetivos combinando base de datos internas con datos externos. Las entidades financieras disponen de multitud de datos internos de sus clientes para modelizar comportamientos u obtener algoritmos predictivos; solo tienen que estructurar la información. A modo de ejemplo, algunos de los objetivos que pueden perseguir las entidades son: Ofrecer un mejor servicio al cliente. Identificar procesos de autoservicio que no se ejecutan de forma eficiente (tiempos excesivos de uso, abandonos, horarios de uso de servicios, etc.). Generación de algoritmos predictivos. Asignaciones de precios más eficientes. Mejora de la seguridad (ciberseguridad). Mejora de sistemas online. Experimentar con alternativas para ser más eficientes. Mejora de procesos de marketing. Especialmente para mejorar el inbound marketing. Nuevos modelos de scoring de riesgos (nuevas variables, simplificación de los actuales, etc.). Mejorar la eficiencia del compliance. Mejora de oferta de productos. Compartir conocimientos con el cliente (especialmente para empresas y comercios). Descubrir pareas de ineficiencia. Preguntas sobre comportamiento financiero. Predicciones sobre consumo. Automatización de finanzas. Reducir costos. Búsqueda de nuevos KPI. Las aplicaciones de big data hacen sus predicciones basadas en datos que ya existen, pero también se pueden realizar aunque no se disponga de la información, generando situaciones que la proporcionen. Este es uno de los campos de más recorrido: se conoce como la experimentación conductual, ya que puede resultar una buena opción para conocer cualquier comportamiento. Por ejemplo, en una web de descargas pudieron comprobar que el botón verde tenía una tasa de conversión un 34% mayor que el botón rojo, la mejora de la respuesta en más de un 30% en acciones online cuando se incorporan fotos de personas ofreciendo la atención en caso de dudas, la mayor contratación al incluir videos de demostración (aunque no se visionen), etc. Otro aspecto clave es disponer de analíticas que puedan actuar en tiempo real. Es decir, un sistema que sea capaz de analizar datos en el mismo momento que se están generando para desencadenar acciones inmediatas que, si no se aplican en ese momento, la oportunidad se ha perdido. Estas opciones de análisis de datos permiten también el desarrollo del crowdsourcing, que consiste en implicar a las masas en la búsqueda de soluciones complejas como un recurso de aplicación de innovación abierta. Un sistema eficaz de uso de big data debe ser capaz de combinar los datos que el banco ya almacena en sus sistemas internos con datos proporcionados por terceros y datos públicos. Esta práctica es muy eficaz para la mejora del compliance y para temas de detección de fraude. El big data se genera en tres niveles: Nivel 1 o nivel consciente. Generado de forma consciente por las personas en movimientos de sus cuentas, utilización de cajeros automáticos, webs, blogs, medios, redes sociales, bases de datos, etc. Nivel 2 o nivel inconsciente de la generación de datos. La generación de estos datos es inconsciente por parte de los individuos, pero proveen información de dónde operan con sus tarjetas, dónde trabajan, horarios, localización, hábitos, actividades, etc. Nivel 3 o nivel impersonal de los datos, el internet de las cosas (IoT). La generación de estos datos tiene como origen la interactuación de las máquinas entre ellas, como los motores de servicios automáticos, alertas, etc.