Big data

¿Qué es el big data?

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.