Los nuevos jugadores del mercado financiero están recurriendo a la ciencia de datos para extraer información de múltiples fuentes y predecir comportamientos.
Los datos no son útiles hasta que se transforman en información valiosa. La extracción de grandes conjuntos de datos y la identificación de patrones ocultos para obtener información procesable y accionable son dos tareas principales en la ciencia de datos y hoy, son centrales para las estrategias de innovación de todas las industrias y verticales.
En particular, las mejores fintech apuestan por capturar, medir y extraer información de múltiples fuentes para luego traducirla en información que analistas puedan traducir en valor comercial tangible, como ser: modelado de comportamiento de cliente, análisis predictivo, retención y fidelización de clientes, pero sobre todo, soluciones de vanguardia. De hecho, al ser una industria ágil y de rápido crecimiento, fintech absorbe todo el conocimiento y los enfoques que dan un impulso adicional a sus productos y ecosistemas digitales, a diferencia -aún- de muchos bancos tradicionales.
Además, existe una fina sintonía con la búsqueda de los consumidores: según un estudio realizado por la firma Rapyd en Latinoamérica, 46% de los encuestados afirma que le gusta explorar tecnologías “más inteligentes” que mejoren su dinámica de finanzas, pagos y cobros.
Finanzas inclusivas
Una de las aplicaciones de ciencia de datos más tempranas y más ampliamente adoptadas por las fintech es la calificación crediticia. Tradicionalmente, los bancos se basaron en datos limitados, como el historial crediticio y los ingresos, para evaluar la solvencia de una persona. Sin embargo, la ciencia de datos ha permitido a las fintech analizar una gama más amplia de datos, dando lugar a modelos de calificación crediticia más precisos.
Estas empresas actualmente utilizan una variedad de fuentes de datos para evaluar la solvencia de un individuo, incluida la actividad en las redes sociales, el comportamiento de compra online e incluso los patrones de uso de teléfonos inteligentes. Al analizar esta gran cantidad de datos, pueden identificar patrones y tendencias que los bancos tradicionales pueden pasar por alto y así alcanzar un modelo de calificación más completo.
De acuerdo a un relevamiento de la compañía de big data Equifax, en el último año, 2,5 millones de personas tuvieron su primer crédito en el país. Asimismo, antes de la pandemia sólo el 5% de las operaciones crediticias se realizaban digitalmente mientras que hoy ese número supera el 70%. Los números muestran en qué medida, desde la pandemia, el hábito de obtener productos financieros saltó a las pantallas.
Estas nuevas tecnologías aplicadas a la banca tradicional se presentan no sólo como un eje clave para ofrecer soluciones y productos a las nuevas generaciones, sino también para aportar a una mayor inclusión financiera. “Resulta clave que los otorgantes de crédito puedan tener acceso a data alternativa. A través de múltiples fuentes de datos que se procesan mediante tecnología inteligente y analítica, se puede validar por ejemplo dónde vive la persona, su historial de pago de servicios, qué tipo de contratación laboral tiene, cómo se compone su grupo familiar”, explica Mario Arrua, vicepresidente de asuntos legales y regulatorios de Equifax en Latinoamérica.
Para Pablo Guzzi, Chief Data & Analytics Officer (CDO) de Ualá hoy la industria financiera tiene una deuda con la sociedad, con muchos avances tecnológicos que todavía tienen que plasmarse en el manejo diario de las finanzas de las personas. “En ese contexto la analítica resulta indispensable en la búsqueda de una experiencia diferente, mediante el manejo de de datos podemos ofrecer nuevas y más inteligentes formas de manejar dinero”.
En la fintech tienen múltiples modelos de machine learning para diferentes objetivos, entre ellos, brindar acceso al mundo crediticio a personas que nunca antes pudieron a través de Ualá Score, ya sea para un crédito como para cuotificar un pago (BNPL).
En su momento y a través de sus redes sociales, el mismo Pierpaolo Barbieri -fundador de Ualá- anunció el lanzamiento del producto y señaló que contaba con más de cuatro millones de perfiles. “Es el futuro del crédito, que ya lleva más de tres millones de préstamos. Hacemos un perfil crediticio para cada persona, que mejora con cada compra, venta o recarga para bajar tasas y extender plazos”, subrayó. En este caso, la ciencia de datos y los modelos de machine learning son claves para analizar hábitos de consumo de los usuarios de la billetera que – aún con buenos perfiles- no habían tenido la oportunidad de crear historial crediticio para demostrarlo en la banca tradicional.
Los datos son el corazón del funcionamiento de Alprestamo, un marketplace de productos financieros que conecta personas que buscan productos financieros con bancos o empresas del sector que quieran otorgarlo. Con un simple clic se completa un formulario con los datos y en pocos segundos el sistema recomienda qué productos financieros se adaptan mejor a las necesidades, basándose en el historial crediticio de cada usuario. Gracias al Big Data, se pueden segmentar los productos financieros que mejor se ajusten a cada persona.
“Sobre el comportamiento de las personas se desprenden las demás estrategias como modelos de propensión (la probabilidad que tiene un individuo a contratar o consumir determinado servicio)”, señala Pablo Blanco, CFO de Alprestamo.
Por otro lado, la experiencia de usuario determina gran parte de la estrategia. “Esa experiencia de usuario es la información sobre cómo se utiliza una aplicación o un sitio y en qué lugar hay más fricción o en que parte de la página figuran abandonos. Eso se trabaja con modelos de datos. Es decir que la mejora de un producto deriva de un proceso de análisis de datos profundos”, agrega Blanco.
Federico Fliguer, Data Scientist en la plataforma de inversiones IOL invertironline, explica que cuentan que el sistema brinda a los clientes alternativas que satisfagan sus necesidades y deseos. “Poder diferenciar quienes están comenzando su relación y quienes ya tienen un largo recorrido, son elementos que posibilitan tener un mejor abordaje y fidelización de los clientes”.
Desde la plataforma señalan que no todos los clientes buscan lo mismo, y con estas técnicas pueden interpretar lo mejor para cada uno de ellos. “Desde el momento que se da de alta un cliente, buscamos predecir si es más probable que su primera operación sea una operatoria de dólar MEP, o la suscripción de un Fondo Común de Inversión (FCI) o la compraventa de activos de renta fija o variable. De esta manera, podemos personalizar su experiencia y acercarle lo que creemos que es más probable que elija de nuestros productos. El proceso está en constante iteración, de acuerdo a los resultados que en forma permanente monitorean”, puntualiza Fliguer.
Para lo que es recomendaciones de productos financieros, se trabaja en conjunto con el equipo de research para automatizar procesos que permitan tener señales más rápidas de movimientos de mercado.
En tiempos de contextos inciertos, el gran desafío de la industria fintech está no solo en la adquisición de potenciales clientes sino sobre todo en la retención. “Resulta más sencillo y comprensible entender que necesitan los nuevos, que poder seguir el camino voluptuoso de aquellos que ya están activos”, cierra Fliguer. La clave, sin dudas, está allí: en poder predecir y anticipar sus comportamientos.
Fuente: La Nación
