Por Gaetano Ziri, Innovation Manager de Auriga
La banca, como otros sectores, recoge, almacena y procesa una enorme cantidad de datos, y por eso utiliza este importante activo no solo como un recurso adicional a sus fuentes de ingresos tradicionales, sino también como una herramienta imprescindible en la toma de decisiones, la oferta de servicios y la mejora de su modelo de negocio en general.
Los puntos de contacto de los clientes bancarios con sus entidades se han multiplicado en los últimos años. La omnicanalidad ha llegado con fuerza a este sector que, si ya en épocas contaba con una verdadera mina de oro de datos e información, ahora ha visto multiplicado este volumen gracias a todos esos canales que resultan ser fuentes constantes de datos, tanto de los clientes actuales como de los potenciales. Y todas estas interacciones generan datos valiosos para clientes existentes y potenciales. Datos que pueden ser recogidos y utilizados para descubrir más sobre su nivel de satisfacción, su comportamiento o el riesgo de perderlos, permitiendo a la banca así diseñar un servicio aún más personalizado y continuar desarrollando su estrategia omnicanal.
A priori puede parecer que la recogida, almacenamiento y análisis de los datos sobre todo útil para atender mejor a sus clientes, y así es. Pero para las organizaciones bancarias el análisis de datos es, además, una interesante herramienta para conocer mejor a los empleados y las operaciones internas más frecuentes y plantear estrategias de optimización de procesos y de vigilancia de flujos. Y, mucho más interesante, también para gestionar la seguridad y detección de fraude.
La seguridad gana gracias al análisis de datos
Puesto que la clave para la detección del fraude está entender la diferencia entre los comportamientos normales de gasto y las compras inusuales y fraudulentas, las tecnologías de análisis de datos están desempeñando un papel cada vez mayor en las estrategias de ciberseguridad de los bancos para detectar ataques en las primeras etapas y son, según los expertos, esenciales para mitigar la incidencia de los delitos cibernéticos.
En este sentido mediante el análisis de red es posible rastrear una cuenta de empleado que se comporta de manera extraña después de hacer clic en un posible correo de phishing o que ha interaccionado con una nueva variante de malware. La detección por IA y el machine learning permiten detectar y bloquear estos problemas instantáneamente, interviniendo en el ciberataque incluso antes de que pueda afectar negativamente a las operaciones comerciales.
La inteligencia artificial juega un papel clave para extraer y organizar los datos construyendo un ecosistema de información. Poner todos estos datos en contexto puede ayudar a mejorar los procesos de negocio y la operatividad. Utilizándola en conjunto con herramientas de machine learning los bancos pueden, por ejemplo, explotar datos sobre transacciones y movimientos de flujo para pronosticar tendencias de retiro de efectivo y depósitos, patrones dentro de las sucursales, así como tendencias de reciclaje del efectivo.
Para todo ello es fundamental la existencia de soluciones tecnológicas bancarias que integren funcionalidades de análisis de datos y que permitan a los bancos elaborar de manera fácil y organizada la cantidad de datos de que disponen. No solo para lo que se refiere a operativa propia del cliente sino también para un análisis predictivo de las operaciones y los procesos internos más frecuentes. Así, ya existen soluciones de seguridad que analizan datos de millones de incidentes cibernéticos y pueden discernir entre una transacción honesta y una fraudulenta y así determinar posibles amenazas. Por otro lado, también hay otras que permiten anonimizar y encriptar los datos cuando no se están utilizando, garantizando el cumplimiento de las normativas de protección de datos.
Aunque este no es el final del viaje. Actualmente, una vez superados los retos tecnológicos del tratamiento de los datos y de su seguridad, los esfuerzos se están centrando más en la eficiencia y en conseguir modelos más éticos y justos. Aunque también es cierto que aún falta mucho recorrido en este sentido, ya que para programar algoritmos inteligentes es necesario, primero, discernir qué nos parece o no ‘justo’ en la toma de decisiones, y eso puede no ser tan evidente.
Lo ideal, en estos casos, es una visión global de la seguridad, teniendo en cuenta todos los puntos de contacto del banco desde donde puedan existir amenazas, tanto los actuales como los que están por venir, como kioskos de información bancaria o gafas de visión artificial. A partir de ahí, las entidades deberán aprender a utilizar la analítica de datos de manera más inteligente para mejorar las experiencias omnicanal de los usuarios en la próxima generación de la banca física y en sus despliegues de autoservicio digital.
Una mejor atención al cliente y, por tanto, el futuro de su negocio, están en juego.
