Superar los mayores desafíos que enfrentan las instituciones financieras cuando se trata de usar análisis

Superar los mayores desafíos que enfrentan las instituciones financieras cuando se trata de usar análisis

Marca de tiempo: 17 de mayo de 2023 11:26 a.m.
Nodo de origen: 2667079

Las instituciones financieras están basadas en datos por naturaleza. Todos sus procesos centrales, incluidas las evaluaciones de idoneidad del cliente, las decisiones de asignación de crédito y la gestión de reservas de liquidez, dependen de la accesibilidad de los datos y los modelos de inteligencia artificial para tomar las mejores decisiones comerciales ajustadas al riesgo. 

Esta intimidad de datos debería dar a las instituciones de servicios financieros una ventaja para acelerar considerablemente el análisis completo y la incorporación de IA, pero aún quedan obstáculos importantes. 

Comencemos con el acceso a los datos

Los datos son el pan y la mantequilla de las instituciones financieras, con estructuras de datos que provienen de la composición histórica de los modelos comerciales y los sistemas de información subyacentes. Como resultado de esto, los datos a menudo se organizan por productos y actividades. 

Las historias de fusiones y adquisiciones también han influido en los cimientos de los sistemas de información, creando cargas heredadas y barreras para facilitar el acceso a los datos. Esto, combinado con un alto nivel de administración regulatoria en torno al acceso a los datos, es la primera barrera importante para el desarrollo analítico.  

Un primer paso es que las organizaciones reconozcan que escalar con análisis comienza con la ampliación del acceso a los datos. Los bancos y las compañías de seguros son extremadamente reacios a hacerlo por una variedad de razones, incluida la regulación (por ejemplo, GDPR), la ausencia de almacenes centrales, los riesgos percibidos en la resiliencia de la infraestructura y más. 

Sin embargo, sigue siendo un paso crítico para ofrecer la aceleración adecuada. Esto se puede hacer combinando la agilidad de los espacios de experimentación abiertos con una gobernanza sólida para evaluar la criticidad y pasar a la producción. 

Uno de los principales beneficios de esta estrategia también radica en la capacidad de los equipos de gestión de datos para pasar a un enfoque basado en evidencia. ¿Por qué? Debido a que todas las empresas afirmarán que sus datos son de suma importancia, de la misma manera todos los equipos siempre pedirán a sus herramientas que tengan un estado P1 en los planes de recuperación. 

Aprovechar la evidencia sobre el uso tangible es una forma poderosa de reducir las discusiones administrativas y los dolorosos esfuerzos de calificación. Esto, por supuesto, debe hacerse con el tipo correcto de estructura tecnológica para reducir todos los riesgos relacionados, ya sea desde el punto de vista del acceso a los datos utilizando datos de muestra, hasta la seguridad y el control de acceso.   

La importancia de la mejora de las habilidades

Otra barrera principal para el desarrollo de análisis está relacionada con la mejora de las habilidades y la confianza. El nivel promedio de alfabetización de datos es alto en las instituciones de servicios financieros entre los expertos en modelado. Sin embargo, para otros, el paso a la analítica empresarial integrada requiere un cambio de mentalidad, así como una posible mejora de las habilidades tecnológicas y la gestión del cambio. 

Un buen ejemplo es la mejor práctica sobre cómo tratar los datos ausentes. Hay algunos dominios donde tomar proxies será perfectamente aceptable, y otros donde tomar proxies sería una mala práctica. Si no hay precios y características para todos los instrumentos negociados en un día en particular, hay momentos en los que hacer una estimación puede tener mucho sentido (por ejemplo, para estimar llamadas de margen y riesgos).  

Sin embargo, en algunos casos, "adivinar" datos vacíos puede tener un impacto significativo en la toma de decisiones. Las empresas que deseen adoptar el análisis deben invertir en la mejora de las habilidades de sus empleados y crear un entorno de colaboración adecuado para organizar el intercambio y los controles entre expertos en riesgos, profesionales de negocios y científicos de datos para desarrollar iniciativas bien controladas.

¿Cómo está logrando el éxito el sector de los servicios financieros con la IA? 

Los primeros en adoptar el viaje de la IA fueron los equipos de inversión, quienes, en su búsqueda constante de modelos de inversión y conocimientos de mercado únicos, vieron en la IA una oportunidad única para innovar. Si bien ha tenido mucho éxito para unos pocos, también ha dado lugar a muchas iniciativas infructuosas y, hasta cierto punto, ha llevado a la idea errónea de que la IA solo se trata de innovación y descifrar temas de mercado muy avanzados. 

Las empresas financieras que han tenido más éxito con la IA son aquellas que centran sus iniciativas de IA en los "temas de resolución del día uno", como la optimización de los procesos operativos, el análisis del cliente y la mejora del viaje del cliente, la gestión de riesgos en todas las dimensiones y más.

Después de más de 10 años de profunda transformación regulatoria, todos los actores financieros han mejorado significativamente sus marcos de riesgo. Pero queda mucho por hacer en todas las dimensiones. La integración exitosa de la IA en la gestión de riesgos ha desempeñado un papel esencial en el respaldo de la solidez reforzada del sistema bancario, incluida la agilidad y el impacto en las investigaciones, el desarrollo de nuevos controles internos y la mejora del monitoreo de delitos financieros a través de análisis, por nombrar algunos ejemplos.

La IA también es una verdadera revolución dentro de la evaluación de riesgos, especialmente a través del uso mejorado de datos alternativos. Esto es cierto tanto para los riesgos tradicionales como para los riesgos emergentes, como el cambio climático, lo que ayuda a todos los actores financieros (bancos y aseguradoras por igual) a reconsiderar cómo valoran los riesgos. Aquellos que han desarrollado una sólida experiencia en el aprovechamiento de datos alternativos y modelos ágiles han podido beneficiarse realmente de su inversión durante la actual crisis de salud, que desafió profundamente los modelos tradicionales (especialmente en la puntuación para empresas).

Por último, no se debe subestimar el impacto positivo de la IA en los clientes. Los servicios financieros se enfrentan a un panorama competitivo agresivo, así como a la demanda de los clientes de una mejor personalización, lo que impulsa una mejor orientación al cliente en estas organizaciones. La capacidad de crear vistas completas de los clientes y optimizar los viajes de los clientes, especialmente en la gestión de reclamaciones, son dos ejemplos de áreas en las que la IA ha respaldado significativamente la transformación profunda dentro de los bancos y las compañías de seguros, y hay muchas más oportunidades esperando a ser exploradas. 

En general, la analítica y la IA siguen siendo una importante oportunidad de rendimiento para la mayoría. El hecho de que veamos que la IA y el análisis salen con más frecuencia de los laboratorios de datos para integrarse completamente en las líneas comerciales muestra que el movimiento está ahí. Sin embargo, queda mucho por hacer, y hay una carrera entre los jugadores para ver quién aprovecha todo el potencial primero. Mi apuesta estará en aquellos que decidan superar las barreras tangibles y percibidas para el acceso a los datos, con un énfasis combinado en la gobernanza, un enfoque decisivo en la mejora sistemática de los procesos.

Sello de tiempo:

Mas de fintextra