La analítica avanzada en la banca

Septiembre 19, 2018 | Negocios

Acuerdos como los de Basilea y otras regulaciones para el sector bancario, imponen prácticas y previsiones a manera de estándares internacionales que pueden impactar la forma en que se relacionan con sus clientes empresariales o individuales. El cumplimiento de sus procedimientos puede hacer que muchos procesos y transformaciones tomen semanas y hasta meses, lo que se refleja en sus ganancias y costos, que a su vez pueden trasladarse hacia las tarifas al público.

Estos aspectos se suman a las principales barreras de adopción de estos estándares que están en las condiciones tecnológicas, de infraestructura, de software y de conocimiento en analítica que requieren. No todos los mercados, países ni sus bancos son iguales, pero para todos es claro que se puede lograr un círculo virtuoso en la adopción de estas normas, y que para ello es fundamental que las entidades logren emplear las técnicas analíticas que mejor se ajusten a sus particularidades para minimizar los impactos de estas decisiones normativas.

Por ejemplo, en la actualidad, en modelos de puntuación de crédito ya se están usando técnicas de machine learning y de deep learning, que son temas de alta sofisticación en términos de técnicas y metodología para los cálculos de estos modelos, con esto se logra una disminución del ciclo analítico en estas tareas, lo que tiene una relación directamente proporcional con la utilidad de cualquier entidad de crédito. En este contexto, la oferta de soluciones que, además de estas técnicas, permitan análisis de datos no estructurados es determinante para lograr un desempeño eficiente en nuevos escenarios de competencia, con clientes usando canales ágiles y on line cada vez más.

Con diversidad de data y de perfiles de clientes, los requerimientos para cálculos de pérdida esperada se hacen indispensables para todo el sistema, demandando agilidad y la mayor precisión posible en los análisis para responder rápido en un mercado vertiginoso, por ejemplo, la construcción de los flujos de caja esperados por perfil de riesgo es una tarea que se debe hacer con un software de analítica avanzada para lograr que los cálculos sean realizados con modelos adecuados que maximicen la mitigación de los dos grandes problemas de este frente: uno, que las pérdidas esperadas resulten más altas de lo que deberían ser, lo que va a generar un incremento en las provisiones y esto un detrimento en la utilidad neta; y dos, que sean tan bajas que cuando se materialicen los impagos la entidad no vaya a tener con qué cubrir tales pérdidas.

“Las soluciones más sólidas de analítica de SAS traen los mejores estándares mundiales y son capaces de también de hacer un traje a la medida para las entidades colombianas, generando valor no solo por cumplir una normativa sino porque todos esos cálculos que se procesan se convierten en una utilidad mejor estimada, real y tranquila, que las juntas directivas pueden tomar como base para las decisiones más críticas del negocio”, explicó Mario Alberto Muñoz, Risk domain expert para SAS Latam.

Otro frente en el que la analítica hace un aporte vital en el contexto actual es en las pruebas de estrés de los bancos. Las que se aplican hasta hoy buscan estresar los factores que componen un valor a riesgo de un portafolio en particular, pero la analítica avanzada permite hacerlo correlacionando diferentes portafolios, al tiempo que se incluyen variables macroeconómicas que estresan el balance de la compañía y eso logra resultados totalmente diferentes, mucho más cercanos a la realidad y que permiten no solo ver el impacto al interior de una empresa de una situación específica, sino incluso el impacto país que esto podría generar, permitiendo prever temas como los que se vieron en la crisis de 2008, que si bien se originó en el sistema financiero terminó por permear a otras industrias hasta generar una crisis mundial.

Otra de las exigencias de Basilea IV tiene que ver con la gobernanza y la transparencia, y en eso la analítica también es una gran ayuda pues estas soluciones son 100% auditables y aseguran la calidad en el proceso a través de cubrir el ‘end to end’ en la trazabilidad de los modelos. “¿Qué sucede hoy? Que los cálculos puede que se hagan bien pero cuando pasan de un área a otra, y se hace eso de manera análoga, ese manejo de los modelos está abierto a grandes vulnerabilidades, incluso a nivel mundial hay bancos que han sido multados, no porque sus modelos estén mal estimados, sino porque no son capaces de demostrar que todo el procedimiento se hace con un control absoluto sobre lo que la normativa ha llamado ´model risk management´”, ilustró Muñoz de SAS Latam.

La analítica se convierte hoy en una herramienta clave para que la banca vaya al ritmo de sus clientes, para poder dar respuesta a la velocidad que estos van y para que la gran cantidad de información estructurada y no estructurada que hoy se genera a través de la diversidad de plataformas digitales, genere valor a todo el ecosistema económico. “Predecir con base en situaciones exactas y cruzando todas las variables de las que podamos tener información, es decir, usando el ´Big Data´, es la razón por la que la analítica avanzada es un gran aliado de la banca en el frente de regulación y de cara a la transformación de sus clientes”, añadió Muñoz.

Para concluir: “Todo dato, es data para crédito. El tiempo de lectura del contrato en línea que dedica un potencial cliente, la cantidad de visitas al sitio web sobre condiciones y características de un determinado producto financiero, la forma de diligenciar un contrato: entre más completa se hace la solicitud, todo puede decirnos algo, darnos información para tomar decisiones sobre un cliente bancario con las herramientas de comunicación e interacción disponibles ya. Así mismo aumentan los riesgos, pero también las posibilidades de atención y pertinencia”.