Hay una gran línea en Jurassic Park, cuando dos de los personajes están discutiendo sobre el logro científico de crear dinosaurios genéticamente diseñados y el escéptico dice:

"Sus científicos estaban tan preocupados por si podían o no, que no se detuvieron a pensar si debían".

Creo que una ligera derivación de este mismo sentimiento es muy relevante para los bancos de hoy:

"Sus científicos de datos están tan preocupados por si pueden o no predecir algo, que no se detienen a considerar qué pasará si tienen éxito".

El uso de Big Data, AI, Advanced Analytics y Cognitive Computing fue catalogado como la tendencia principal en banca para 2019, según una investigación de The Digital Banking Report. Y con mucha razón. Cada área del ciclo de vida, desde marketing y retención de clientes hasta cobranza y cumplimiento puede, en teoría, beneficiarse de la aplicación de herramientas y técnicas de ciencia de datos más sofisticadas para conjuntos de datos en rápido crecimiento.

Y, sin embargo, para muchos ejecutivos de negocios con los que hablo, los beneficios de aplicar analítica avanzada a estos casos de uso siguen siendo frustrantemente teóricos.

¿Por qué?

En pocas palabras, los bancos pasan comparativamente demasiado tiempo tratando de averiguar cómo predecir algo (o cómo mejorar la precisión de una predicción existente) y no el tiempo suficiente para determinar cómo su gente, sus procesos y su tecnología deberían cambiar si es que tienen éxito.

Resulta que, con los datos correctos, se puede predecir el incumplimiento estratégico (en el que un consumidor que se encuentra ahogado por el pago de su casa elegirá el incumplir con los pagos de su hipoteca para seguir pagando tarjetas de crédito, préstamos para automóviles, etc.) con un grado sorprendente de precisión.

El problema era que, una vez que tenían un modelo predictivo, por defecto, estratégico en la mano, la mayoría de los prestamistas descubrieron que no les servía de nada. Podían identificar a un prestatario específico, que vivía en un edificio de casas inundadas y que estaba incumpliendo estratégicamente su hipoteca. Sin embargo, no pudieron ofrecer a ese prestatario un plan de pago reestructurado sin desencadenar una serie de incumplimientos estratégicos adicionales en el resto del edificio.

Los prestamistas perdieron tiempo y dinero en la creación de modelos estratégicos predeterminados, no porque los modelos en sí mismos fueran inexactos, sino porque los prestamistas no anticiparon cómo el atractivo de una oferta de reestructuración de préstamo influiría en los clientes que aún no habían incumplido. En otras palabras, la analítica no falló. La estrategia de implementación lo hizo.

Aquí es cómo hacerlo

Ahora que hemos dejado de lado nuestra advertencia, echemos un vistazo a cómo debería hacerse. Aquí hay tres ejemplos de cómo los bancos están logrando alinear la analítica avanzada con las realidades operativas para generar un retorno sustancial de sus inversiones.

• Antilavado de dinero. Hoy en día, la mayoría de los informes de actividad sospechosa (SAR) se generan mediante el monitoreo de transacciones a través de reglas basadas en escenarios. Con el uso del aprendizaje automático y la analítica predictiva, FICO podría generar más del 90% de los mismos SAR de forma automática, sin asistencia humana (sin mencionar la captura de una multitud de nuevos eventos de lavado de dinero perdidos por el monitoreo de transacciones actuales). Este avance en la detección de AML puede brindar enormes beneficios a los bancos cuando se combina con una estrategia de implementación sólida que garantice que los reguladores se sientan cómodos y que los oficiales de cumplimiento existentes sean reasignados para enfocarse en alertas de mayor valor.

• Cobranza. Se puede utilizar analítica avanzada para segmentar, a un nivel extremadamente granular, prestatarios morosos en diferentes grupos. Si un banco puede identificar un segmento de cuentas vencidas que se curarán por sí solas o con un recordatorio ligero a través de un canal de comunicación automatizado, entonces pueden mejorar su eficiencia operativa al no asignar esas cuentas a agentes de cobranza humanos. Una vez más, una buena estrategia de implementación es crítica. Una segmentación de recobro más precisa (basada en analítica) puede brindar enormes beneficios cuando los bancos están preparados para reenfocar a sus agentes de cobranza humanos en cuentas de mayor prioridad, donde su empatía y sus habilidades de negociación harán la mayor diferencia.

• Pérdida de clientes. FICO trabaja con un gran proveedor de telecomunicaciones que lucha, como todas las empresas de telecomunicaciones, con la rotación de clientes debido al desgaste de los mismos. Para combatir esto, han reunido un "equipo tigre" de especialistas en servicio al cliente que son notablemente efectivos para convencer a los clientes para que no se vayan. Este Grupo de Intervención es altamente efectivo, siempre y cuando estén enfocados en los clientes correctos. Ahí es donde entran en juego la analítica. Las inversiones en modelos de predicción más precisos, incluso cuando el aumento en la precisión de predicción es relativamente pequeño, se ven recompensados porque esas predicciones mejoradas se convierten en "ahorros" para el negocio a una tasa impresionante.

El papel de la analítica en la transformación del negocio tiende a ser la estrella (nosotros en FICO somos ciertamente culpables de esto). La verdad es que la analítica es una herramienta extremadamente poderosa, pero la efectividad de cualquier herramienta depende en gran medida de cómo se use. Los banqueros que toman decisiones analíticas de inversión harían bien en recordar esto.

*Solutions and Advisory Group-Vice President and General Manager de FICO