La banca se está transformando y en este proceso confluyen diferentes herramientas dirigidas a la personalización de servicios de clientes. También el manejo de datos se ha vuelto imprescindible en la gestión bancaria, hasta el punto que tecnologías como el Big Data y las técnicas avanzadas de Machine Learning mejoran la capacidad de predicción de los modelos de evaluación del riesgo de impago hasta un 30%.
Se trata de una afirmación realizada por Experian, compañía tecnológica especializada en servicios crediticios, analítica avanzada y data, según su experiencia observada en diversas carteras
Los últimos estudios de esta compañía apuntan a que el 82% de los directivos son conscientes de la relevancia de los datos y la analítica avanzada para los negocios, y aumentan sus inversiones de cara a poder generar modelos predictivos que les permitan mejorar sus resultados de forma sistemática. Gracias a los mismos, dicha cantidad de data se convierte en insights de valor añadido para la toma de decisiones de negocio y la configuración de su estrategia empresarial.
“Las compañías deben ser capaces de extraer información de múltiples fuentes, así como de interpretarla y explotarla estadísticamente para crear modelos analíticos avanzados, y mejorar sus cuadros de mando de gestión y segmentación de clientes”, explica Ricardo García, Iberia Analytics Director de Experian. Todos estos procesos ayudan a la evaluación y cuantificación del riesgo crediticio, así como a mejorar las estrategias de marketing.
EL MACHINE LEARNING AUMENTA LA DISCRIMINACIÓN ENTRE BUENOS Y MALOS PAGADORES, MEJORA LA PREVENCIÓN DE FRAUDE, Y PERMITE UNA MAYOR PERSONALIZACIÓN DE PRODUCTOS
Los sistemas de clasificación de clientes actuales utilizan motores de análisis basados en Machine Learning. Estos motores consideran las características sociodemográficas del usuario, su edad y comportamiento de pago histórico para la evaluación del riesgo.
Los modelos estadísticos avanzados de evaluación del riesgo de impago consiguen minimizar pérdidas, ya que predicen de forma más ajustada qué clientes tienen una mayor probabilidad de ser peores pagadores. Adicionalmente, previenen mejor el fraude para así tomar medidas al respecto. Por ejemplo, según nuestra experiencia, este tipo de modelos permiten mejorar hasta un 30% la capacidad de discriminación para nuevos clientes”.
Ricardo García, Iberia Analytics Director de Experian.
Además, estas tecnologías permiten identificar mejor a aquellos pagadores “excelentes” entre la población de buenos pagadores. Evaluar la capacidad de pago de un consumidor es de importancia crítica cuando se trata de encontrar el producto o servicio idóneo. “Y hablarle directamente de sus necesidades.
Los modelos predictivos desarrollados por Experian están orientados al sector bancario, financiero, asegurador, telco, retail y utillities. “Son muchos los sectores que están invirtiendo en metodologías analíticas avanzadas, y las empresas tecnológicas consiguen mejorar exponencialmente sus herramientas en cada versión. Nuestros últimos modelos mejoran en un rango de 10-20 puntos en su capacidad predictiva respecto a versiones anteriores. Dicha mejora se observa a lo largo de diferentes carteras de forma consistente para todos los sectores”, concluye.
Fuente:
Alberto Perez, A. P. (2020, 13 enero). Big Data y Machine Learning para predecir impagos en la banca. Recuperado 13 enero, 2020, de https://www.directivosyempresas.com/internet/tecnologia/big-data-y-machine-learning-para-predecir-riesgo-de-impagos-en-banca/