Índice de temas
¿Cómo ha cambiado el sector bancario?
No hay duda de que el sistema bancario ha cambiado drásticamente durante los últimos tres años. La crisis sanitaria de 2021 y el presente conflicto geopolítico europeo han revolucionado la forma de trabajar de las organizaciones financieras tradicionales, que han sido testigos de la aparición en el mercado de las fintechs, esos nuevos actores que se apoyan en la tecnología para suplir las ineficiencias del modelo de banca clásico. El resultado es cuanto menos significativo: actualmente estamos asistiendo a un recrudecimiento del panorama competitivo del sector.
¿Qué tecnologías usa la banca?
Gracias al uso de las tecnologías más innovadoras como la IA, el Big Data, el Cloud o el Machine Learning, y con el objetivo de brindar una mejor experiencia de usuario, estos nuevos entrantes están revolucionando la industria, demostrando así que la necesidad de digitalizar el sector bancario no es baladí. A pesar de ello, el 75% de los ejecutivos bancarios prioriza los costes para mantener los sistemas actuales en funcionamiento, por encima de las nuevas propuestas innovadoras; lo que supone un claro obstáculo de cara a invertir en innovación y flexibilidad, partidas necesarias para poder competir con las fintechs. El auge de las fintechs en el sector ha provocado un cambio de paradigma respecto a lo que el consumidor final espera de su experiencia bancaria; incluso muchos ya se sienten atraídos por estos competidores más ágiles que ofrecen un acceso 100% online, más inmediato, sin esperas y con contrataciones de nuevos servicios de un modo sencillo.
El uso de la inteligencia generativa en la banca
El uso de la inteligencia artificial generativa en el sector bancario es potencialmente amplio. Por ejemplo, crear chatbots para responder a las preguntas de los clientes sobre crédito o finanzas, analizar la información de los clientes para proporcionar productos y servicios personalizados, o adaptar el lenguaje y las imágenes de los mensajes de marketing a los grupos de clientes; incluso para clientes individuales.
En una era como la actual, en la que los clientes pueden cambiar de proveedor con tan solo un clic, es fundamental que la banca aproveche todos sus recursos disponibles para hacerles frente. Además, una gran ventaja con la que cuenta la banca tradicional es la ingente cantidad de datos de clientes que maneja, lo que, con un buen uso, pueden convertirse en una fiable fuente de información que permita mejorar la relación entre entidad y cliente. Gracias a los datos y la IA, las entidades financieras pueden, entre otras cosas, mejorar la evaluación de riesgos y créditos, detectar fraude, luchar contra el lavado de dinero o hiperpersonalizar la experiencia de cliente.
Según el Informe Mundial de Pagos 2022 del Instituto de Investigación de Capgemini, el 70% de los ejecutivos de las entidades financieras cree que sus datos son poco fiables y difíciles de procesar para obtener información. Asimismo, el 60% carece de las herramientas adecuadas y de la capacidad para gestionar datos no estructurados. Esto demuestra que realmente existe un temor a no hacer un uso adecuado de los datos a nivel interno, ya que, en muchas ocasiones, no se dispone de las herramientas adecuadas y el personal cualificado para desempeñar esta tarea. Por este motivo, cada vez más multinacionales recurren a consultores externos que, junto con la figura del analista de datos, tan demandada hoy en día, logran dar con la solución óptima.
¿Cómo se hace el análisis predictivo en la banca?
Sin embargo, las expectativas de los expertos son esperanzadoras y se prevé que el aprovechamiento de los datos llegue antes de lo esperado, gracias a la visión de los altos directivos, que se están dando cuenta de la importancia de poner en valor los datos para ser competitivos y atender las demandas de los nuevos consumidores, la generación Z y los millennials. De hecho, en un corto plazo, será difícil identificar una línea de negocio que no se base, al menos en una parte, en el análisis predictivo. De igual forma, las decisiones basadas en datos extraídos previamente aportarán una mayor veracidad y unas conclusiones basadas en hechos, en lugar de intuiciones subjetivas. Por ejemplo, permitirá probar si un nuevo producto tendrá una buena acogida, haciendo una prueba previa a un público objetivo segmentado demográficamente, sin necesidad de hacer una gran inversión.
Por otro lado, también resulta esencial respetar la intimidad de los clientes en cada momento del proceso. Los datos se utilizan bajo previa autorización del usuario, como contempla la ley de protección de datos, y se tratan de forma anónima; de modo que, no es posible identificar a qué persona corresponde un dato concreto, que únicamente representaría determinados patrones de la sociedad.
La aplicación de herramientas de inteligencia artificial en el sector financiero también presenta una serie de riesgos y de limitaciones que es necesario conocer y gestionar, a fin de poder extraer todo su potencial de manera adecuada. Por ello, es importante distinguir entre los distintos tipos de actividades a las que se están aplicando estas herramientas, dado que problemas como sesgos en los resultados o las dificultades para la interpretación de los razonamientos que subyacen no implican la misma relevancia en unos ámbitos que en otros.
En definitiva, para ser competitivos en una industria cada vez más digitalizada, los ejecutivos financieros deberán ser capaces de aprovechar todo el potencial de los datos con el objetivo de marcar una estrategia que permita adaptar los productos y servicios a las necesidades del consumidor actual. Solo de esta manera, se logrará una mejor experiencia de usuario y mayor capacidad para lidiar con los nuevos nativos digitales.
