Los servicios financieros no suelen asociarse con la “ciencia”, pero dentro de poco ésta percepción está a punto de cambiar gracias a la llegada de la analítica de datos y el machine learning. Según Jeffrey Bohn, director científico de la compañía de servicios financieros State Street, la mejora de la tecnología de reconocimiento de patrones ha hecho posible que se puedan desarrollar algoritmos capaces de analizar la situación macroeconómica actual. Con esta nueva tecnología analítica, se puede mejorar de manera significativa la predicción del riesgo financiero.
El Data Science permite desarrollar y aplicar modelos analíticos capaces de mejorar el desarrollo de estrategias de riesgo y de comercio financiero.
Los directivos necesitan mejorar sus conocimientos en analítica de datos
Los altos ejecutivos no siempre tienen experiencia analítica de datos y no suelen dedicarle suficiente tiempo. La realidad es que la analítica de datos se está convirtiendo en un elemento crucial para la toma de decisiones en un contexto cada vez más dinámico y cambiante. Gracias a los avances en Big Data y Data Science, ahora es el mejor momento para aplicar todos estos conocimientos en los servicios financieros, aunque también es cierto que queda un largo camino por recorrer.
¿Qué a cambiado en la banca y en los servicios financieros actuales?
El sistema regulador es mucho más proactivo. Los bancos deben superar ciertas pruebas de estrés y cumplir una serie de regulaciones para poder seguir pagando sus dividendos. Ésta situación a obligado a que muchos directivos se interesen por la analítica de datos, ya que se ha convertido en un elemento clave que determina su propia remuneración.
Por otra parte, se observa un creciente interés por la analítica del riesgo, sobretodo en los ejecutivos financieros más jóvenes, ya que suelen presentar mayores nociones en analítica.
Habilidades necesarias para sacar provecho del Data Science en las instituciones financieras actuales
La mayoría de personas tiene nociones sobre estadística, ya sea por sus estudios universitarios o por la realización de analítica de datos a través de un programa de MBA, pero no están familiarizados con el estudio de la incertidumbre y el riesgo.
El Data Science permite analizar flujos de información, que generalmente están sin pulir, para convertirlos en información valiosa, organizada y jerarquizada. A modo de ejemplo, en los últimos años, multinacionales como General Electric, Banco Santader o BBVA han implementado el rol del Chief Data Officer o Chief Science Officer en sus organizaciones, con la misión de sacar el máximo rendimiento de sus datos de negocio.
La entidades financieras saben que la comprensión de los detalles que sustentan su modelo de negocio es determinante para su futuro, en un mercado que tiende a ser cada vez más complejo. Por ello, la industria financiera necesita que sus ejecutivos tengan un comprensión clara de los modelos analíticos, sobretodo para poder realizar análisis de riesgo más rigurosos, en un futuro que se caracterizará por el incremento de los productos financieros complejos.
Hay que tener en cuenta que los modelos de análisis del riesgo que aplican las agencias de calificación se caracterizan por ser excesivamente simplistas que no son capaces de reflejar el riesgo total. Esto se debe a que su modelo de negocio se basa en hacer crecer rápidamente nuevos mercados y no en la inversión de recursos capaces de analizar el riesgo real. Por este motivo, los bancos y servicios financieros deben ser capaces de desarrollar sus propios modelos analíticos para descifrar el riesgo real en sus decisiones de inversión.
Por otro lado, el envejecimiento de la población en las sociedades occidentales provocará que en el futuro podamos prescindir o evitar la oferta de productos financieros complejos para poder dar cobertura a las necesidades de esta nueva configuración poblacional. Por tanto la analítica y el Data Science cada vez serán más determinantes en la oferta del sector financiero.
¿Qué funciones desempeña el Chief Science Officer en un banco?
Debido al incremento de la capacidad computacional han surgido nuevas tecnologías y modelos analíticos. Hoy día existen nuevas técnicas de gestión de datos, nuevas plataformas que utilizan la computación distribuida y nuevos tipos de bases de datos. Un ejemplo es la tecnología de bases de datos distribuida blockchain, que permite la circulación financiera sin necesidad de una autoridad central que regule ni supervise.
El nuevo paradigma tecnológico ante el cual se enfrenta el sector financiero ha provocado que compañías financieras como State Street estén centradas en colaborar con diferentes universidades en la investigación de tipo computacional, estadística, económica y matemática. Recientemente, la compañía creó el Consortium Analytics in Risk (CDAR) con el objetivo de compartir nuevas ideas con las universidades e impulsar nuevas investigaciones. El consorcio permite que State Street tenga un espacio de experimentación y de intercambio de conocimientos multidisciplinares entre diferentes industrias. Es en estos espacios de investigación y experimentación en analítica de datos dónde el rol del Chief Science Officer cobra sentido. De manera que el CSO ha de ser capaz de alinear los objetivos de las diferentes investigaciones con las necesidades del sector financiero, siendo capaz de implementar soluciones de otras industrias que, generalmente, le llevan años de ventaja a los servicios financieros.
El papel del Machine Learning/Deep Learning en la Macroeconomía
Los algoritmos basados en el Machine Learning/Deep Learning son capaces de detectar entornos con una liquidez precaria o frágil. Del mismo modo que el Deep Learning permite que actualmente existan coches autónomos que reconocen los diferentes patrones de la conducción, en el sector financiero es posible aplicar la tecnología de reconocimiento de patrones para la identificación del riesgo financiero y el régimen macroeconómico del momento.
Otra área que puede beneficiarse de los algoritmos basados en el machine learning es la detección del fraude financiero. De manera que se podría generar un algoritmo capaz de identificar situaciones de fraude a partir de los datos referentes a las actividades comerciales de una institución financiera.
Comentarios recientes