El sector financiero ha sido tradicionalmente uno de los sectores más propensos a la inversión en tecnología, especialmente relacionada con los datos. No es extraño entonces ver como los principales vendors lanzan soluciones de big data orientadas a este mercado como son gestión de patrimonios, control de riesgo, banca comercial, banca de inversión, mercado variable, préstamos, análisis de crédito, o intercambio de divisas, por poner algunos ejemplos.
En los últimos años algunas de las soluciones de big data han conseguido aparecer como los mejores casos de uso y un aluvión de empresas especializadas se han lanzado a ofrecer soluciones cada vez más completas. Veamos cuales son las más populares.

High-frequency trading

El trading de alta frecuencia o HFT consiste en el uso de algoritmos de computación propietarios junto con datos de diferentes fuentes para maximizar los ingresos en la compra-venta de acciones. Desde hace ya unos cuantos años se realiza un trading electrónico de poco margen pero con un gigantesco número de operaciones de forma automatizada, apoyándose en el uso de todo tipo de datos para intentar minimizar errores que puedan resultar en operaciones con pérdidas. Hay casos donde un algoritmo descontrolado ha llegado a causar millones en pérdidas.

pantalla high frequency trading

Los traders mueven automáticamente posiciones cortas en gran volumen y rapidez buscando captar en ocasiones fracciones de centavos en cada operación. Este tipo de trading es tan efectivo a la hora de generar beneficios para las instituciones financieras que ya en 2009 suponía entre el 60 y 73% de todo el volumen de trading en EEUU. El retorno de inversión respecto al riesgo es muy elevado ya que no se mantienen las posiciones de un día para otro.
El HFT es poco intensivo en capital pero tiene otros requerimientos especiales. Se necesita tener definidas unas estrategias propietarias de trading que son llevadas a cabo por servidores moviendo posiciones de entrada y salida en fracciones de segundo.
El big data permite este tipo de trading de una forma tan eficaz que algunos expertos lo han renombrado “High Intelligence Trading”. Las tecnologías big data permiten realizar análisis de datos en tiempo real desde múltiples fuentes antes de ejecutar la orden de compra-venta. Además, la precisión de ejecutar la orden correcta se incrementa al correlacionar datos en tiempo real con fuentes de datos históricos.
La introducción de tecnologías de big data para HFT ha llevado al desarrollo de aplicaciones de incluso más baja latencia, del orden de microsegundos, integrando tecnología de procesamiento de datos en tiempo real como mallas de datos en memoria y motores complejos de procesamiento de eventos.

Gestión de riesgos

La gestión del riesgo es la prioridad número uno de las instituciones que ofrecen servicios financieros. Entre los escenarios de gestión de riesgos donde se usa tecnología de big data podemos encontrar multitud de casos de uso en vigilancia de mercados y en insider trading. En un entorno de cambio continuo las instituciones financieras necesitan una ayuda tecnológica a la hora de definir nuevas reglas para identificar y mitigar el riesgo. Muchos son los tipos de riesgos que se pueden gestionar con el uso de big data: incertidumbre en mercados financieros, susceptibilidad a las responsabilidades legales, riesgo de pérdida de clientes a la competencia, impacto de desastres naturales, riesgo de liquidez, riesgo de tipos de interés, riesgo operacional, etc. Las soluciones de big data permiten obtener la información oportuna en tiempo real, compartiendo entre los departamentos afectados el estado y posición respecto al riesgo permitiendo un mejor control del riesgo en todo momento.

Cumplimiento de normativas

Aunque propiamente el cumplimiento de regulación financiera es un tipo de riesgo lo vamos a ver por separado ya que las normativas cambian cada vez más rápidamente y su cumplimiento no es siempre sencillo. Por otro lado, las multas por violación de las regulaciones se han disparado últimamente cobrando una importancia mayor en la gestión del riesgo corporativo.
Las soluciones big data para acometer los cambios regulatorios y cumplimiento de normativas específicas permiten mantener a las instituciones actualizada tan rápidamente como se producen los cambios. Las multas pueden alcanzar millones de euros por lo que las soluciones big data pueden amortizarse rápidamente al actuar proactivamente y permitir así tener la tranquilidad de cumplir con los requerimientos.

Solvencia

La autorización de créditos a personas y empresas es una parte muy importante del negocio de las instituciones financieras. La decisión se realiza previo análisis de la solvencia del sujeto solicitando el préstamo.
Existen soluciones de big data como ZestFinance o Lendup para determinar la solvencia de crédito, que incorporan nuevas fuentes de datos, como por ejemplo, con quién hace negocio la compañía, cuáles son los últimos acuerdos cerrados, cuándo van a lanzar nuevos productos,… Para las empresas la actividad en redes sociales también está teniendo una importancia creciente, por ejemplo para averiguar qué gusta o dónde realizan las compras los clientes.

Gestión del fraude

Las instituciones financieras están expuestas a diferentes tipos de fraude que ocasionan millones en pérdidas. Para detectar y prevenir el fraude se usan herramientas de análisis predictivo como hemos visto en artículos anteriores. Los datos de comportamientos fraudulentos presentan correlaciones al cruzarlos con diversas fuentes y es gracias a estas herramientas cuando podemos descubrir patrones y actividades sospechosas. Las soluciones de big data para análisis de fraude correlacionan datos como geolocalización, patrones de compras, datos transaccionales históricos y otras fuentes de datos tanto internas como externas para detectar el fraude en tarjetas de crédito. Son soluciones que necesitan operar en tiempo real utilizando tecnologías en memoria para analizar cientos de terabytes de datos de transacciones en tiempo real para detección del fraude.

Mejora en operaciones del Call Center

Este caso de uso puede aplicarse en cualquier otro sector pero las instituciones financieras están empleando tecnologías big data a gran escala para reducir los costes operativos y conseguir una mayor satisfacción de sus clientes.
Las soluciones de big data permiten hacer predicciones de problemas de clientes y resolverlas antes de que impacten en el cliente. El objetivo es superar las expectativas del cliente y hacer que regresen a la compañía financiera para adquirir más productos cuando tengan nuevamente una necesidad. Al tener tantas fuentes de datos de sus clientes los bancos y compañías de seguros pueden permitir a sus clientes resolver los asuntos por sí mismos con herramientas online, dándoles así mayor control y reduciendo el coste durante el proceso.

Ofertas personalizadas

Los bancos y demás empresas financieras usan el big data para enlazar los numerosos productos de su portfolio con los diferentes segmentos de clientes. Las herramientas de big data permiten a las empresas definir los segmentos y luego personalizar las ofertas para cada segmento teniendo en cuenta las preferencias de clientes, su relación particular con la compañía, la frecuencia de contacto, la naturaleza de sus visitas al sitio web, etc.
Aunque esto se lleva haciendo hace años, ahora gracias al big data se puede realizar con mayor números de fuentes de datos, más variedad, y en casi tiempo real. Se pueden crear campañas publicitarias específicas basadas en toda esa información para aumentar la propensión de venta de los clientes. Esta comprensión granular del cliente permite también ayuda a la hora de hacer cross-selling con otros productos.

Trading de commodities

Este punto se está convirtiendo en un importante caso de uso gracias al uso de sensores para gestionar la diversidad de commodities. Por ejemplo, un trader que trabaja con los precios del trigo puede obtener flujos de datos directamente desde las granjas en tiempo real. Esto se debe a que se han desplegado sensores por grandes extensiones de cultivos que informan instantáneamente del estado de las cosechas, tipo de cultivo, tiempo de recolección, etc. Estos datos permiten a los traders hacer apuestas apoyadas en datos y no simplemente apostar al azar para obtener mejor rendimiento. Estas tecnologías han acercado el mundo financiero con el de la agricultura generando más dinero trabajando juntos.

Asesoramiento de inversión

La mayoría de clientes necesitan algún tipo de asesoramiento cuando realizan inversiones. Tradicionalmente los asesores de banca de inversión o gestión de patrimonio asumían la tarea de ayudar a clientes escogidos para realizar sus inversiones. Ahora el big data está cambiando las reglas del juego. Por un lado, estas tecnologías de análisis están ayudando a los asesores a extraer nuevas ideas e información que hasta ahora no eran accesibles. En algunos casos, se han generado startups con servicios online, o áreas de la organización con asesoramiento automatizado basado en algoritmos de big data que hacen innecesarios a los gestores de asesoramiento.

Retención de clientes

Los servicios financieros son uno de los mercados más competitivos. Es muy difícil retener un cliente cuando un competidor rebaja el tipo de interés en su hipoteca o realiza una oferta mejor con cualquier otro producto. Las tecnologías de big data permiten facilitar la retención mediante la monitorización de la actividad de los clientes y la búsqueda de indicadores que puedan mostrar una pérdida de interés en su oferta, como por ejemplo, no haber visitado el sitio web en un tiempo considerable, haber hecho un like a un producto de la competencia en cualquier red social, etc. Las soluciones permiten modelar las acciones que deben acometerse para retener los diferentes tipos de clientes.

Si piensa que falta algún caso de uso que deba estar en la lista o cualquier comentario no dude en hacerlo ahora. Para cualquier necesidad relacionada con big data o analítica de datos puede contactar con nosotros aquí.