Hay dos tipos de bancos: los que tienen datos y los que los utilizan para impulsar su operatoria

Hay dos tipos de bancos: los que tienen datos y los que los utilizan para impulsar su operatoria
La realidad de los bancos está siendo definida por la transformación digital.Elías Bethencourt, director de AIS Group Argentina

Hoy, los bancos necesitan contar con herramientas que les permitan ser más competitivos, tomar decisiones acertadas en menos tiempo y ser flexibles.

No hay dudas de que estamos viviendo en la era de los datos. La cantidad de información que se genera diariamente crece de forma exponencial con el correr del tiempo, y la posibilidad de recolectarla, almacenarla y analizarla que la tecnología nos brinda ha llevado a los datos a convertirse en el activo más importante de las empresas. En el sector financiero los datos son clave; y a partir de internet y de los múltiples canales digitales que la banca fue incorporando resulta imposible pensar en el éxito de una entidad financiera sin una política de gestión de datos.

Pero los datos en sí mismos no le aportan valor al negocio. El paso fundamental tiene que ver con agregarles inteligencia para que puedan aportar a la toma de decisiones, a brindar una mejor atención a los clientes, a mejorar tiempos de respuesta, crear sistemas de predicción más adecuados, entre otros factores. ¿Pero qué debe hacer la banca argentina para lograrlo?

Como primera medida, los bancos deben avanzar en estructurar sus datos. Deben crear un gobierno de datos que implique gestionarlos como lo que realmente son: un activo de valor. Un correcto gobierno de datos, a grandes rasgos, implica asegurar la calidad de los datos, definir una estrategia para hacerlo e incorporar tecnologías que permitan estructurarlos.

Luego, para poder sacar el mayor provecho de toda la información es necesario recurrir a tecnologías como el Machine Learning; mucho más potentes que las técnicas tradicionales con las que vienen trabajando la banca y las empresas para elaborar sus sistemas de predicción. Los modelos de Machine Learning permiten clasificar mejor el riesgo de las personas y empresas (clientes y no clientes) simplificando por ejemplo la concesión de un crédito, optimizar el seguimiento de las carteras detectando con antelación señales de un posible impago, tasar automáticamente inmuebles con un alto grado de éxito y en menor tiempo, prevenir el fraude y maximizar los resultados en el recupero de créditos.

Te puede interesar  La disponibilidad para crear una nueva experiencia del cliente

Otra ventaja de machine learning es que son sistemas que aprenden, por lo tanto, otorgan al sector una mayor automatización y la capacidad de estar siempre actualizados.

La realidad de los bancos está siendo definida por la transformación digital. Hoy necesitan contar con herramientas que les permitan ser más competitivos, tomar decisiones acertadas en menos tiempo y ser flexibles. A medida que vemos señales positivas del Banco Central para acelerar la transformación digital del sector, la tecnología se presenta como una aliada para llevar la productividad y la atención al cliente al siguiente nivel.

Print Friendly, PDF & Email

Ultimas Noticias

Deje su comentario

Su dirección de correo no será publicada. Los campos obligatorios están marcados con *

Cancelar respuesta

+ Leídas

+ Comentadas


Videos Destacados


Siemens refuerza su apuesta en digitalización

Para 2018 las inversiones en investigación y desarrollo ascienden a unos 5.600 millones de euros.

Cerrar