Datos alternativos mas datos tradicionales la clave para potenciar el análisis

Actualmente, uno de los mayores desafíos para las empresas es no sentirse capaces de adoptar los cambios necesarios para la implementación de Big Data o datos alternativos. Algunas otras empresas están colectando información, pero no poseen las habilidades analíticas para interpretar y actuar.

Todo esto está aconteciendo a nivel global y en el caso de América Latina la perspectiva no es muy diferente. Especialmente si se tiene en cuenta que la región enfrenta muchos más desafíos respecto a condiciones específicas como: la desigualdad económica, el analfabetismo digital y el gap digital entre los sectores más pobres.

Dada la situación actual y con el afán de comunicar la importancia de contar con la tecnología correcta para la digitalización de procesos en la industria Fintech y de la banca, Provenir – plataforma líder para la decisión de riesgos – estuvo presente en el mayor evento de Data & Analytics organizado por Corinium y exclusivamente para el mercado de Brasil: “Data Champions online”. Aquí, los líderes de Provenir Latinoamérica, Gabriela Herrera, Senior Business Development Manager Latam y Fernando Ramos, Senior Solutions Architect Latam compartieron sus diferentes perspectivas sobre cómo la incorporación de datos alternativos puede mejorar los procesos de toma de decisiones de riesgos.

Desafíos en el uso de datos alternativos

Más allá de los desafíos antes mencionados sobre la posibilidad de incluir a “aquellos no incluidos”, se observa un gran interés en utilizar esta metodología y por así decirlo en “go digital”. Durante la presentación, se preguntó a la audiencia si utiliza o no datos alternativos. Sorprendentemente, el 64.7% de los participantes respondió que sí usan datos alternativos para la toma de decisiones de riesgo. Mientras que un 35.3% indicó que no utiliza.

Por otro lado, se consultó a la audiencia sobre los desafíos que están transitando en este momento. Un 44.4% indicó que el principal problema es la comunicación entre los equipos de ciencias de datos y de riesgo. El otro 44.4% señaló el gap de habilidades y sólo 11.1% respondió la dependencia de proveedores de tecnología.

Mejorando la capacidad de crédito de los usuarios accediendo a sus datos alternativos

Sobre la posibilidad de combinar el uso de datos alternativos y datos tradicionales, Fernando Ramos, Senior Solutions Architect para América Latina, indicó: “Cuando se consigue utilizar los datos alternativos como una oportunidad para llenar vacíos que los datos tradicionales no pueden cubrir ni resolver es ahí, cuando se pueden aprovechar mejor, además de obtener resultados más precisos y un mayor porcentaje de aprobación de crédito”.

Esto significa que, en los casos en que una persona no tiene un perfil o historial crediticio de al menos seis meses, los datos crediticios alternativos pueden brindar asistencia predictiva cuando no haya datos históricos. Con datos no tradicionales, las compañías financieras pueden aumentar el número de consumidores. Además, el uso de estos datos puede ayudar a crear un proceso de calificación preciso para todo tipo de solicitantes.

“Uno de los principales beneficios de usar datos alternativos es la posibilidad de expandir el porcentaje de aprobación y aún así poder minimizar el riesgo” dijo Gabriela Herrera, Senior Business Development Manager para América Latina.  Por lo tanto, ampliar el “creditworthiness” utilizando otras variables, debería ser uno de los puntos para tener en cuenta si como objetivo se espera un crecimiento.

La importancia de machine learning para establecer modelos predictivos

Como se sabe, machine learning se utiliza para crear modelos predictivos y evaluar la credibilidad de los usuarios, a través de la creciente cantidad de datos que no están necesariamente relacionados con el historial financiero de los candidatos.

Machine learning no solo automatiza y, por lo tanto, acelera el proceso de determinación del riesgo crediticio, sino que también mejora la precisión del proceso al tener en cuenta una gama mucho más amplia de datos relevantes que los modelos estadísticos estáticos jamás podrían procesar. Pero quizás lo más importante es que machine learning puede aprovechar nuevos datos a medida que llegan para cambiar los parámetros de solvencia crediticia.

Fernado Ramos agregó “Cuanto más utilizamos datos alternativos y entendemos mejor los comportamientos, digital footprint, etc de los usuarios, contamos con una mayor posibilidad de crear modelos predictivos para mejorar la capacidad de crédito de los usuarios, que resulta en un crecimiento del negocio y en una tasa de aprobación más positiva”.

Sobre la pregunta de la audiencia acerca de por qué las Fintechs aman los datos alternativos: “Las Fintechs están intentando competir con el mercado tradicional, encontraron una oportunidad en el mercado financiero innovando, tal como Uber encontró una oportunidad en el mercado de transporte. Las Fintechs tienen una gran afinidad con la tecnología y están haciendo un buen papel al usar datos alternativos para incluir a aquellos olvidados, aquellos que están fuera del mercado financiero brasilero, generando así un crecimiento en sus negocios” afirmó Ramos.

Finalizando la presentación virtual sobre los desafíos en el uso de datos alternativos y cómo Provenir puede ayudar a obtener una mejor toma de decisiones de riesgo, Fernando Ramos destacó la importancia del rol de los data scientists y de contar con la capacidad para lograr una implementación ágil y segura de fuentes de datos, poder integrarlas con APIs, extraer esas variables y crear modelos predictivos de una forma visual, independiente y a través de una plataforma que no precise ser decodificada.