OPINIÓN: 4 anclas para que los bancos alcancen mayor confianza en sus analíticas

Nota del editor: Hermes Castañón es Socio Líder de Servicios Financieros y Carlos López Santibáñez es Socio de Asesoría en Tecnologías de la Información, ambos de KPMG en México. Las opiniones en esta columna pertenecen exclusivamente a los autores.

(Expansión) – Con la analítica desempeñando un papel cada vez más fuerte, las posibles consecuencias de los errores y rendimiento insuficiente del negocio aumentan. Pero creemos que la analítica confiable debe demostrar más que una buena práctica básica en el desarrollo de soluciones y administración de datos. De hecho, al igual que los bancos necesitan que sus empleados actúen con integridad, así como sus motores de decisiones y algoritmos.

De hecho, tal vez más: un prejuicio no intencionado codificado en un algoritmo se propagará rápidamente hasta que se descubra y se componga, lo que podría conducir a problemas significativos de desconfianza entre los bancos y los clientes. Parece que ya nos estamos moviendo a un punto en el que nosotros, como consumidores, cada vez nos sentimos más cómodos con que los robots realicen diversas actividades de alto nivel.

Parece probable que el nuevo mercado en 'bots' (programa informativo que imita el comportamiento humano) asuma sencillos servicios al cliente. Los empleados, las juntas y los clientes confían cada vez más en motores de decisiones y algoritmos para las decisiones importantes. Los asesores automatizados se eligen cada vez más, tanto para orientar a los inversionistas individuales como a los asesores de la banca. Y un número sorprendentemente grande de consumidores parece poner su confianza en las ofertas que reciben.

OPINIÓN: El director de Analítica en el crecimiento de las empresas

En muchos de los bancos de hoy, la analítica influencia muchos puntos de contacto y decisiones que los algoritmos y motores de decisión se están convirtiendo en un nuevo tipo de agente, trabajando constantemente en nombre de la organización, integrados en prácticamente todos los aspectos del ciclo de ventas y apropiándose de piezas clave de la relación con el cliente.

La cuestión es que solo unos pocos bancos actualmente ponen tanta atención a la integridad de sus analíticas como a la integridad de sus empleados. La analítica suele ser tratada como una caja negra', mientras que, en realidad, las organizaciones tienen que empezar a pensar en sus analíticas como entidades independientes en sí mismas; como intermediarios críticos entre las partes interesadas y la organización.

Esto crea nuevos retos para los bancos y sus juntas de consejo, que se les pide esencialmente que entreguen la toma de decisiones a una "entidad" de terceros que un banco puede o no haber entendido plenamente. Para las juntas de consejo de los bancos y los ejecutivos, la cuestión de qué hacer con una amplia gama de riesgos y oportunidades potenciales, comienza por entender donde la analítica puede proteger o destruir el valor. Para estas áreas, los bancos debería preguntarse sobre qué base confían en su analítica. ¿Y quién es el juez?

Lee: Bancarización y 'big data', dos grandes retos tecnológicos y de consumo en México

Los bancos y sus reguladores necesitan tener los marcos adecuados implementados para poder confiar en los datos y la analítica que sustente sus decisiones y acciones. De hecho, ayudar a asegurar la analítica confiable en una empresa puede abordarse a través de cuatro dimensiones o anclas clave: calidad, eficacia, integridad y control operativo.

Nuestra experiencia sugiere que se necesitará un enfoque constante en las cuatro anclas para que los bancos alcancen un mayor nivel de confianza en sus analíticas:

Calidad: ¿son de alta calidad los datos subyacentes y la analítica?

La mayoría de los bancos están conscientes de la necesidad de datos confiables e innovadores, y los retos importantes que esto crea para los programas 'conozca su cliente' (KYC), por ejemplo, de manera que surgen nuevas preguntas conforme la analítica cumple con un papel más importante en la organización.

null¿Se está aplicando el modelo matemático adecuado? Y, ¿cómo mantiene la calidad de los datos y de la analítica cuando se trabaja con una amplia gama de proveedores y talento interno? ¿Cuáles capacidades, procedimientos y controles deben rodear la analítica en diferentes funciones de negocio?

Eficacia: ¿funciona como está previsto?

Los ejecutivos y reguladores quieren estar seguros de que la analítica funciona no solo en teoría, sino también en la práctica, que alcanza su propósito previsto en el contexto en el que opera en un momento dado. Esto no es siempre fácil.

A medida que las aplicaciones de aprendizaje por máquina e inteligencia artificial (AI) se extienden a sistemas cada vez más complejos del mundo real, es posible que no estemos seguros durante el desarrollo de si un uso específico de datos funcionará en la vida real o si un modelo entrenado en datos históricos será un reflejo justo de la realidad futura.

OPINIÓN: La inteligencia digital puede optimizar la interacción con los clientes

Este problema aplica a una amplia gama de analíticas predictivas y motores de decisión, desde la prospección de clientes y micro-selección de objetivos hasta la detección del fraude y la administración del riesgo de mercado. Por ejemplo, cuando se usa la analítica para predecir incumplimientos de hipoteca o cobertura de riesgos, los administradores quieren estar seguros de que están utilizando un enfoque que es el adecuado en ese contexto específico.

En algunos casos, es probable que las consecuencias de la eficacia sean solo oportunidades perdidas, aunque esto podría convertirse en un costo significativo conforme los algoritmos influyen en una proporción creciente de los ingresos. En otros casos, los algoritmos pueden llevar a mayores riesgos no intencionados, tales como la volatilidad del mercado o el fracaso.

Los bancos tienen que asegurarse de que están utilizando la analítica adecuada (según lo determinado por expertos en la materia) para lograr el resultado previsto en cada situación. Ellos también tendrán que asegurarse que los empleados estén usando la analítica de una manera adecuada: apropiarse de un algoritmo (o sacarlo del sistema) para obtener beneficios personales, por ejemplo, podría suponer un riesgo significativo para los bancos.

Integridad: ¿se considera aceptable su uso?

El cumplimiento legal (por ejemplo, con las leyes de privacidad de datos) solo es una parte de la historia. En muchos sentidos, una extensión del debate de conducta y un marco claro para la integridad aumenta las posibilidades de que la analítica esté siendo utilizada en el mejor interés de los consumidores y será clave para la creación de la analítica confiable.

Lee: Los obstáculos del nuevo sector de fintech en México

No todas las empresas querrán seguir la misma estrategia ética. Más allá de un enfoque de “solo cumplimiento mínimo”, existen opciones para tomar un enfoque específico, centrado en el riesgo o una perspectiva basada en valores más transparentes como parte de una estrategia más amplia de la marca.

Los bancos tienen que entender el acuerdo implícito que tienen con sus clientes y tendrán que tener cuidado de no sobrepasar los límites acordados en la relación. El hecho de que usted tenga los datos y pueda hacer algo legalmente, no necesariamente significa que usted deba hacerlo. Por ejemplo, demasiada intrusión puede sobrepasar la 'línea de la frontera´ con los clientes.

Control operativo: ¿se está optimizando la operación a largo plazo?

En un mundo que cambia rápidamente, muchas veces impulsado por los datos, el manejo de la analítica nunca se queda inerte. Los bancos están familiarizados con la vigilancia cibernética, los avances técnicos y los cambios normativos, pero están menos acostumbrados a los problemas de la moneda de datos y el algoritmo 'retrasado', donde (con el tiempo) la analítica se puede realizar de manera diferente y quedarse atrás de las mejores prácticas actuales en la toma de decisiones humanas.

Los bancos necesitan estrategias de gobierno claras, no solo para los riesgos emergentes, sino también para optimizar el rendimiento y justificar las inversiones.

Lee: La startup que quiere cambiar a México con big data

En definitiva, la confianza comienza por saber qué datos se tiene y cuál es el alcance del impacto de la analítica, a menudo compleja.

Una de las cuestiones iniciales clave que los encargados de la toma de decisiones bancarias es que deben considerar, conforme aplican el marco de confianza es si ellos confían tanto en su analítica como confían en su personal. Si la respuesta es no, las cuatro anclas pueden ayudar a identificar dónde están las brechas.

Armados con una evaluación a través de estas cuatro anclas de confianza, los tomadores de decisiones no solo pueden construir analíticas confiables, sino también aprovechar sus conocimientos para empezar a influir en esos ‘momentos de verdad’ con mayor precisión y construir una confianza más fuerte con los clientes.

Consulta más información sobre este y otros temas en el canal Opinión