¿Cómo aumentar la cantidad de clientes que usan el Home Banking?

En los últimos años, y gracias al esfuerzo realizado por las entidades bancarias de todo el mundo, Home Banking se ha convertido en una herramienta indispensable para acercar a los clientes un enorme abanico de servicios y, al mismo tiempo, reducir la carga operativa de las sucursales bancarias.

El mayor impacto de este modelo de servicio se dio primero de la mano del uso masivo de Internet, y se amplió aún más con el creciente uso de los dispositivos móviles y de un enorme desarrollo tecnológico de las plataformas de Home Banking. Hoy podemos pagar servicios e impuestos, realizar transferencias, solicitar préstamos, efectuar inversiones, consultar balances y mucho más, todo, desde la comodidad de nuestros hogares.

Aunque bien podríamos pensar que el uso del Home Banking se masificó, esto no es tan así: son pocos los usuarios que hacen uso intensivo de esta herramienta. Es por ello que, tanto los bancos e instituciones financieras como otro tipo de empresas (operadores de celular, procesadores de tarjeta de crédito, otros operadores no bancarios), se suman a una carrera por captar la mayor cantidad de usuarios y clientes posibles

Aumentar la tasa de traspaso del off al online acelera la adopción digital para mejorar el margen operativo del banco. 

En esta nota te explicamos cómo desarrollar un modelo de datos que potencie el traspaso a tu banca digital.

¿Qué deben hacer estas organizaciones bancarias y financieras para lograrlo?

El puntapié inicial de este traspaso es incrementar la confianza de los usuarios en los beneficios de utilizar Home Banking ¿Cómo? Facilitando su uso, mostrando el ahorro de tiempo que se logra frente a los procedimientos tradicionales u ofreciendo una mayor sensación de seguridad y privacidad.

Los bancos cuentan con una ventaja estratégica y es la de acceder a una enorme cantidad de datos de sus clientes. En lugar de desaprovechar estos datos, lo que pueden hacer es procesarlos y responder con acciones customizadas que fomenten el traspaso de los clientes al uso de servicios digitales. 

La principal característica de esta información recolectada es lo que conocemos como Big Data.

Pero, ¿qué es Big Data?

En 7Puentes definimos a Big Data como conjuntos de datos de gran volumen y complejidad que, para tratarlos adecuadamente, se recurre a procedimientos no convencionales de procesamiento de datos. La explicación a por qué se recurre a estas metodologías específicas la encontramos en el modelo de “las tres V”, que caracteriza a los grandes y complejos volúmenes de datos:

Volumen: en la actualidad nos enfrentamos a grandes volúmenes de datos no estructurados, de baja densidad,o a datos de valor desconocido, consecuencia de la facilidad con la que se genera información, a partir de unos cuantos clicks (sitios webs, aplicaciones móviles).

Velocidad: describe la rapidez con la que se generan los datos y son procesados para cumplir las exigencias requeridas. Esto se vuelve un asunto serio, ya que estamos hablando del procesamiento de miles de Gigabytes que, en muchos productos, podrían requerirse en tiempo real.

Variedad: por último este aspecto, que hace referencia a la naturaleza de los datos. A los datos estructurados que se venían manejando durante las últimas décadas se sumaron los datos no estructurados (aquellos que no tienen un formato ordenado). Este tipo de información, nueva y abundante, requiere de un pre procesamiento adicional para poder extraer valor y significado.

Entendiendo qué es un modelo

Para hacer frente a los enormes desafíos que los grandes volúmenes de datos nos plantean fueron surgiendo distintas herramientas, como la ya conocida Inteligencia Artificial y el Machine Learning

Estas tecnologías permiten construir modelos matemáticos basados en la utilización de un muestreo de datos, llamado set de entrenamiento, que permite realizar predicciones o tomar decisiones sobre datos nuevos sin procesar, sin tener que explícitamente programarlo para que lo haga.

Para que los modelos sean más precisos, el algoritmo deberá recibir la mayor cantidad posible de ejemplos que describan el mundo real. Los algoritmos “aprenden” de cada uno de estos ejemplos. ¿Cómo? A través de las distintas propiedades o características del fenómeno que se está observando. Estas características son lo que se conoce como features, y las selección de éstas resulta crucial y determinante para obtener un modelo predictivo robusto.

Existen dos familias de los llamados “algoritmos de aprendizaje”: supervisados y no supervisados, cuya diferencia radica en la forma en la que aprenden los datos. 

  • Algoritmos supervisados: aprenden otorgándole las preguntas, denominadas características, y las respuestas, denominadas etiquetas, con la finalidad de que el algoritmo las combine y pueda hacer predicciones.
  • Algoritmos no supervisados: solo se le otorgan las características al algoritmo, sin proporcionarle ninguna etiqueta. Se entrena el modelo sin instrucciones explícitas sobre qué hacer con los datos, por lo que el mismo modelo aprende de ellos.

Por qué es importante la normalización de los datos

Los dispositivos móviles están presentes en todos los segmentos de la población y se han vuelto una herramienta multigeneracional. Esto permite la recolección de datos en distintos nichos y la generación de múltiples patrones de consumo.

Sin embargo, la contrapartida de esta masiva generación de información es  las múltiples representaciones que conlleva: se usa información de fuentes distintas o faltan datos, lo cual dificulta el desarrollo de modelos predictivos. 

Para superar este desafío necesitamos “normalizar” los datos: si, por ejemplo, en un modelo en el que se utilizan datos de edad de los usuarios, un medio ofrece la edad en años y otro simplemente la fecha de nacimiento, debemos obtener el dato deseado a través de un proceso de normalización

La normalización consiste en designar y aplicar una serie de reglas a las relaciones obtenidas para disminuir la redundancia de datos y proteger su integridad.

Cómo generar acciones concretas con los resultados del modelo

Al comienzo de nuestro artículo planteamos el desafío que para los bancos implica aumentar la tasa de traspaso de sus clientes al Home Banking

A través de un procesamiento inteligente de la enorme cantidad de datos que poseen de sus clientes, ésto es posible. 

Sin embargo, no existe un sólo camino: hay muchas maneras de aumentar la cantidad de usuarios que hacen el traspaso a servicios digitales, siempre y cuando se delinee una mejora de las habilidades ya existentes, como por ejemplo:

  • Manejo de multicanales 
  • Incorporación o mejora de los estilos de interacción
  • Aceleración de los ciclos de vida de los productos

Estas transformaciones podrán darse de la mano de la incorporación de nuevas habilidades, como:

  • Entender e incorporar Big Data como una práctica más
  • Simplificar los procesos punta a punta
  • Explorar escalabilidad a través de la colaboración
  • Aprender a co crear

Asimilando todos estos principios y habilidades, las entidades bancarias obtienen resultados concretos y se incrementa la transferencia de los usuarios a medios digitales. 

Big Data convierte y traduce la información que obtienen los bancos en:

Monetizar customer analytics: los bancos pueden ver a los consumidores desde un punto de vista más amplio que otro tipo de empresa. Qué y dondé les gusta comprar (customer intelligence), información sobre el crédito disponible con el que cuentan, etc.

Entrega de productos y servicios en tiempo real: tienen la oportunidad de ofrecer servicios complementarios de financiamiento, cotización de seguros, etc. Servicios que puedan llegar a los clientes en el momento de la compra.

Descuentos a clientes: a través de alianzas con otros vendedores puede usarse la información relevada para ofrecer descuentos de productos que les interesen a los clientes del banco.

Campañas de marketing: es posible capturar métricas de comportamiento para obtener preferencias de usuarios, o generar cupones inteligentes, ofreciendo ofertas geolocalizadas, etc.

En 7Puentes podemos incorporar Big Data a tu entidad bancaria

Cuando el flujo de información es abundante (y cumple con las 3V que vimos anteriormente) nuestro equipo de expertos trabaja codo a codo con los clientes para explorar todas las oportunidades y necesidades que se puedan explotar. 

Luego, elaboramos un plan de acción que permita cumplir con los objetivos de nuestros clientes, de una manera ágil e incremental para, finalmente, desplegarla, analizar sus resultados y volver a iniciar otro ciclo de desarrollo.

Contamos con profesionales experimentados y altamente calificados para transformar una necesidad en valor agregado para tu negocio. Tenemos experiencia en detección de fraudes, sistemas de recomendación, information retrieval, segmentación de usuarios, análisis de sentimientos, procesamiento del lenguaje natural, análisis sobre el social media, entre otros.

¿Qué esperas para contactarnos y hacer un salto de calidad a través de Big Data?



Deja un comentario

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