Estás en: Fintech y Banca Digital




Se enviará la contraseña a tu correo electrónico.

Por: Julian Colombo, CEO N5

En 2008 Andy Kirby, un empleado del departamento de carreteras de Swansea, Gales, debía diseñar un cartel vial que decía “Prohibido el acceso de vehículos pesados, zona residencial”

Aunque menos del 30% de la población del país habla Galés, la ley indica que todos los signos deben ser bilingües, por lo que Kirby envió la frase en inglés a un traductor oficial y, al recibir la respuesta, la envió a imprimir.

La frase terminó siendo un meme temprano ya que “Nid wyf yn y swyddfa ar hyn o bryd. Afonwch unrhyw waith i'w gyfieithu” significa “No estoy en la oficina en este momento. Por favor envie cualquier trabajo de traducción”.

Esta es una analogía hiperbólica de como funciona la analítica en la industria financiera tradicional. Los que deciden no hablan el idioma. Los que hablan el idioma no deciden. El que lo ve desde afuera no lo puede creer.

Tuve la fortuna de trabajar en Banca durante más de 20 años, y lo hice en cinco países diferentes. Sin embargo el único factor que distinguió mi carrera fue accidental. Creo ser el único elemento en la intersección de tres conjuntos aparentemente excluyentes.

1) Gente que trabajó en una sucursal bancaria,

2) gente que integró el comité de dirección de un banco, y

3) gente que sabe qué es la heterocedasticidad.

Los bancos son las empresas con más disponibilidad de información sobre sus clientes. Y lo han sido durante décadas.

Para ser más precisos, 10 años antes de que existieran Google o Amazon, el banco promedio ya podía saber donde una persona vivía, para quien y en qué lugar físico trabajaba, por donde se movilizaba, cuanto ganaba, con quién convivía, cuanto gastaba en cada tipo de comercio, si sus ahorros se incrementaban o reducían, los bienes que adquiría o aseguraba.

Pero digo que “podía saber”, porque no sabía. 

Tengo la definición personal y algo doméstica de que el área de analítica de un banco debe tener como único objetivo “aumentar el valor de la cartera de clientes mientras finge que los conoce”.

Y hasta en eso los bancos hemos fracasado. No medimos con precisión el valor de la cartera. Y no logramos fingir en forma creíble que conocemos a nuestros clientes.

Hay numerosas razones para esta situación, y muchas pueden explicarse por la génesis del tratamiento de datos en la industria financiera. 

Un ejemplo de ellas es el llamado “The Plaza’s Internet Problem”. En esencia, los mejores hoteles de New York adoptaron internet antes que nadie, pero se ataron a contratos de largo plazo y de gran inversión en infraestructura física que provocaron, que luego de 10 años, fueran los lugares con la peor internet de Manhattan. 

Del mismo modo, muchos bancos fueron pioneros en uso de tecnologías tempranas e ineficientes, las que acompañaron con una inversión desproporcionada e irrecuperable que les impidió migrar con velocidad a las más adecuadas.

Otro set de problemas son los que derivan del “Flying Airplane” de la industria financiera. La agenda tecnológica de un banco ha tenido, desde siempre, foco casi exclusivo en la continuidad operativa. En que “el avión continúe volando”.

Y esto es un desafío mayúsculo por dos motivos centrales: Primero, la banca es el sector de más intensidad de relación con los clientes. Como sabemos, la intensidad es una medida de periodicidad e importancia de las interacciones. Aunque hay industrias, como la telefonía, que tienen más frecuencia de relación con sus clientes, la criticidad de cada interacción es inferior. La caída de una llamada es una incomodidad. La desaparición del dinero en todas mis cuentas es un potencial infarto.  

Por lo tanto un banco no puede parar nunca, y debe mantener su stack de sistemas legados funcionando permanentemente. Cada nuevo elemento en ese conjunto eleva la complejidad del sistema y su operación.

En segundo lugar, ese stack será siempre intrincado porque la banca es una industria aluvional. Casi todos los bancos líderes son la sumatoria de decenas de instituciones preexistentes, fusiones de bancos, incorporaciones de financieras, adquisiciones de compañías de seguros.

La continuidad operativa implica, entonces, asegurar que “el escuadrón de aviones siga volando, idealmente sin chocar entre ellos”.

En resumen, existen al menos una docena de razones válidas y multifactoriales para entender por qué la banca ha sido siempre deficiente en la analítica de clientes. Pero el motivo más interesante, al menos desde el punto de vista de sus consecuencias, es el que en N5 llamamos “The Welsh Road Sign”.

“The Welsh Road Sign”

El problema del cartel galés es una analogía imperfecta del de la analítica en banca porque supone que en este dominio también existen sólo dos idiomas.

Pero la torre de babel financiera es más elevada. Los técnicos no entienden a los directivos, los directivos no entienden a los técnicos, los equipos de los canales subestiman a ambos, los clientes critican a todos.

Y me permito mencionar algunas anécdotas que lo ilustran. Voy a empezar con una precámbrica, de la época en que aún los equipos de inteligencia tenían mayor foco en los canales humanos que en los digitales, porque creo que las conclusiones siguen vigentes.

Hace muchos años entrevisté al responsable de CRM de un banco multinacional. Era Doctor en Estadística, profesor universitario, y muy respetado por su equipo por su amplio conocimiento técnico.

Era también muy amable y respondió todas mis preguntas con exhaustividad. Una de ellas era “de qué proyectos o avances estás más orgulloso en tu carrera en el banco”. Me explicó que, utilizando Machine Learning (una técnica revolucionaria en esa época), había desarrollado un modelo muy robusto que permitía predecir con alta fiabilidad qué clientes contratarían un crédito al consumo durante los próximos 30 días.

Me interesé mucho y le pregunté desde cuando lo utilizaba, a lo que respondió que más de un año. Le pregunté también cómo se aplicaba el modelo. Me contó que los ejecutivos de sucursal recibían una lista de clientes entre los que podían predecir que se encontraba el 90% de aquellos que contratarían un crédito.

Me pareció muy auspicioso, por lo que le hice la pregunta más obvia: “de qué tamaño es la lista que envían?”. Se quedó callado y noté que nunca se había hecho esa pregunta. Me dijo “no se… es variable, depende de la cartera... lo puedo buscar. Es importante?”. No se lo dije, pero desde mi punto de vista eso era lo único que importaba. Señalar una lista y decir “el 90% de los que contratarán un crédito están ahí” no tiene ningún mérito si la lista no es muy reducida.

Por ejemplo, yo puedo saber con precisión que el 100% de las personas que contraten un crédito este mes ya están en una lista. La lista se llama “habitantes del planeta tierra”. 

Finalmente buscó los datos y me los mostró. Eran aproximadamente los siguientes: un ejecutivo tenía una cartera típica de 800 clientes. En un mes ordinario, 18 de ellos contrataban un crédito al consumo. La base que el ejecutivo recibía para gestionar tenía 280 clientes, y recogía al 90% de los “éxitos”, por lo tanto, 16 ventas.

De mi lejana experiencia como ejecutivo de sucursal puedo asegurar que una lista de 280 clientes para alcanzar la meta de un único producto (el sistema de incentivos típico tiene 8) es exactamente igual de valiosa que la antemencionada lista de habitantes de la tierra.

Imaginé, por lo tanto, que el nivel de utilización efectiva del modelo sería muy bajo. Se lo pregunté, y ese dato sí lo tenía clarísimo. “Es el gran problema que tenemos. La gente de los canales no entiende nada. Solo el 0.8% utilizó esta campaña el mes pasado”.

Hice una cuenta rápida. El banco tenía 500 ejecutivos, 4 habían usado la lista. En el área de Modelos trabajaban 9 personas. La segunda anécdota, y prometo que al final será evidente cómo todas se relacionan, es mucho más reciente.

Conversaba con el Director de Innovación de un banco de tamaño medio. Había sido contratado recientemente desde otra industria y estaba terminando de definir un plan estratégico para presentar internamente.

Era una persona creativa, entendía de experiencia de usuario y tenía intuiciones correctas con respecto a los “dolores” habituales del cliente financiero. Pero no tenía dominio técnico del mundo analítico, y tenía sólo unas semanas de experiencia en el bancario. 

Le pregunté si me podía resumir su plan en tres conceptos. Me dijo, levantando enérgicamente tres dedos de su mano derecha y haciendo una pausa dramática: Inteligencia Artificial, Deep Learning y Blockchain.

La probabilidad de que esa sea una respuesta fácticamente correcta es virtualmente nula, salvo que la pregunta haya sido: puede usted enumerar tres buzz words?

Un plan estratégico que parte desde soluciones específicas es comparable a un médico que elige tres medicamentos de un botiquín y dice “ya tengo lo que les recetaré a los próximos tres pacientes que lleguen”.

La tercera anécdota es, tal vez, la más interesante. El protagonista es el CEO de uno de los mayores bancos del mundo, y una de las personas más brillantes con que he tenido oportunidad de interactuar.

Esa historia, el hilo que une las tres anécdotas, y algunas recomendaciones para evitar el problema del “Welsh Road Sign” en la segunda parte de esta nota, en América Digital.


Los invitamos a seguir a N5 Now y a su CEO Julián Colombo en Linkedin para conocer mucho más sobre este y otros temas.

También te puede interesar: