Loading...

Cómo Experian resolvió el problema de Big Data de Open Banking a través de la categorización

La economía digital actual basada en datos significa que muchas empresas están luchando para extraer el nivel correcto de información de cara a sus operaciones y las estrategias de toma de decisiones. Al mismo tiempo, la introducción en el Reino Unido del Open Banking y la Directiva de Servicios de Pago 2 (PSD2), así como la consulta de FCA sobre solvencia crediticia, afecta a la forma en que se toman o deben tomarse las decisiones, algo que está cambiando significativamente.

Se está evaluando si los datos tienen el potencial de cambiar los procesos de préstamo. Esto significa que los prestamistas deben pensar y aplicar otros métodos a los utilizados hasta día de hoy. Y en Experian DataLab nos propusimos resolver este desafío.

Según nuestra investigación, los cambios demográficos y las nuevas regulaciones, como Open Banking, PSD2 y el Reglamento general de protección de datos (GDPR), están afectando a los prestamistas. El auge de la tecnología digital y la nueva tecnología, como Blockchain, también están dando paso a nuevos escenarios.

El desafío de DataLabs

Tuvimos el desafío de encontrar una solución mediante la cual los bancos y otros proveedores de servicios financieros pudieran maximizar los datos, específicamente los datos de Open Banking y el intercambio de datos transaccionales, para tomar decisiones de manera más acertada.

Fue inmediatamente evidente que la capacidad para clasificar los datos sería esencial. Las categorías que se correlacionan con el gasto real y los patrones de ingresos, como facturas de servicios públicos o gastos recreativos, harían que los datos fueran mucho más significativos.

Planeamos utilizar el aprendizaje automático para agrupar los gastos, reduciendo el flujo general de datos y creando categorías significativas y útiles que dieran una idea de los comportamientos financieros. Esto informó la taxonomía que utilizamos. (La taxonomía es las categorías que utilizamos dentro del sistema para agrupar los ingresos y gastos en función de un factor común en la transacción)

Intentamos utilizar los datos para proporcionar una gran profundidad de información a los comportamientos de los clientes, lo que significa que la taxonomía requería un cierto nivel de granularidad. La conexión de los datos también fue importante. Además de hacer coincidir los datos con los nuestros, los combinamos, los actualizamos, los completamos donde fue necesario y creamos una única vista del cliente. Luego lo mejoramos categorizando a través de similitudes, alineándolo con una taxonomía clara.

A partir de aquí, creamos Trusso, que es un motor de categorización creado mediante aprendizaje automático (machine learning) que puede clasificar los datos de las cuentas bancarias en categorías.

El valor potencial y comercial para la categorización a través de Trusso es enorme, especialmente en el contexto de la rotación de clientes, la retención o la venta cruzada.

Muy pronto, los bancos y todas las empresas deberán competir en un entorno de tiempo real a un nivel mucho más sofisticado. Esto significa mudarse a un lugar donde puedan decidir, en segundos, si ofrecer un préstamo y qué tipo de préstamo debería ser. Este es un cambio masivo en el mercado actual. Y está sucediendo hoy.