El valor de los datos no estructurados en Banca

Datos. Es una palabra que está a la orden del día en entornos tecnológicos. Todos los sectores se están adaptando a la ingente cantidad de datos que se generan, que se obtienen o que se pueden extraer. Los servicios bancarios no son una excepción y en este proceso de trasformación digital, las entidades de crédito se han ido adaptando, introduciendo tecnologías que ofrecen nuevas posibilidades de tratamiento de datos como, por ejemplo, Big Data.

Esta transformación tiene un objetivo claro, una mayor eficiencia en el negocio de nuestros clientes del sector de banca y un menor coste asociado a sus infraestructuras y a su mantenimiento, capacitándolos para tomar mejores decisiones en un menor tiempo.

Antonio Ruíz Pastrana
Antonio Ruíz PastranaConsultor Business Intelligence

El rol que desempeñan los sistemas informacionales en estas transformaciones es vital. Son los encargados de adaptarse a estos cambios para garantizar que el negocio de nuestros clientes no se ve afectado en ningún momento.

Nuestra amplia experiencia en los proyectos bancarios dentro del ámbito informacional y la fuerte apuesta por las nuevas tecnologías en todos los proyectos de la compañía, hacen posicionarse a Viewnext como un socio estratégico de cara a acompañar a nuestros clientes en esta transformación digital.

Datos estructurados y datos no estructurados

Los datos estructurados son aquellos que forman parte de un sistema de base de datos convencional. En este tipo de sistemas, los datos guardan una organización y son clasificables, y por lo general, se organizan en filas. Unos ejemplos de datos estructurados serían los correspondientes a un alta de cliente; números de teléfono, códigos postales, números de identificación…

Debido a la facilidad para interpretar este tipo de datos, dentro del entorno de Business Intelligence se usan herramientas muy potentes de extracción, análisis y procesamiento de datos siendo el lenguaje más común para estos tratamientos el SQL (Structured Query Language).

Por el contrario, los datos no estructurados no tienen una estructura interna identificable y se almacenan en bruto. Pueden incluir distintos tipos de orígenes de datos como podrían ser archivos de texto, correos electrónicos, sitios web, archivo de audio, vídeo, registros de logs de aplicaciones… también pueden incluir datos del contexto como podrían ser los metadatos de un correo electrónico o una página web.

A diferencia de los datos estructurados, la disparidad de tipos de datos y la complejidad para clasificarlos hace que se recurra a otro tipo de bases de datos y herramientas de tratamiento basadas en lenguajes No-SQL

En cuanto a volumen de datos a nivel empresarial, se estima que entre un 80% y un 90% de los datos generados corresponden a datos no estructurados. Debido a la gran cantidad de conocimiento que se puede generar a partir de estos datos, el uso de lenguajes y herramientas optimizados tiene mucha importancia en entornos informacionales.

Terminal financiero

El concepto de terminal financiero es común al sector bancario y lo forman las herramientas que el banco necesita para desarrollar su negocio. Todas las operaciones que se realizan en la entidad se registran mediante este terminal como, por ejemplo, la apertura de una cuenta, la solicitud de una tarjeta, la apertura de un préstamo o incluyendo procesos internos que garantizan el negocio como podrían ser liquidaciones, comisiones o las nóminas de los empleados.

Todas estas transacciones generan una cantidad de datos inmensa (del orden de miles de millones de registros) y de distintos tipos; número de empleado, importe de la operación, la operación que se realiza o datos del contexto como son la versión del sistema operativo del terminal, la fecha y hora o la resolución de pantalla que usa la aplicación.

Por ello, no es buena idea usar un sistema de base de datos estructurado para almacenar datos de un terminal financiero en nuestros clientes, debido al alto coste que conlleva esa cantidad de espacio de almacenamiento en un sistema de base de datos estructurado.

Nuevos procesos de integración y explotación

Debido a la integración de nuevos tipos de datos dentro del sistema informacional, otro de los puntos importantes que se está realizando dentro de nuestros proyectos bancarios basados en Big Data es analizar el estado actual de los procesos de negocio que dependan de ello. A nivel informacional y basado en su negocio, el cliente dispone de una serie de procesos, metodologías y filosofías que, una vez decidido a dar el paso, pueden quedar obsoletos.

En estos casos, en los proyectos se están realizando tareas de adaptación de procesos de negocio en el que pasen a alimentarse de los nuevos orígenes sin que se vea afectada la calidad y disponibilidad de dicha información. Una vez realizadas estas transformaciones, es posible que se decida desmantelar estas estructuras de datos estructurados debido a alguno de los siguientes factores:

  • Duplicidad de la información. Al estar disponible en los dos entornos, sistema estructurado y no estructurado, la información debe tratarse de forma que una enriquezca a la otra, generando más valor y evitando redundancia.
  • Obtención de un mejor conocimiento a través de los datos no estructurados. Una mayor cantidad de información y más diversa permite generar un conocimiento mucho más amplio sobre el negocio.
  • Coste elevado. Por lo general el coste de almacenamiento de datos estructurados es más costoso que un almacenamiento no estructurado usando infraestructura Big Data.
  • Eficiencia de accesos. Un sistema de base de datos no estructurado está optimizado para acceder total o parcialmente a estos campos sin formato usando técnicas basadas en expresiones regulares y predicción de patrones.
  •  Eliminación de dependencias entre departamentos. No es necesario establecer un formato específico de escritura de datos para los distintos departamentos que forman parte de este sistema que, en un entorno bancario de esta naturaleza, son prácticamente todos.

Beneficios y aplicaciones reales en clientes

Todas estas transformaciones y metodologías de trabajo se materializan en proyectos en los que Viewnext está participando activamente generando un conocimiento sobre los datos a nuestros clientes de banca.

La identificación y segmentación de diferentes patrones dentro de la ingente cantidad de datos no estructurados que se generan a gran velocidad, nos ha permitido proporcionar a nuestros clientes nuevas funcionalidades en sus sistemas informacionales que de otra manera no nos habría sido posible.

De entre todos los proyectos que hemos abordado podemos destacar algunos de los beneficios más importantes que nuestros clientes han obtenido gracias a la implementación de este tipo de análisis:

  • Establecer alertas para operaciones bancarias que cumplan determinados requisitos. Determinados movimientos de dinero u operaciones sospechosas y que requieran una revisión para prevenir el fraude.
  • Productividad de cada empleado para la realización de una determinada operación dentro del terminal.
  • Consecución de objetivos por parte de los empleados. Analizando los datos de operaciones por empleado en un espacio de tiempo con los objetivos definidos por el cliente para su negocio.
  • Seguridad con las transacciones más delicadas. La existencia o no de transacciones de control que establezcan el flujo correcto de una operación.
  • Detección de accesos no autorizados a la banca electrónica de los clientes.
  • Prevención de blanqueo de capital. Rastreando operaciones que superen un valor, periodicidad sospechosa o que se realicen al extranjero.

Todos estos beneficios son solo unos pocos ejemplos de lo que se está implementando a día de hoy en nuestros clientes del sector de banca, dando valor al servicio que ofrecemos y obteniendo un mayor conocimiento para completar la visión de negocio.

2020-06-03T12:41:50+02:003 junio, 2020|