Ideas clave de Expert Talks con Jason Mikula: “Cómo mantenerse al día con un panorama de datos cambiante”

Me acompañaron expertos en la materia: Jonathan Gurwitz, Credit Lead en Plaid, Manpreet Dhot, Chief Risk Officer en Pipe, y el asesor y consultor independiente Kevin Moss, quien ocupó anteriormente cargos relacionados con riesgo y crédito en SoFi y Wells Fargo.

Si tuviera que resumir la conversación en un único tema general, sería que el ritmo de cambio que enfrentan hoy las organizaciones es más rápido que nunca. Los días de una estrategia de datos de “configurar y olvidar”, sin importar el caso de uso específico, quedaron muy atrás. Y aunque nuestra charla no se centró principalmente en la inteligencia artificial, las oportunidades de aprovechar la IA para lograr eficiencia mediante la automatización y dar sentido a los datos no estructurados son evidentes. Por otro lado, la IA plantea riesgos, incluidos los relacionados con la explicabilidad y el sesgo, y en manos de actores maliciosos es probable que aumente la amenaza de estafas y fraude que enfrentan las organizaciones financieras.

Estas son algunas de las principales conclusiones de nuestra conversación:

1. Las fuentes de datos tradicionales tienen limitaciones estructurales

Cualquiera que haya trabajado en crédito al consumo en Estados Unidos conoce muy bien a los principales burós de crédito: Equifax, Experian y TransUnion. Los burós, también conocidos como agencias de informes crediticios (CRA, por sus siglas en inglés), son fuentes ricas de datos estructurados sobre el desempeño de los consumidores en sus obligaciones de deuda.

Sin embargo, los datos de las CRA tienen limitaciones. Por definición, miran hacia atrás y reflejan únicamente el desempeño pasado del consumidor. Además, son un indicador rezagado: los acreedores suelen reportar los datos una vez al mes, por lo que si un consumidor enfrenta dificultades financieras, como la pérdida de su empleo, es posible que esto no aparezca de inmediato en los registros del buró. Los datos de las CRA tampoco ofrecen una visión completa del balance de un consumidor: muestran solo lo que debe, sin información sobre ingresos o activos, que suelen ser esenciales para la suscripción de crédito. Además, pueden omitir ciertas deudas, como los préstamos de día de pago o con garantía de título, y los mecanismos de financiamiento más recientes, como los planes de compre ahora y pague después o los adelantos de efectivo.

2. Los datos transaccionales complementan en gran medida los datos de los burós de crédito tradicionales

Los datos de transacciones de cuentas bancarias, compartidos con el permiso del consumidor, pueden complementar los datos tradicionales de los burós para abordar algunos de estos desafíos. Por ejemplo, los consumidores nuevos en el crédito pueden tener un expediente “delgado” o “inexistente” en los registros tradicionales de los burós, lo que dificulta calificarlos con precisión. Los datos de transacciones de cuentas bancarias ofrecen una ventana alternativa a cómo los consumidores administran sus finanzas y un mecanismo para evaluar su solvencia. De hecho, los datos transaccionales pueden decir sobre la solvencia de un solicitante cosas que los datos tradicionales de los burós no pueden. Por ejemplo, esos planes de compre ahora y pague después o adelantos de efectivo basados en aplicaciones, que normalmente no aparecen en los datos de los burós, sí aparecen en los datos de transacciones de las cuentas bancarias de los consumidores.

Los datos proporcionados por open banking también pueden ayudar a los prestamistas a mejorar su experiencia de usuario al reducir la fricción en puntos clave del recorrido de conversión. En lugar de métodos obsoletos, como las microtransacciones, los cheques anulados para verificar cuentas bancarias o pedir a los usuarios que suban recibos de nómina o formularios de impuestos para verificar sus ingresos, los consumidores pueden otorgar permiso de forma segura para compartir datos directamente desde su cuenta bancaria o su proveedor de nómina. Este enfoque es más fluido y preciso para cumplir con estos requisitos.

3. Los objetivos claros son esenciales para identificar y evaluar nuevas fuentes de datos

Con una lista aparentemente interminable de nuevos proveedores de datos, tanto en bruto como empaquetados, muchas organizaciones tienen dificultades para identificar, incorporar y evaluar nuevas fuentes de datos. El primer paso debería ser definir qué problema o desafío debe ayudar a resolver la fuente de datos y construir un caso de negocio en torno a ese caso de uso. Definir una hipótesis y abordar a un nuevo proveedor de datos con una mentalidad de “probar y aprender” puede ayudar a definir qué significa el éxito en un caso de uso determinado.

Realizar una prueba de concepto evaluando una muestra de los datos de un proveedor en un entorno sandbox o de no producción puede ayudar a las organizaciones a entender mejor si una fuente de datos es adecuada para su caso de uso. La prueba de concepto debe diseñarse para imitar, en la medida de lo posible, el entorno real de producción, y sus resultados deben compararse con los supuestos y objetivos del caso de negocio.

En particular, si una fuente de datos proporciona datos procesados, como variables preempaquetadas, entender el origen y la fiabilidad de los datos subyacentes es fundamental para poder dar las explicaciones exigidas por ley en caso de que se rechace a solicitantes con base en esas fuentes de datos.

Las consideraciones técnicas también pueden ser una limitación al incorporar y evaluar nuevas fuentes de datos. Conviene mapear de antemano qué tipo de infraestructura técnica ya existe o se necesitará, así como los recursos de producto e ingeniería necesarios para integrar y aprovechar una nueva fuente de datos.

4. Superar los desafíos de integración requiere planificación estratégica

El modo en que la integración de una fuente de datos afecta el recorrido del cliente es una consideración clave al evaluar su impacto general en la tasa de conversión y la rentabilidad. Por ejemplo, al integrar y consultar datos tradicionales de burós, existen diversos enfoques sobre cuántos y qué tipos de datos solicitar al usuario para poder acceder a la información del buró. Cuantos más campos de entrada (y cuanto más sensibles sean los datos), más probable es que los usuarios abandonen el proceso. Otros tipos de integraciones de datos, como open banking, pueden tener un impacto más significativo en la experiencia y el recorrido del usuario. Normalmente, en las integraciones de open banking, los usuarios deben completar una serie de pasos para otorgar acceso explícito a su cuenta y a tipos específicos de datos dentro de ella. Si bien la ventaja es el poder explicativo adicional de los datos que comparten los usuarios, puede haber un impacto negativo en la tasa de conversión.

El riesgo legal y regulatorio también es una consideración clave al evaluar e incorporar nuevos proveedores de datos. En el ámbito del crédito al consumo en Estados Unidos, leyes como la Fair Credit Reporting Act (FCRA) y la Equal Credit Opportunity Act (ECOA) y sus reglamentos de aplicación regulan qué tipos de datos pueden usar los prestamistas y otorgan ciertos derechos a los consumidores. La ECOA prohíbe la discriminación ilegal contra determinadas clases protegidas, incluida la que resulta de un impacto dispar. Los terceros externos, incluidos los proveedores de datos, deben ser supervisados y gestionados adecuadamente en un proceso conocido como gestión de riesgos de terceros, un área a la que los reguladores financieros han prestado cada vez más atención últimamente.

La seguridad de la información y la privacidad de los datos también son consideraciones clave al incorporar nuevas fuentes de datos. Según la fuente y el tipo de datos, las organizaciones pueden enfrentar restricciones en su capacidad de conservar o usar esos datos. Por ejemplo, la regla 1033, finalizada recientemente en EE. UU. y que regula el open banking en ese país, impone restricciones al llamado “uso secundario” de los datos de transacciones compartidos con permiso del consumidor, exige que los consumidores de datos obtengan cada año el permiso de los usuarios para seguir accediendo a esos datos y puede obligar a las organizaciones a eliminar los datos de los usuarios si estos revocan su permiso.

5. Una infraestructura flexible es crucial en un entorno que cambia con rapidez

Todas las empresas, financieras o no, enfrentan sus propias necesidades y desafíos particulares. Pero hay un desafío común a todas: el cambio. Ya se trate de fuentes de datos nuevas y cambiantes, de comportamientos de clientes nuevos o poco familiares, o de un entorno legal y regulatorio en transformación, la capacidad de las organizaciones para adaptarse con rapidez y eficacia a los cambios en su entorno operativo determinará quiénes son los “ganadores” y quiénes los “perdedores”.

Contar con la infraestructura tecnológica adecuada, que dé a las organizaciones la agilidad para navegar con mayor eficiencia los cambios de su entorno, no es solo algo “deseable”, sino un requisito indispensable en la nueva normalidad actual, un mundo en constante cambio.