Cinco principios para el análisis de clientes de la banca

Compartir en:

Hoy en día los procesos de digitalización y avances tecnológicos están presentes en la mayoría de las industrias, y en este marco, el sector monetario no queda exento a cambios y dificultades. Con la llegada de los neobancos, una nueva forma de tecnología financiera (Fintech) el cual permite gestionar los bienes económicos desde una plataforma digital y no de manera presencial, se ha generado una ola de desafíos a esta industria.

Bain & Company estudió el comportamiento de los consumidores bancarios, quienes a menudo se desvían de su prestamista principal en busca de nuevos productos financieros, desgastando su economía. Para encontrar soluciones a este problema, el sector ha realizado distintos análisis que permiten retener y activar a sus clientes, y, quienes lo han incorporado, descubrieron que la implementación de analítica avanzada funciona mejor cuando está respaldada por cinco principios:

1.Segmentar a los clientes por valor:  Las medidas que se dirigen indiscriminadamente a grandes grupos de clientes por edad, volumen de depósitos u otras variables tienden a ser contraproducentes, provocando rotación o molestando a los clientes. La analítica avanzada puede ayudar a desarrollar una visión más granular de los grupos de clientes objetivos que esté anclada en su valor. Esto ha hecho que tal complejidad sea manejable, imitando la intuición de los líderes en crédito experimentados y llevando este negocio a nuevos niveles de eficiencia y eficacia.

2. Automatizar los pronósticos: una parte clave de esto es incorporar automáticamente el juicio de los expertos. Estos incluyen más información que los pronósticos estadísticos por sí solos y se adaptan de manera más refinada a condiciones cambiantes o eventos disruptivos. Tener un analista en el ciclo a escala requiere una evaluación automática de la calidad del análisis y herramientas de visualización intuitivas. Con demasiados resultados para que los analistas verifiquen manualmente cada uno, el sistema debe poder identificar automáticamente aquellos que pueden requerir la intervención de un especialista.

3. Predecir la lealtad: La lealtad y el desarrollo siguen siendo esenciales para impulsar el crecimiento y la economía sostenible de un banco. Sin embargo, medir la probidad en estos días se ha vuelto más complicado, dado que las encuestas suelen llegar sólo a una fracción de clientes y a un gran costo. Por ende, una alternativa viable es entrenar un modelo conocido de Net Promoter Score que comienza con las características básicas presentes en la segmentación ordinaria y luego, utiliza fuentes de datos más avanzadas. Otra opción es el análisis de las redes sociales, en donde la construcción de un gráfico social para el segmento de clientes objetivos originará una medida que capture la conexión general de un cliente individual.

4. Comprender las causas del abandono: Los modelos tradicionales de deserción de los bancos proporcionan un único número agregado basado en la propensión de los clientes a abandonar, lo que no es útil para los empleados de primera línea. La inteligencia artificial explicable puede cambiar el juego en este sentido, al revelar la importancia relativa de diferentes variables en la probabilidad de abandono de un individuo.  Los bancos pueden mejorar sus modelos preguntando a los clientes que se van por qué se fueron. Una vez que un banco conoce la importancia de cada factor que provoca la deserción, puede diseñar acciones específicas para abordarlos. 

5. Adoptar un enfoque de prueba y aprendizaje: El banco rara vez sabrá de inmediato qué acciones funcionarán y cuáles no, y es aquí donde juega un papel importante la experimentación continua. Muchos de los experimentos no siempre serán exitosos, sin embargo, no son un desperdicio, más bien son esenciales para mantenerse en sintonía con el mercado. Muchas veces las pruebas identifican el mejor diseño de oferta, y como resultado las utilidades operativas aumentan.

Hoy, los bancos que evitan la retención y activación impulsadas por datos debido a posibles desafíos organizacionales, tecnológicos o regulatorios se quedan atrás en la competencia por clientes de alto valor. ¿Y por qué la urgencia? Los usuarios esperan una experiencia personalizada, que gracias la tecnología está a su alcance.