La realidad de los datos: decisiones más inteligentes en tiempo real

Siempre online, chateando a todas horas, leyendo y comentando publicaciones de Facebook e Instagram…Todo esto se ha convertido en una realidad en nuestra vida cotidiana. Pero si hablamos de operaciones financieras, hay que aminorar la marcha. ¿Quieres comprarte un nuevo smartphone o un televisor? Puedes encontrar una buena oferta en internet, pero tendrás que pasar por un proceso de pago que es de todo menos ágil. Y es aún más complicado cuando quieres solicitar un crédito. Recibes tu paga extra y empiezas a buscar opciones de inversión, pero hay tropecientas. ¿Por qué tu banco no puede ver lo que hacen los usuarios con un perfil similar al tuyo y hacerte una propuesta personalizada? 

Decisiones en Tiempo Real y Big Data

Aquí es donde entran en juego las decisiones en tiempo real. Las instituciones financieras disponen de una mina de oro de datos, a la que ahora pueden sacar el máximo partido gracias a la adopción de tecnologías Big Data. Así, los bancos pueden hacer ofertas personalizadas en tiempo real, que van más allá del análisis a posteriori y realmente satisfacen las necesidades de sus clientes.

Hay muchas razones que explican por qué las instituciones financieras se han quedado atrás cuando se trata de responder en tiempo real a las necesidades de sus clientes, si las comparamos con las startups de internet. Las más importantes ni siquiera son de carácter técnico. De hecho, los bancos en seguida se dieron cuenta de la necesidad de reaccionar rápidamente ante el gran flujo de transacciones financieras. Esto favoreció la aparición de las plataformas de procesamiento de eventos complejos (Complex Event Processing) a principios de la década del 2000. Las primeras implementaciones de estas plataformas tuvieron mucho éxito en algunos campos claramente delimitados, como la operación en los mercados financieros mediante técnicas algorítmicas, en los que los eventos de datos que se procesaban estaban bien definidos, se comprendían y eran de buena calidad.

Sin embargo, la aparición de Big Data ha creado una nueva clase de almacenamiento de conocimientos globales, que las empresas tienen que ser capaces de explotar en tiempo real para seguir siendo competitivas. Este es el reto que presentan las «decisiones en tiempo real» en la era de Big Data.

Hoy en día, los consumidores exigen servicios digitales omnipresentes, con mayores niveles de sofisticación y personalización y con una capacidad de respuesta casi instantánea. Esto requiere la capacidad de acceder automáticamente a toda la información relevante en varias fuentes de datos, así como suministrar Business Intelligence (BI) con el objetivo de definir las acciones a realizar en base a esta información (por ejemplo, recomendaciones de productos). Esto debe suceder a medida que ocurren los eventos, es decir, en los preciados segundos en que tiene lugar la interacción. Esta es la verdadera esencia de los sistemas de decisiones en tiempo real en la era de Big Data.

¿Cómo se pueden aprovechar las nuevas posibilidades de Big Data?

Aprovechar y explotar estas nuevas oportunidades para mejorar las ventas, aumentar la eficiencia operacional o adquirir nuevas perspectivas son tareas que suponen un auténtico desafío. Para ser totalmente efectivos, los sistemas de decisiones en tiempo real tienen que integrar y procesar todos los datos disponibles para una empresa, tanto de fuentes internas como externas. Esto significa que hay que acabar con la mentalidad de silo, tan generalizada en las grandes empresas, para poder cargar el conjunto de datos a un repositorio compartido. Los early adopters del paradigma de Big Data llevan algunos años construyendo estos «lagos de datos» (data lakes) y ahora están empezando a cosechar los beneficios de la información obtenida al aplicar técnicas sofisticadas basadas en algoritmos de aprendizaje automáticos frente a estas series de datos. Al mismo tiempo, se debe implementar minuciosamente una gestión de datos en estos grandes repositorios de datos compartidos. Hay que seguir erigiendo «murallas chinas», tal y como lo exija el cumplimiento legal o normativo, elaborando políticas de acceso a datos y conservando registros de auditorías que garanticen la posibilidad de rastrear cualquier cambio que pueda ocurrir.

Además, para implementar correctamente sistemas compatibles con decisiones en tiempo real en flujos de Big Data, se deben considerar cuidadosamente el diseño y la implementación de un plan de adopción riguroso de las tecnologías emergentes de Big Data. Estas tecnologías poseen un conjunto de requisitos y capacidades muy diferente del de la infraestructura tradicional de BI, independientemente de si consideramos su adopción e integración iniciales en entornos de TI ya existentes o desde un punto de vista meramente operativo.

Tecnologías emergentes de Big Data que reestructuran el entorno de las decisiones en tiempo real

Un ecosistema de tecnologías completamente nuevo, creado por los gigantes tecnológicos de internet, reforzado por una comunidad de Open Source muy activa y perfeccionado por una serie de empresas altamente innovadoras, ya está alcanzando la madurez a nivel corporativo: almacenamiento en disco altamente flexible y redundante en servidores estándar del sector, como el sistema de archivos Hadoop (HDFS); entornos de computación paralela distribuidos y resilientes, como Hadoop MapReduce, para el procesamiento por lotes basado en disco; o plataformas completamente in-memory, como Spark.

Otro componente principal del ecosistema técnico de Big Data son las bases de datos resilientes y flexibles NoSQL, que no presentan las rígidas restricciones del modelo relacional, aunque carecen de algunas de sus ventajas. Estas van desde bases de datos de valores clave con acceso rápido (HBase) hasta depósitos de documentos (MongoDB, CouchDB). Aparte de éstas, hay una gran cantidad de tecnologías de absorción rápida de datos (Flume, Storm, Kafka) y análisis de consultas «estilo SQL» (Hive o Impala) que permiten conectar un Business Intelligence ampliamente consolidado con herramientas de visualización de datos, y que están alcanzando rápidamente el nivel corporativo.

Finalmente, se están desarrollando bibliotecas algorítmicas analíticas de vanguardia en lenguajes ampliamente extendidos, como Java y Python , o el lenguaje de programación funcional Scala.

social_contacts_gft

¿Existe un modelo para adoptar con éxito las decisiones en tiempo real de Big Data?
Gracias a nuestra larga trayectoria en la implementación de sistemas basados en Big Data para algunos de nuestros clientes principales, y al enfoque dinámico del Laboratorio de Banca Digital de GFT para evaluar nuevas tecnologías, estamos perfectamente capacitados para dar apoyo a empresas pioneras que quieran utilizar Big Data para procesar decisiones en tiempo real.

Para adoptar con éxito las tecnologías compatibles con sistemas de decisiones en tiempo real de Big Data y, al mismo tiempo, minimizar riesgos, las instituciones financieras tienen que combinar el conocimiento y la experiencia en las tecnologías de TI de core bancario con los laboratorios de innovación y profesionales especializados.

En GFT hemos colaborado mano a mano con algunos de nuestros clientes para definir y ejecutar una serie de proyectos que aplican estas tecnologías:

  • Detección en tiempo real de anomalías en los flujos de datos comerciales utilizando algoritmos de aprendizaje automáticos para supervisar de forma continua el flujo de datos y señalizar las anomalías que se detecten. La plataforma está diseñada para escalar linealmente aprovechando el entorno Spark.
  • Análisis de sentimiento en tiempo real para las interacciones del cliente de la banca con los medios sociales, para así proporcionar recomendaciones personalizadas para promociones de empresas asociadas (conexiones).
  • Categorización en tiempo real de las operaciones de cuentas bancarias de un cliente para dar respaldo a las capacidades de búsqueda de texto completo de todo el historial de operaciones de cada cliente en una plataforma bancaria electrónica.
  • Implementación de sistemas de apoyo de decisiones para los departamentos contra el blanqueo de dinero, basados en análisis estadísticos y procesamiento del lenguaje natural de actividades de datos sociales, incluida la recopilación y el análisis automatizados de información adversa relevante.
  • Definición de arquitecturas para lagos de datos basados en Hadoop, en las que se puedan realizar actividades sofisticadas de análisis de datos.

En definitiva, el ser capaces de tomar decisiones en tiempo real sobre volúmenes de datos a escala Big Data va a convertirse cada vez más en un factor diferenciador para las entidades financieras. La comunidad de startups FinTech ya proporciona servicios avanzados y se apropia de las áreas de alto margen de los bancos. Puede que el volumen aún sea bajo, pero las tasas de crecimiento son impresionantes. No obstante, los bancos tradicionales tienen una reserva de datos mucho mayor de la que servirse. Aprovechando esta mina de oro de datos y combinándola con la reputación de su marca, los bancos pueden allanar el camino hacia la era del cliente digital y, al mismo tiempo, asegurarse un negocio rentable.

GreenCoding

Con GreenCoding el desarrollo de software se convierte en parte integrante de tu programa de sostenibilidad

Más información