ES
¿No tienes ganas de leer? Escucha la versión en audio en inglés.
La tecnología continúa avanzando poco a poco y, con ello, los datos estánempezando a ser el corazón de cada transacción, decisión y estrategia dentro dela banca. Ya sea recomendando productos financieros a los usuarios oautomatizando los procesos de toma de decisiones, los bancos confían en losdatos para entender a sus clientes y proporcionar una experiencia siobstáculos.
Pero, ¿qué sucede cuando los datos son inexactos?
El costo es mucho mayorde lo que podría pensarse. Y para la banca digital, donde la inexactitud de losdatos puede socavar gravemente el potencial del banco para crecer y atraer asus clientes, el costo puede llegar a ser el doble.
Imagínese si la banca digital funcionara a base de conjeturas. Sin datosprecisos, cada recomendación, cada interacción se convierte en tiro a ciegas.Cuanto más nativo digitalmente hablando sea el banco, más dependerá de unosdatos limpios y precisos para funcionar eficazmente. Desde la categorización delas transacciones hasta el análisis del comportamiento del usuario, laprecisión es esencial. No se trata solo de almacenar grandes cantidades dedatos, sino de cómo de precisos esos datos son y cómo informan de todo, desdelos servicios orientados al cliente hasta las operaciones de backend.
Un área clave donde a menudo surgen las inexactitudes de los datos son loshistoriales de transacciones. Por ejemplo, las transacciones mal categorizadasa menudo conducen a que los clientes malinterpreten sus patrones de gasto. Unbanco podría etiquetar una compra de 150 € en una tienda de comestibles localcomo un gasto de restaurante simplemente porque el procesador de pagos delcomerciante utiliza un Código de Categoría de Comerciante (MCC) obsoleto.
Esta imprecisión frustra a los usuarios, que inician devoluciones de cargosporque los detalles incompletos de la transacción los llevan a confusión y, enconsecuencia, a reclamar compras que simplemente no reconocen. Este procesotambién genera costos operacionales adicionales para los bancos, ya que elmanejo de las devoluciones de cargos puede requerir de muchos recursos y muchotiempo.
Este problema ha llamado incluso la atención de Mastercard, que hacealgún tiempo introdujo un mandato que en parte tiene como objetivo mejorar lacalidad de los datos de transacciones con el fin de reducir estos incidentes.Teniendo en cuenta que las aplicaciones de banca digital buscan involucrar alcliente, estos errores aparentemente pequeños pueden tener grandes implicaciones.
A grandes rasgos, la inexactitud de los datos limita directamente lacapacidad de un banco para aprovecharlos con el fin de aumentar los ingresos.Imagine el poder que ofrecen unos datos precisos de las transaccionescombinados con modelos impulsados por IA que pueden hacer ofertaspersonalizadas. Los bancos pueden vender productos financieros, servicios deventa cruzada u ofrecer consejos relevantes. Pero el fundamento de todo esto esdisponer de unos datos precisos. Los datos inexactos conducen a recomendacioneserróneas, oportunidades perdidas y pérdida potencial de confianza del cliente.
Comprender el comportamiento del cliente es esencial para generar confianzae impulsar el compromiso. La diferencia entre un banco que trabaja con datosenriquecidos y uno que se ocupa de información bruta y no procesada es ladiferencia entre la precisión personalizada y los conocimientos genéricos yobsoletos. Los datos brutos y no enriquecidos generalmente incluyen solo losdetalles más básicos de la transacción: fecha, cantidad y una descripcióncríptica del comerciante, a menudo acompañada de un Código de Categoría deComerciante (MCC) obsoleto o incorrecto. Por el contrario, los datos mejoradosde las transacciones ofrecen una vista más completa, precisa y fácil de usar. Através de la mejora de datos, los datos brutos se transforman en información detalladay categorizada que aporta luz a los historiales de las transacciones. Esteproceso implica limpiar y mejorar registros añadiendo los nombres de loscomercios en cuestión, ubicaciones precisas, logotipos, categorización exacta ymucho más.
Con perfiles financieros de clientes mejorados, los bancos pueden ofrecerservicios como puntuación crediticia basada en datos más inteligentes,lo que proporciona una imagen más precisa de la salud financiera del cliente.En lugar de evaluar únicamente las transacciones pasadas de un usuario, losperfiles mejorados tienen en consideración patrones de comportamiento y datosdemográficos más amplios. Esto permite a los bancos ajustar las ofertas decrédito, asegurándose de que proporcionan el producto adecuado a la personaadecuada en el momento adecuado.
Eche un vistazo a cómo los datos no mejorados pueden mostrar un estilo devida completamente diferente en comparación con una visión mejorada y precisadel historial de pagos y los hábitos de gasto del cliente.
Veamos varios escenarios específicos donde la inexactitud de los datospuede tener consecuencias negativas para los bancos:
La venta cruzada es una poderosa herramienta para los bancos, ya que lespermite ofrecer productos complementarios a sus clientes ya existentes. Porejemplo, un usuario con altos volúmenes de transacciones en viajes podría serel candidato perfecto para una tarjeta de crédito de viaje. Algunas campañasfocalizadas pueden tener una mejor tasa de conversión. Sin embargo, cuando losbancos confían en datos inexactos, estas campañas están condenadas al fracaso.Imagine un usuario que compre principalmente en tiendas locales pero que estáclasificado erróneamente como comprador internacional.
De repente, recibe ofertas irrelevantes de seguros de viaje internacional oservicios de divisas, provocando frustración y desvinculación. La plataforma Dateio muestra cómo, cuando se hace bien, las campañas específicas basadas endatos de transacciones pueden aumentar la interacción e impulsar tasas deconversión más altas. Pero el requisito previo es la precisión de los datos.
¿Qué significa esto?
Imagine que tiene 3 millonesde usuarios. ¡Comprobemos la tabla para ver cómounos datos exactos afectan el resultado!
Se espera que cada campaña focalizada sea relevante para el 12 % de losusuarios, es decir, 360.000 personas. Sin embargo, con datos precisos, puedeapreciar que la campaña es realmente relevante para el 14 % de los usuarios, o420.000 personas. Si la tasa de conversión de la campaña es del 5 %, entoncespara el 12 % de relevancia inicial, estaríamos hablando de una conversión de18.000 usuarios. Con un 14 % de relevancia, la conversión sería de 21.000usuarios. Si sus ingresos por usuario son de 1 €, las 3.000 conversionesadicionales a partir de datos precisos generarían 3.000 € adicionales eningresos. Los datos inexactos, por otra parte, implicarían una oportunidadperdida para conseguir estos ingresos adicionales.
Los chatbots de IA manejan cada vez más una gran parte de las interaccionescon los clientes. Sin embargo, sin datos de calidad para alimentar a estosmodelos, todo el sistema resulta prácticamente inútil. Los chatbots requiereninformación y contexto precisos del cliente para proporcionar soluciones consentido. Si los datos son inexactos, los clientes pueden ser dirigidos apreguntas frecuentes irrelevantes o recibir recomendaciones incorrectas,afectando así negativamente a la confianza en el servicio. Como se destaca ennuestro artículo sobre chatbots de IA, la IA necesita un flujo constantede datos precisos para funcionar de manera óptima. Sin ella, la eficiencia yeficacia de estas herramientas de IA se ve reducida.
Qué significa esto: Los chatbots de IA dependenen gran medida de datos precisos para proporcionar una asistencia relevante.Imagine que su banco atiende a 500.000 usuarios mensualmente a través de unchatbot, y el 20 % de estas interacciones se ven afectadas negativamente pordatos inexactos, es decir se producen 100.000 interacciones insatisfactorias.Si cada interacción sin éxito representa una posible pérdida de confianza o unabaja valorada en 0,50 € por interacción, el coste total de los datos inexactosen las interacciones de chatbots podría alcanzar los 50.000 € al mes. Alutilizar datos mejorados y precisos, los bancos pueden reducirsignificativamente estos costos y mejorar la satisfacción del cliente.
En la actualidad todo gira alrededor de los detalles, por lo que los bancosofrecen a los clientes información sobre cómo afecta su gasto al medioambiente. Por ejemplo, la huella de carbono. Estas iniciativas permiten a losusuarios tomar decisiones más conscientes que afectan al medio ambiente. Sinembargo, cuando los datos que se hallan detrás de esos conocimientos soninexactos, el valor de dichos servicios disminuye. La información adecuada sobre la huella de carbono está basada en datos mejorados, lo que permitea los usuarios tener una imagen precisa de su impacto ambiental. Unos datosprecisos hacen que estos esfuerzos de sostenibilidad sean significativos ycreíbles.
Modelo de muestra – Basado en el modelo general de la UE. Ejemplo de 50 €gastados: Porejemplo, una transacción de 50 euros en el marco de un MCC general de“transporte” podría mostrar una estimación de emisiones de carbono elevada,quizás de alrededor de 49,8 kg de CO2e. Sin embargo, cuando losdatos se mejoran con el fin de especificar el tipo de comerciante ytransacción, el impacto ambiental real gana claridad. Esos 50 euros podríangastarse en una variedad de modos de transporte: una visita a la estación deesquí con solo 5,6 kg de CO2e, un viaje en autobús con 25,5 kg de CO2eo un viaje en bicicleta compartida, que agrega solo 2,3 kg de CO2e.Este detalle granular permite a los usuarios entender mejor el impactoecológico de sus elecciones de gasto, destacando, por ejemplo, la diferenciasignificativa entre ir en bicicleta y tomar un taxi.
Los datos brutos de transacciones suelen ser desordenados, incompletos ydifíciles de interpretar. Antes de que comience a preocuparse por la precisión,debe asegurarse de que los datos sean utilizables. Aquí es donde entra en juegola mejora de datos. Los datos mejorados proporcionan claridad, contexto yprecisión, unas características ausentes en los datos sin procesar. Al procesary categorizar los historiales de pagos con precisión, los bancos pueden crear una imagenmucho más clara del comportamiento de los clientes
A través de un historial de transacciones mejorado, los bancos puedenofrecer a los usuarios información financiera completa, eliminando la confusióny las conjeturas que a menudo conllevan los datos sin procesar. La bancaabierta amplifica aún más este hecho al conectar varios flujos de datos, perouna vez más, la clave para aprovechar estas posibilidades es garantizar que losdatos sean limpios y precisos.
Al final de la jornada, los datos inexactos han causado costes a los bancosno solo en términos de pérdida de ingresos, sino también de confianza ycompromiso. El aprovechamiento de los datos mejorados garantiza que susservicios de banca digital cumplan con las expectativas de los consumidoresmodernos, al tiempo que permite que tecnologías avanzadas como la IA funcionena su máximo potencial.
.webp)
Michal Maliarov
Senior insider
