Por Ignacio Quintanilla Salinas
Director de Desarrollo de Negocio de América del Sur del BBVA

Carlos miraba, de pie, desde la ventana de su oficina, cómo cruzaba lentamente un autobús por la esquina. No lo podía creer. A sus 52 años de edad y con 21 años de experiencia trabajando en el banco, el Comité de Riesgos le había rechazado la operación de uno de sus clientes más ordenados financieramente, el más prestigioso restaurante de la ciudad en los últimos 12 años, que se planteaba una expansión abriendo más locales.

Su mayor sorpresa había sido el motivo: “Es que la gente en Trip Advisor lo considera como poco interesante”, le había explicado el analista de riesgos por big data. ¡Vaya motivo! –pensaba.

Este es el escenario que vamos a encontrarnos dentro de poco tiempo. El análisis estructurado de infinidad de información desestructurada que dejamos las personas en las redes sociales permite predecir con mayor exactitud el comportamiento de los clientes, propios o ajenos, en un determinado periodo de tiempo, y permite tomar decisiones de mercado –o de riesgos, como en el caso del restaurante– con mayor exactitud.

Esta es una de las aplicaciones prácticas del big data sobre la que vienen trabajando estadísticos y lingüistas computacionales para el sector financiero.
¿Quién de nosotros no ha usado alguna vez –directa o indirectamente– información de internet sobre algún hotel, rent a car u otro servicio antes de decidir contratarlo?.

¿Quién no ha visto en Facebook o en Pinterest a sus amigos o compañeros de trabajo celebrando un cumpleaños en determinado restaurante? ¿Quién no ha mirado las opiniones y calificaciones sobre determinado producto antes de ordenar su compra?

Todos los días estamos recibiendo y dejando en la red opiniones que califican productos y servicios que utilizamos. Algún amigo quejándose de la empresa de telefonía que lo dejó sin cobertura cuando la necesitaba, u otro amigo comentando sus espectaculares vacaciones en un hotel de Puerto Vallarta. El problema que existía frente a tanta información era la capacidad de analizarla e interpretarla.

Lematización
Es con ese objetivo que se juntan tres profesiones para encontrar soluciones y aplicarlas: los lingüistas, los informáticos y los estadísticos. Los lingüistas recurren al uso de los llamados “lematizadores” para poder simplificar el procesamiento de todas esas frases y expresiones puestas en lenguaje coloquial reescribiéndolas en “lemas” y ser capaces de interpretarlas.

La lematización es el proceso lingüístico por el que se reduce la llamada “forma flexionada” de una palabra a su “lema” o forma más simple. Por decirlo fácil, el “lema” de una palabra viene a ser la primera forma en la que encontramos esa palabra en el diccionario. Por ejemplo, “escribir” es el lema de “escribí”, “escribamos”, “escribiste”, “escribimos”.

Reduciendo las frases a sus lemas, podemos avanzar en el camino de estructurarlas para analizarlas, pero se necesita identificar adecuadamente el lema y el contexto del lema.

Para eso se recurre al Natural Language Processing (NLP) o Procesamiento Natural del Lenguaje, que es un campo donde se combina la inteligencia artificial, la computación y la lingüística para que, mediante algoritmos y aprendizaje automático, una computadora pueda procesar las palabras, reducirlas a lemas, y, por su ubicación en el contexto de la frase, entender el mensaje y dar respuesta.

De hecho, es la tecnología que está detrás de aplicaciones como Siri, u otras en telefonía, que permite que hablemos con las computadoras. Es replicar lo que hace el cerebro de los niños, cuando están aprendiendo a hablar, para entender lo que los adultos les decimos a ellos. De allí, la denominación de Procesamiento Natural del Lenguaje.

Una vez que hemos logrado pasar los datos desestructurados de las redes sociales y otros de internet a datos estructurados, los podemos enriquecer con otros datos de fuentes más estructuradas, como por ejemplo las transacciones de clientes, los pagos con tarjeta de crédito (qué, dónde, cuándo, cuánto), en general, información que los clientes van dejando registrada casi sin saberlo con su comportamiento transaccional y financiero cotidiano.

Luego, mediante métodos estadísticos, la procesamos para efectuar el análisis y generar conclusiones.

Es así como el analista de big data había procesado información del cliente de Carlos, y había podido identificar la opinión de sus clientes considerando que su oferta de valor era poco interesante y, por tanto, concluía que sus ventas se iban a reducir y se le complicaría la cuenta de resultados. Probablemente, ni siquiera los propietarios del restaurante estaban visualizando el problema que se les venía encima.

Imaginemos las oportunidades que este tipo de procesamiento de datos le permitirá a los bancos en la evaluación de riesgos de pymes. Significa enriquecer el método tradicional de información pasada y presente, como ventas, balance y cuenta de resultados con interpretación de datos que dejan ver el comportamiento futuro de los clientes de una pyme, para validar –o no– los flujos proyectados que nos hayan presentado.

Y esta es solo una de las aplicaciones que el big data ofrecerá a los bancos: la riqueza de saber lo que dicen sus clientes de los nuestros. Pero, si podemos procesar lo que dicen los clientes de nuestros clientes, también podemos procesar lo que dicen nuestros clientes sobre nosotros. Y esa información nos permitirá modificar nuestros productos, servicios, procesos, circuitos o crear nuevos, para dar respuestas más exactas a lo que nos pide el mercado.

Beneficios
En definitiva, la ruta de la banca en la autopista del big data va a ofrecer muchos beneficios en conocimiento de nuestros clientes y del mercado. Y a esta autopista, más tarde o más temprano, todos nos vamos a incorporar.

Algunos bancos en el mundo, como el BBVA, ya estamos preparados y preparándonos para ello. Preparados, porque hemos entendido el fenómeno, hemos empezado a trabajar con él, hemos incorporado talento en estas nuevas disciplinas, y hemos tomado la decisión de conducir en esta autopista del big data. Y preparándonos, porque esto es como el deporte.

Todos los días hay que seguir preparándose para estar en forma dado que las velocidades de transformación de estas nuevas disciplinas nos obligan a velocidades de adecuación a las que no estábamos acostumbrados, pero de las que hoy no hay manera de escapar.

Todo está moviéndose a gran velocidad. Cambiando, inventándose y volviéndose a inventar. Por ejemplo, hoy ya hablamos del big data credit risk management.
Carlos ha entrado al ascensor del banco. Saluda a un compañero de trabajo que, preocupado, le cuenta que viene de ver al orientador vocacional de su hijo de 14 años, con la esperanza de que le diera pistas sobre lo que le convenía estudiar para su futuro… y que había salido más confundido de lo que entró.

“Quédese tranquilo –le había dicho el orientador vocacional– la profesión en la que trabajará su hijo aún no se ha inventado”. Carlos sonrió. Acababa de entender lo que le había pasado esa mañana.