En este artículo analizaremos:
Recientemente se ha publicado una nueva encuesta sobre el sector financiero. En ella participaron un centenar de profesionales de los ámbitos de los préstamos, los fondos de cobertura, la banca y los seguros, tanto en Estados Unidos como en el Reino Unido. El informe destaca el hecho de que la gran mayoría de las instituciones financieras comprenden que necesitan recurrir a fuentes de datos externas. Sin embargo, gran parte de este dinámico sector no posee los conocimientos internos ni la experiencia necesarios para analizar adecuadamente los datos alternativos y obtener verdaderos beneficios operativos. Este artículo se centra tanto en los retos como en los mecanismos tecnológicos de adaptación que utilizan actualmente los actores del sector.
Fuente de la imagen: Bright Data
¿Cuáles son los principales obstáculos para integrar los datos alternativos en el contexto de las grandes finanzas?
«Los principales obstáculos para la integración de datos alternativos en el contexto de las grandes finanzas incluyen cuestiones a nivel de análisis, con un 61 % de los encuestados* citando esto como su reto más probable, mientras que el 53 % citó el abastecimiento/adquisición de datos como su principal reto».
Principales impedimentos para el análisis de datos alternativos en el sector financiero
Según los resultados de la encuesta:
«El 64 % de los profesionales de los servicios financieros* utilizan datos alternativos como parte de la formulación de sus estrategias de inversión en curso».
Pero las cosas empiezan a torcerse cuando los gestores de carteras comienzan a obtener datos:
- De una gran variedad de fuentes
- En volúmenes extremadamente altos
Los equipos de analistas de datos también se enfrentan a retos, en particular a problemas relacionados con la calidad y la compatibilidad de los datos recopilados para alimentar los algoritmos de inversión. Esto es especialmente cierto en el caso de los datos semiestructurados o no estructurados, que son difíciles de integrar en modelos de negociación basados en datos que poseen preajustes únicos. Este es el quid de la cuestión para muchas instituciones financieras que carecen de la infraestructura cibernética necesaria para procesar y cruzar eficazmente conjuntos de datos alternativos.
Esto, unido a la falta real de mano de obra cualificada y formada en las últimas técnicas de recopilación y procesamiento de datos, está creando obstáculos para las empresas de todo el panorama financiero.
Por último, a las organizaciones financieras les resulta cada vez más difícil cumplir con los estándares de agilidad de datos que se han fijado. Recopilan datos específicos y los almacenan en depósitos del tamaño del lago Superior, pero siguen sin poder descontextualizarlos para extraer conclusiones generales que puedan conducir a oportunidades de monetización más significativas.
Principales retos en la obtención de datos
Las dificultades del análisis de datos están interrelacionadas y, en cierto sentido, se solapan con los obstáculos de la obtención de datos. Los mayores retos de la obtención de datos son los siguientes
Identificación de datos: esto significa ser capaz de detectar y organizar categóricamente conjuntos de datos que han conservado metadatos, basándose en el caso de uso y la clase de activos, lo que puede tener importantes implicaciones operativas.
Replicabilidad del proceso: muchas veces, los equipos pueden obtener conjuntos de datos puntuales debido a que cierta información se pone en línea o a alguna otra singularidad. Sin embargo, las empresas necesitan un flujo de datos fiable y constante.
Calidad de la información: la IA y el ML tienen una importante «fase de entrenamiento», en la que necesitan recibir datos limpios y trazables para que sus resultados sean de alta calidad y precisos. El retraso temporal o la corrupción de los archivos geográficos, por ejemplo, podrían dañar gravemente los conocimientos algorítmicos, como qué posiciones de valores cerrar y en qué punto de salida.
Fuentes dispares: los datos no proceden todos del mismo lugar ni tienen el mismo formato. Algunos datos pueden proceder de plataformas sociales, mientras que otros proceden de resultados de motores de búsqueda o de documentos presentados ante la Comisión de Bolsa y Valores (SEC). Los formatos pueden variar desde archivos de vídeo y voz hasta texto y registros del sistema. Agregar y cruzar estos datos en un sistema unificado puede ser todo un reto.
Cómo prosperan las instituciones financieras, a pesar de los retos
Cada vez más instituciones financieras se han dado cuenta de las ventajas de externalizar sus necesidades de recopilación de datos. Esto se consigue ya sea mediante la compra de conjuntos de datos listos para usar o mediante la conexión de sistemas y equipos con herramientas que proporcionan un flujo de datos automatizado y en tiempo real.
Este enfoque elimina la mayoría de los retos que se plantean en la fase de análisis, ya que las redes de recopilación de datos son capaces de:
- Adaptar los conjuntos de datos a las necesidades específicas de su empresa.
- Garantizar que la entrada/salida se realice en el formato de archivo deseado, lo que permite una integración más sencilla de los datos procedentes de fuentes dispares.
- Ayudarle a evitar la inversión en costosos sistemas de datos y especialistas en recopilación de datos.
- Proporcione a su fondo la agilidad necesaria para activar y desactivar las operaciones de recopilación de datos por proyecto (lo que se conoce comúnmente como «datos bajo demanda»).
Este enfoque también puede ser una opción prudente para las oficinas boutique más pequeñas que desean centrarse en la inversión impulsada por los datos y no dedicar la mayor parte de su tiempo a la recopilación de datos.
Las principales ventajas de tratar los datos como una mercancía en el contexto de los servicios financieros y la inversión incluyen:
Obtener un flujo de datos en tiempo real y con baja latencia para tomar decisiones operativas inmediatas y en el momento (comprar, vender, vender en corto, etc.).
Hacer que el entrenamiento y la personalización de la IA y el MLsean mucho más accesibles y fáciles, de modo que la creación y la prueba de modelos de negociación rápidos se convierta en algo natural para los miembros del equipo.
Ampliar o reducir las operaciones de forma rápida y sin complicaciones.
Eliminar la necesidad de comprar o desarrollar hardware, software y protocolos o API propietarios costosos.
Desbloquear conjuntos de datosdifíciles de obtener o deliberadamente ocultos, como fue el caso de los hospitales estadounidenses que trabajaron para ocultar las tasas de procedimientos utilizando un fragmento de código designado.
Conclusión
La recopilación y la implementación de datos alternativos aún se encuentran en la «fase de adopción» en el sector financiero, lo que significa que todavía hay margen para obtener una «ventaja informativa» significativa.
A pesar de que la mayoría de las instituciones saben que tienen mucho que ganar al aprovechar los datos externos, muchas carecen de la capacidad o la experiencia para analizarlos y aprovecharlos adecuadamente.
Por lo tanto, se deduce que la «cadena de valor de los datos» tiene una relación inversa con el volumen, el coste, la calidad y el rendimiento que la mayoría de los demás productos informativos. Por ejemplo, la recopilación de un volumen menor de datos estructurados de mayor calidad, entregados automáticamente a modelos de inversión, algoritmos y analistas, tendrá un retorno de la inversión (ROI) mucho mayor que el de los datos no estructurados de gran volumen, recopilados de fuentes y formatos dispares.
De ello se desprende que las empresas financieras y las fintech deben contar con una estrategia clara de recopilación y gestión de datos que incorpore la automatización del abastecimiento de datos , lo que permite una mejor gestión de activos y estructuración de carteras.
* Estos datos se basan en los encuestados cuya organización utiliza datos alternativos entre los encuestados.
