Autor

Image

Athena Sharma - Artefact

Director consultor

Líder mundial de servicios financieros

Autor

Image

Chris Bannocks - QBE Seguros

Oficial Jefe del Grupo Data

Athena Sharma, Directora de Consultoría y Responsable Global de Servicios Financieros de Artefact, y Chris Bannocks, Jefe de Grupo de Data en QBE Insurance debaten sobre la madurez de data: qué es, qué papel desempeña en las empresas hoy en día y por qué es un reto particular para bancos, aseguradoras, casas de bolsa, cooperativas de crédito y otras empresas del sector de los servicios financieros.

¿A qué nos referimos cuando hablamos de madurez data?

En términos generales, la madurez data mide el nivel de capacidad de una organización para crear valor a partir de su data. Para alcanzar un alto nivel de madurez, la data debe estar profundamente arraigada en toda la organización y plenamente integrada en cada una de sus decisiones y actividades. Es un factor clave para el éxito de la transformación digital. Cuanto mayor sea su nivel de madurez, más ventajas competitivas tendrá una empresa.

Para medir la madurez data, se utiliza un modelo de madurez para evaluar las distintas capacidades data y digitales de una empresa. “Existen muchos modelos de madurez diferentes, pero todos utilizan un conjunto de preguntas para calificar el nivel de madurez de una empresa en muchas dimensiones distintas”, explica Chris Bannocks. “Estos incluyen las capacidades de una empresa -o madurez- en su arquitectura, personal, análisis, ética, privacidad, etc. Se trata de una medida objetiva que puede realizarse mediante una revisión independiente o una autoevaluación.

“El resultado es una agregación, por lo que las empresas deben decidir dónde quieren adquirir más madurez data y dónde es aceptable menos. No es necesario estar al máximo nivel en todas las dimensiones. Hay que preguntarse: ‘¿Madurez para qué?’.”
dice Chris Bannocks.

¿Por qué la madurez data es especialmente importante para las instituciones financieras?

Dado que la regulación es una cuestión crucial en el mundo de las finanzas, cuanto mayor sea el nivel de madurez de un banco o una compañía de seguros, más probable será que estén bien controlados, bien gestionados, bien gobernados y seguros.

“Data como las métricas de riesgo, las declaraciones de los clientes o los informes financieros pueden considerarse más precisos como resultado de la madurez de data en esas áreas”, afirma Chris Bannocks.

Pero la regulación no es el único motor de la madurez data. Una institución financiera (IF) madura en data puede aprovechar todo el espectro de soluciones que ofrecen los grandes análisis data y la IA, lo que conduce a una mejor toma de decisiones, un negocio más conectado y una mayor ventaja competitiva. Por ejemplo, una compañía de seguros más data madura podría utilizar mejor la IA para determinar el riesgo de seguro personalizado para cada cliente, lo que daría lugar a pólizas mejor adaptadas y a importantes beneficios empresariales.

“Aprovechar la IA y los grandes análisis data para la toma de decisiones impulsada por data, permitiendo una mayor personalización y optimizando los procesos es un factor crítico de éxito para los bancos y las compañías de seguros. Pero superar los retos de madurez data heredados sigue siendo un bloqueador principal”.”
dice Athena Sharma.

¿Dónde se sitúan actualmente las instituciones financieras en la escala de madurez data?

Muchas IF siguen enfocando la madurez data como un juego de suma cero: o se es maduro data o no se es. En lugar de ello, la madurez data debería verse como un espectro con diversos grados de madurez apropiados para diferentes partes del negocio, afirma Athena. “Esta visión segmentada de la madurez hace que el reto data sea más digerible para las IF, permitiéndoles centrarse primero en las áreas prioritarias y renunciando a la madurez en áreas que pueden no ser tan importantes para el negocio, o que pueden generar un menor retorno de la inversión.”

Según Chris, en una escala de madurez data del 1 al 5, la mayoría de las instituciones financieras se sitúan entre el 3 y el 4. “Las IF han hecho grandes progresos porque llevan unos 15 años trabajando duro en el espacio de la madurez y la capacidad. Pero si nos sumergimos y miramos la calidad data o la arquitectura o la ética, veremos distintos niveles de madurez según el sector.”

¿A qué retos se enfrentan las instituciones financieras en el camino hacia la madurez data?

La complejidad y la antigüedad de la arquitectura y los sistemas heredados siguen siendo uno de los principales retos a los que se enfrentan las empresas bancarias y de seguros. De los 100 principales bancos del mundo, 92 siguen confiando en el mainframe de IBM para sus operaciones. Utilizar un sistema anticuado supone una falta de agilidad y una arquitectura que no es capaz de hacer frente a las crecientes cargas de trabajo, especialmente cuando se trata de Big Data.

“Como resultado de estos retos, las IF necesitan aumentar su capacidad de procesamiento o reconstruir su arquitectura existente, soluciones ambas que requieren mucho esfuerzo y tiempo. Esto contrasta fuertemente con las ágiles FinTech, que pueden mantenerse ágiles y centradas en el cliente desde el primer momento,”
dice Athena Sharma.

El segundo reto clave está relacionado con las personas y la complejidad organizativa. El cambio de comportamiento y la adopción son difíciles de lograr en todas las industrias, no sólo en las instituciones financieras. Pero la complejidad organizativa de las IF hace más difícil impulsar la responsabilidad y la apropiación data y aportar valor empresarial.

Según Chris, “puede ser más fácil para la gente de los grupos bancarios y de seguros cambiar de comportamiento, ya que están acostumbrados a entornos regulados y pueden adoptar cosas como el data governance con más facilidad de lo que podrían hacerlo los de otros sectores. Pero el tamaño y la complejidad de las propias estructuras organizativas pueden presentar exigencias diferentes desde el punto de vista de la madurez data: un banco minorista tiene una necesidad de madurez diferente a la de un banco de inversión. La diferencia puede ser menor, pero exige que la respuesta a cada proyecto se adapte a cada caso en términos de valor empresarial, no sólo de valor normativo.”

¿Qué pasos pueden dar las instituciones financieras para ser más data maduras?

La respuesta general es acelerar hacia la analítica. He aquí algunos pasos que las IF pueden dar para lograrlo:

  • Evalúe los cimientos: Las IF deben comenzar con una auditoría exhaustiva de su data foundations, no sólo evaluando las capacidades técnicas, sino también formulando las preguntas empresariales adecuadas. “En la mayoría de los casos, los cimientos existentes son suficientemente buenos. Una vez que las instituciones financieras empiecen a poner medidas de madurez data a su alrededor, irán mejorando paulatinamente”, afirma Chris.

  • Pilote los casos de uso adecuados: Las IF necesitan adoptar un enfoque ágil en el que “cambien actuando ahora, en lugar de actuar después de que se haya producido el cambio”, afirma Athena. En la práctica, esto significa seleccionar casos de uso que aborden cuestiones empresariales específicas, esbozar los requisitos para habilitar estos casos de uso y cambiar los parámetros de madurez data de acuerdo con estos requisitos. Esto hace que el cambio sea más manejable y eficaz.

  • Obtenga valor pronto para mantener el impulso: Un contratiempo clave es que los proyectos de transformación a gran escala pierden impulso con el tiempo y la realización del valor tarda demasiado o a veces no llega a producirse. Un enfoque ágil basado en casos de uso para la madurez data permite una pronta realización del valor y, por tanto, una mayor aceptación por parte de la empresa.

  • Mantenga a las personas en el centro del cambio: Según Chris, “la madurez Data tiene que incluir y comprender el componente humano, así como el consumo y el uso de data dentro del modelo, no sólo la forma de gestionarlo hasta su punto final. Para obtener un valor real de un modelo de madurez data, deben incluirse todos estos componentes.”