Riqueza y pobreza digital

Nos encontramos en un contexto en el que todo puede medirse y los datos han pasado a convertirse en un activo más para las empresas. Ya no basta con conocer ingresos o costes, sino los KPIs que influyen en su generación. Sin embargo, la asimetría en el uso, acceso y tenencia de datos ha hecho aparecer conceptos como “brecha” y “pobreza” digitales.

Una visión global

 En 2022 se consumieron 77,5 exabytes de datos móviles. Según el estudio realizado por HootSuite y WeAreSocial, en 2021 pasamos casi 7 horas al día conectados a internet. El auge del teletrabajo y la necesidad de comunicarnos ha hecho de la red un espacio en el que nos interrelacionamos tanto personal como profesionalmente.

Según datos de SimilarWeb, de las cinco webs más visitadas en el mundo sólo las dos primeras suman 1280 billones de visitas anuales, teniendo en cuenta que la población anual se sitúa en 7,8 billones a principios de año, y que el 62% de la población mundial tiene acceso a Internet, supone que cada internauta ha visitado servicios ofrecidos por Google 218 veces al mes.

Y en cada una de esas visitas Google almacena datos.

Qué páginas buscamos, con qué frecuencia, sobre qué banners accedemos, cuantos clicks hacemos, cuanto tiempo pasamos en cada página y un sinfín de métricas más son almacenadas, analizadas y sirven para alimentar los algoritmos de patrones de comportamiento que Google luego usa para monetizar sus plataformas.

Seamos honestos, nadie se lee un EULA (End-User License Agreement). Esos larguísimos y enrevesados contratos sobre los que scrollamos rápidamente buscando pasar a la siguiente página son la versión moderna del contrato de Fausto. Cambiamos nuestros datos por el acceso a servicios “gratuitos” y con ello hacemos a las grandes empresas cada vez más ricas. En datos. 

Ricos y pobres en datos

Nuestro sector no es ajeno a este nuevo patrón oro del dato. Actualmente las organizaciones más grandes tienen en sus bases de datos un inmenso tesoro contenido en sus bases de datos referido a patrones de comportamiento del cliente y de la cartera en general, lo que las hace más eficientes y, por ende, más rentables.

Antes de usar modelos predictivos, el comportamiento de una cartera NPL se realizaba en base a la experiencia del portfolio manager y de los datos del análisis de la due dilligence previa. Ahora se pueden predecir las curvas de contactación, negociación y conversión previamente e ir haciendo un champion challenge de varios escenarios previstos contra el rendimiento “real” de la cartera.

El uso de sandbox permite de hecho realizar comparativas de estrategias sin afectar a producción, y poder dar respuestas a escenarios What if que de otra manera serían casi imposibles de realizar.

Así podemos hablar de empresas de recuperación ricas y pobres en cuanto a datos. La ventaja comparativa de las organizaciones que disponen una gran base de datos y que saben cómo usarla, frente a aquellas más ancladas en métodos más “manuales” es la que está marcando la diferencia en cuanto a eficacias generales. 

Nuestro enfoque

Arvato Financial Solutions, presente en 50 países, gracias al cambio realizado hacia una cultura data driven, usa complejos algoritmos que permiten, gracias al volumen de las muestras (16 millones de registros únicos en el caso de España) prever patrones de comportamiento y anticiparse a las necesidades del cliente.

En AFS apostamos por un enfoque analítico a la hora de estudiar y gestionar una cartera NPL ofreciendo al inversor un acompañamiento desde el primer momento y convirtiéndonos en un partner de confianza que ofrece el valor añadido de su experiencia en procesos de minería y análisis de datos a la gestión de la cartera.