Empoderando a los usuarios de negocio con inteligencia de datos de autoservicio - Clonado

Introducción

Los datos son poder. Según McKinsey, "los bancos poseen más datos de clientes que las empresas de la mayoría de los demás sectores, pero están por detrás de muchos otros sectores orientados al consumidor en lo que respecta a la personalización a escala". https://www.mckinsey.com/industries/financial-services/our-insights/the-state-of-retail-banking-profitability-and-growth-in-the-era-of-digital-and-ai. En el sector bancario, se trata de transformar ese poder en información procesable mientras se gestionan con cuidado los riesgos de seguridad de los datos. Las instituciones financieras deben encontrar un equilibrio entre la protección de los datos confidenciales y la adopción de la democratización de los datos para mejorar la experiencia del cliente, reducir el riesgo y fomentar la innovación.

Sigma Computing, una plataforma de análisis e inteligencia de negocios de última generación, ofrece un camino seguro al aprovechar Databricks como el data warehouse inteligente central. Esta alianza permite a los bancos aprovechar la información, desde la segmentación de clientes hasta la evaluación de riesgos, todo sin comprometer la seguridad. En este blog, mostraremos cómo Databricks y Sigma ofrecen de forma conjunta un flujo de trabajo exploratorio y seguro para los analistas bancarios a medida que utilizan los datos de los consumidores para impulsar una mejor personalización y nuevas fuentes de ingresos.

La inteligencia de datos es un nuevo salvavidas para la banca

Los bancos digitales como Nubank y las fintech como Wise y Brex han superado a la banca empresarial tradicional al ofrecer a los clientes experiencias digitales optimizadas, servicios financieros en tiempo real y precios transparentes. Por el contrario, los bancos convencionales a menudo se quedan atrás debido a su infraestructura heredada. Esta deuda técnica genera ciclos de desarrollo más largos y, como resultado, limita la capacidad de los bancos para desarrollar nuevos productos y anticiparse a las cambiantes expectativas de los clientes. Hoy más que nunca, los datos son un activo estratégico y los bancos pueden aprovecharlos como una ventaja competitiva.

La inteligencia de datos es clave para liberar todo el potencial de los datos empresariales. Para alinearse con nuestra visión de una democratización total de los datos para cualquier usuario, Databricks lanza herramientas como los espacios de Genie, una interfaz conversacional donde los usuarios de negocios pueden consultar sus datos. Lo que diferencia a Genie es que este servicio incorpora todo el contexto empresarial de la jerga de negocios y los metadatos técnicos, integrados en el espacio como base para responder preguntas comerciales a través de Unity Catalog, la solución de gobernanza de Databricks.

Por qué los bancos tienen dificultades para lograr la democratización de los datos

Los bancos están muy regulados y son reacios al riesgo por naturaleza. Manejan volúmenes masivos de datos confidenciales, desde historiales de transacciones hasta información personal de los clientes, lo que los convierte en el blanco perfecto para ciberataques y amenazas internas. La filtración de datos (la transferencia no autorizada o el robo de datos) representa un riesgo constante, lo que exige protocolos de seguridad estrictos. Pero aquí está el dilema: si bien proteger los datos es esencial, restringirlos demasiado obstaculiza la innovación y ralentiza la toma de decisiones.

En este ámbito, la democratización de los datos se convierte en un desafío. La democratización promete liberar el potencial de los datos, poniéndolos en manos de quienes pueden actuar en función de la información: analistas de datos, gerentes de producto e incluso ejecutivos. Sin embargo, los bancos a menudo se debaten entre la necesidad de un acceso abierto y flexible a los datos y las estrictas medidas de seguridad que deben mantener.

Los sistemas de datos tradicionales en los bancos están aislados, lo que dificulta que los equipos compartan datos sin problemas entre departamentos. El temor al acceso no autorizado genera un entorno restrictivo en el que solo unos pocos elegidos tienen el privilegio de acceder a información crítica. Este cuello de botella frena la agilidad que la democratización de los datos pretende ofrecer. Además, el cumplimiento normativo añade otra capa de complejidad, ya que los bancos deben asegurarse de cumplir con estándares locales y globales como GDPR y CCPA, al tiempo que fomentan una cultura basada en datos. Un excelente ejemplo de un banco que resolvió estos problemas es HSBC, con su reinvención de los pagos, impulsada por Databricks. Lograron consolidar 14 bases de datos en un solo Lakehouse. Además, pudieron proteger los datos mediante el enmascaramiento en tiempo real y modernizaron su estrategia de segmentación de clientes, lo que dio como resultado la aplicación de pagos número uno en Hong Kong.

En la siguiente sección, exploraremos cómo los clientes pueden usar Databricks y Sigma Computing para resolver los desafíos anteriores.

Liberar la inteligencia de datos cumpliendo con las normativas

El problema de negocio

Imagine un grupo de analistas de negocios con la tarea de aumentar la fidelidad a los productos bancarios de crédito revolvente. El equipo de IT interno debe proporcionar a estos analistas herramientas sin código y no técnicas. Existen requisitos estrictos para restringir la funcionalidad de exportación. Por otro lado, los analistas necesitan manipular los datos con acceso completo al linaje y a los metadatos para explicar cualquier resultado comercial, como una oferta proactiva de aumento de la línea de crédito, a sus partes interesadas.

Herramientas de mercado para el análisis de autoservicio

Los usuarios finales requieren análisis de autoservicio. En la mayoría de los casos, la principal herramienta de entrega para habilitar esto es Excel. Sin embargo, proporcionar datos en Excel es una forma segura de aumentar el riesgo de filtración de datos y multiplicar las copias de los mismos, lo que genera ineficiencias. Aquí es donde entra Sigma Computing.

Sigma ofrece un camino para que los usuarios finales vean flujos de datos y análisis sin proporcionar un acceso ilimitado a los conjuntos de datos. Sigma también aporta familiaridad con la UX de las hojas de cálculo, lo que hace que la adopción entre los usuarios de Excel sea especialmente fluida. Sigma ofrece a los equipos de plataforma una forma única de extender los datos a usuarios no técnicos mediante un concepto conocido como "inserciones seguras".

Permitir un verdadero autoservicio con la inserción segura de Sigma

Sigma le permite crear un widget de autoservicio de inserción segura en la aplicación de su elección. Por ejemplo, los desarrolladores pueden crear una aplicación Flask, correos electrónicos integrados o integraciones de Teams que se autentiquen con tokens JWT y llamen al servicio de Sigma. Los JWT (JSON Web Tokens) son tokens compactos y seguros para URL que transmiten información de forma segura entre sistemas, lo que garantiza la integridad de los datos y la autenticación. Este formato es fundamental para las aplicaciones modernas basadas en API, lo que permite a las grandes empresas autenticar a los usuarios de forma segura sin exponer información confidencial. En esta integración de Sigma Computing y Databricks, JWT garantiza que los usuarios reciban acceso personalizado y en tiempo real a libros de trabajo y paneles. JWT permite el acceso seguro de los clientes a los datos financieros, y esta implementación protege el acceso a los paneles, manteniendo tanto el rendimiento como la seguridad al incrustar notificaciones específicas del usuario dentro de cada token.

Insertar usuarios sin permisos de espacio de trabajo

Ahora los usuarios pueden acceder fácilmente a los datos, y se pueden aplicar controles de acceso basados en roles para permitir que los propietarios de los libros de trabajo proporcionen acceso restringido con un sencillo interruptor de un solo uso. Consulte las siguientes imágenes como referencia. Aquí, el usuario externo pertenece al equipo 'Embed Banking Analysts'. Los propietarios del libro de trabajo de analítica proporcionan acceso de un solo uso al equipo de usuarios integrados, y los usuarios finales ya están listos para consumir cualquier conjunto de datos al que tengan derecho. Todos los controles de acceso detallados definidos como parte de Unity Catalog se extienden a los grupos en Databricks, en particular el filtrado a nivel de fila y columna.

Implementación de aplicaciones de analítica financiera en el Lakehouse de inteligencia de dominio

Databricks ofrece ahora una forma completamente nueva y simplificada de implementar la aplicación para dar servicio a usuarios integrados de forma segura: Databricks Apps. Con Databricks Apps, los equipos de ingeniería de datos pueden desarrollar y sincronizar código en el espacio de trabajo de Databricks e implementar una aplicación en cuestión de minutos, lo que hace que los datos sean accesibles para analistas y usuarios no técnicos de la misma manera que lo harían en un portal personalizado estándar. Ya sea que utilice Databricks Apps o una aplicación autohospedada (usamos Flask en nuestra demostración de Apps), los equipos de la plataforma pueden incorporar a usuarios integrados para democratizar completamente los datos para los usuarios no técnicos que están acostumbrados a aprovechar tablas dinámicas y ratios al vuelo para casos de uso bancario.

En nuestra aplicación de muestra, nos enfocamos en clientes con perfiles internos y datos externos de un buró de crédito (por ejemplo, TransUnion) y agregadores financieros como Plaid y Yodlee, que proporcionarán puntuaciones de crédito, líneas de crédito y tendencias sobre el uso de productos financieros. Nuestro resumen inicial (abajo en rojo) muestra que la mayoría de los clientes están interesados en la adquisición de vivienda. Por otro lado, la interacción es baja y el banco para el que trabajamos está interesado en aumentar la fidelidad. Como punto de partida, nuestros usuarios integrados pueden analizar rápidamente los ratios de liquidez y segmentar a los clientes objetivo para un aumento proactivo de la línea de crédito.

La analítica que vemos es útil, pero ¿cómo podemos empoderar a los usuarios integrados con una mejor experiencia de exploración sin poner en riesgo la exfiltración de datos?

Como se ve a continuación, dentro del entorno de Sigma, podemos crear un rol completamente personalizado llamado 'Explorer But Not Exporter' (Explorador pero no exportador), lo que evita que los usuarios exporten datos mediante botones de descarga. Con un espíritu innovador, otorgamos al usuario analista derechos para editar el libro de trabajo, por ejemplo, para crear y calcular nuevas columnas, lo que permitirá una experiencia mucho más enriquecedora y la adición de cálculos como ratios de liquidez para evaluar de manera eficiente las oportunidades de aumentos proactivos de líneas de crédito o inversiones para clientes bancarios. Ahora los usuarios están totalmente capacitados para agregar analíticas personalizadas para responder a sus preguntas.

Aunque la experiencia ha permitido a los usuarios crear nuevas agrupaciones de datos (binning), mapas de calor y listas de segmentación, ¿cómo garantizamos la confianza en los datos producidos? Nuestras tablas de muestra en la aplicación muestran una predicción de aumento proactivo de la línea de crédito, que ahora podemos aplicar a nuestros segmentos objetivo. Los analistas deben comprender de dónde provienen las predicciones para explicar la analítica y los resultados a las partes interesadas y ejecutivos del negocio. Con el linaje integrado en Unity Catalog, que se extiende más allá de los datos a modelos, paneles, características y funciones, podemos determinar con precisión de dónde provienen nuestras predicciones. Toda la información de origen derivada a continuación y las etiquetas se obtienen fácilmente de las tablas del sistema de Unity Catalog (AWS | Azure | GCP), lo que proporciona un mayor nivel de confianza y explicabilidad para el negocio.

Conclusión

La industria de servicios financieros se encuentra en una encrucijada. Los bancos tradicionales ya no pueden permitirse seguir limitados por sistemas de datos obsoletos y en silos, mientras que los disruptores fintech continúan rediseñando las experiencias de los clientes a través de la inteligencia de datos en tiempo real. En este entorno de tanto en juego, la democratización segura de los datos no es solo un lujo, es un salvavidas.

Las capacidades de integración segura de Sigma Computing, combinadas con la robusta plataforma de despliegue de aplicaciones y el data lakehouse de Databricks, presentan una solución transformadora para los bancos que buscan aprovechar los datos sin comprometer la seguridad. Las integraciones seguras de Sigma proporcionan una experiencia controlada que se alinea perfectamente con los estrictos requisitos regulatorios. Con Sigma, los bancos pueden capacitar a sus analistas, investigadores, gerentes de producto y equipos de ventas para acceder a información clave en un entorno más seguro y conforme con las normativas.

Al desplegar aplicaciones en Databricks, las instituciones financieras pueden ampliar de forma rápida y fluida el acceso seguro a los datos para los usuarios de las integraciones, personalizando las experiencias mientras mantienen un control absoluto sobre la seguridad de los datos. En un sector donde el margen de error es mínimo, la capacidad de ofrecer información basada en datos a través de aplicaciones integradas y seguras se convierte en una ventaja competitiva.

El mensaje para las instituciones financieras es claro: el tiempo de las estrategias de datos pasivas ha terminado. Aquellos que adopten la inteligencia de datos de autoservicio y segura mitigarán los riesgos y desbloquearán la agilidad necesaria para prosperar en el mercado digital actual. Los bancos deben evolucionar ahora, y el aprovechamiento de herramientas como Sigma Computing y Databricks puede activar una cultura basada en datos que convierta la información bruta en conocimientos accionables.

Regístrese en Databricks y Sigma hoy mismo para habilitar una inteligencia de datos de autoservicio y segura.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original