Cómo abordar el riesgo bancario en un mundo digital

Hay una serie de canales en los que las instituciones financieras pueden incurrir en pérdidas potenciales, y estos riesgos se vuelven más complejos a medida que avanza la tecnología. Los bancos deben asegurarse de tener una función de gestión de riesgos para minimizar su exposición al riesgo y proteger sus activos. La gestión del riesgo bancario implica el desarrollo sistemático de un plan para gestionar las pérdidas potenciales. El ecosistema financiero mundial está cambiando rápidamente y los bancos deben reinventar sus funciones de gestión de riesgos para protegerse a sí mismos, a sus clientes y su lugar en el mercado.

¿Cuáles son los principales tipos de riesgos bancarios?

Riesgo de crédito de contraparte

El riesgo de crédito de la contraparte se refiere a una situación en la que la contraparte en una transacción no cumple con su parte del contrato. La contraparte podría ser un prestatario que no paga un préstamo o un moroso en una tarjeta de crédito. El riesgo de crédito también puede evolucionar cuando no se cumple una obligación contractual. Por ejemplo, si un banco se ha asegurado contra el riesgo de mercado y si el proveedor de seguros no cumple con el contrato, es un riesgo de crédito de contraparte. En términos simples, el riesgo de crédito de la contraparte puede ocurrir cada vez que un banco celebra un contrato.

Riesgo operacional

Los riesgos operativos pueden surgir debido a un error o daño causado por personas o sistemas. Puede ser involuntario, como que un cajero escriba accidentalmente un monto de transacción incorrecto. También podría surgir debido a fallas en el sistema o por sabotaje. El fraude bancario es otra forma en que puede surgir un riesgo operativo. El fraude bancario a menudo surge debido a compromisos en la ciberseguridad.

Riesgo de mercado

Cuando un banco invierte en el mercado de capitales, es susceptible a los riesgos de mercado. La volatilidad en el mercado de acciones puede surgir debido a varias razones: eventos políticos y financieros globales, cambios en los precios de las materias primas y cambios en las tasas de interés. Al invertir en el mercado de valores, el banco se expone a una gran cantidad de riesgos.

Riesgo de liquidez

El riesgo de liquidez surge cuando un banco no puede licuar sus activos para cumplir con las obligaciones contractuales. Por ejemplo, si un banco no puede proporcionar dinero a los clientes que desean retirar su depósito, existe un riesgo de liquidez. Este riesgo de liquidez tiene un efecto bola de nieve. Cuando a un cliente se le niega una transferencia de fondos, se alerta a otros clientes y más clientes se apresuran a retirar dinero. El riesgo de liquidez también puede surgir cuando un banco no puede licuar sus inversiones en el mercado de valores. Los bancos no pueden simplemente vender todas sus tenencias de acciones ya que existen regulaciones para proteger el mercado.

Riesgos Bancarios No Financieros

Además de varios riesgos financieros, existen varios riesgos bancarios no financieros. El riesgo tecnológico es uno de ellos. Incluye los riesgos de ciberseguridad, el riesgo de incumplimiento de la normativa de protección de datos y el riesgo de sistemas heredados. Si bien los bancos desarrollan planes exhaustivos para hacer frente a los riesgos financieros, es posible que no estén al tanto de los riesgos tecnológicos. Los bancos pueden enfrentar varios desafíos cuando intentan mitigar los riesgos tecnológicos.

¿Cuáles son los principales desafíos en la mitigación de los riesgos tecnológicos?

Gobierno de datos

Los bancos pueden verse abrumados por la afluencia de volúmenes masivos de datos de varias fuentes: información de clientes, transacciones financieras, datos de ventas y marketing e información no estructurada en forma de mensajes de texto, correos electrónicos e interacciones en redes sociales. Con el aumento de los datos empresariales, es un desafío garantizar la calidad y la seguridad de los datos.

Pueden surgir varios riesgos bancarios debido a la falta de planes de gobierno de datos . Las organizaciones financieras a menudo tienen datos en silos desconectados y equipos que toman decisiones basadas en datos parciales.

Análisis en tiempo real

La analítica de datos en tiempo real puede ayudar enormemente a la gestión de riesgos, pero presenta varios desafíos. Uno de ellos es la precisión de los datos en tiempo real. Antes de que pueda usarse para cualquier toma de decisiones, los datos deben limpiarse, verificarse y autorizarse.

Otro desafío en el análisis en tiempo real es la efectividad. Incluso si una organización financiera puede proporcionar datos de alta calidad en tiempo real, es posible que no pueda tomar decisiones rápidas basadas en estos datos.

Los bancos a menudo luchan por aumentar la calidad de los datos reales y permitir una toma de decisiones rápida basada en estos datos.

Gestión de APIs

Hay un nuevo conjunto de desafíos con la banca abierta (donde una organización financiera permite que las APIs de terceros accedan a sus servicios financieros). El primer desafío son los riesgos de seguridad relacionados con la exposición de las funciones bancarias a las API. Los ataques cibernéticos a estas API pueden representar un grave riesgo para los sistemas bancarios. Otro desafío es la responsabilidad financiera debido a una API comprometida. En el sistema actual, cuando hay un ciberataque a la API, la entidad financiera debe hacerse cargo de las pérdidas de los clientes. Para superar estos desafíos, necesita una plataforma de gestión de API innovadora.

Data Virtualization

En muchas instituciones financieras, los datos residen en silos. Es desafiante, o imposible, tomar decisiones basadas en datos cuando no hay un depósito de datos centralizado. La virtualización de datos resuelve este problema al combinar todos los datos de la empresa y proporcionar una interfaz lógica para el acceso a los datos.

La virtualización de datos puede ser un desafío para las organizaciones financieras, ya que manejan una enorme cantidad de datos parcialmente estructurados y no estructurados. Con las nuevas regulaciones de datos, la recopilación y el almacenamiento de datos deben cumplir con las leyes y la legislación.

Ciencia de datos e integración

Los modelos basados en la ciencia de datos ayudan a los bancos a tomar decisiones mejores y más informadas. Les ayuda a responder al mercado más rápido y vencer a la competencia.

Sin embargo, existen varios desafíos relacionados con los modelos de ciencia de datos. A menudo, no existe un repositorio centralizado para los modelos de la institución financiera y es difícil rastrear qué modelo se ha utilizado en las funciones de gestión de riesgos. El seguimiento de la eficiencia de los modelos de ciencia de datos también es un desafío porque los equipos pueden desarrollar estos modelos con diferentes lenguajes de programación y tecnologías, lo que hace que estos modelos sean oscuros.

¿Cuáles son las tendencias clave en la gestión de riesgos?

La función de gestión de riesgos de los bancos ha cambiado considerablemente en la última década. Si bien es difícil predecir cómo seguirá cambiando, existen algunas tendencias clave que definirán la gestión de riesgos en el futuro:

Reglamentos que cambian rápidamente

Las regulaciones bancarias son cada vez más estrictas cada año que pasa. Cada país tiene su propio conjunto de regulaciones que cambian según el entorno económico. Las actividades de las instituciones financieras y su relación con los clientes están bajo estricto escrutinio. Debido a la naturaleza cambiante de las regulaciones, las instituciones financieras buscan una función de gestión de riesgos más flexible.

El auge de Fintech y las expectativas de los clientes

Con la entrada de tecnología avanzada en el sector bancario, los clientes esperan servicios mejores y más rápidos. Existe una gran competencia en el sector bancario para atender las cambiantes necesidades y demandas de los clientes. La banca en línea y las aplicaciones abren una nueva fuente de riesgo para los bancos.

Tecnología y análisis en evolución

Las futuras funciones de riesgo deberían aprovechar los avances en tecnología como big data, Machine Learning, inteligencia artificial y análisis mejorado. Estas tecnologías permiten que las funciones de riesgo tomen mejores decisiones. También ayudan a crear una infraestructura de datos que permite a las empresas dedicar más tiempo a analizar sus datos en lugar de administrarlos.

La aparición de nuevos riesgos

Los bancos se enfrentan a nuevos tipos de riesgos tecnológicos. Un ejemplo es el riesgo de modelo, que evoluciona a partir de la dependencia de una organización de un modelo de negocio. Los riesgos cibernéticos aumentan a medida que los bancos se conectan y brindan sus servicios a través de API de terceros. El pirateo y el fraude bancario están aumentando, y la función de riesgo debe diseñarse para tener en cuenta estos nuevos tipos de riesgo.

Las tendencias de seguridad sugieren que las futuras funciones de riesgo bancario deberían tener un alto rendimiento. Deben poder manejar una variedad de riesgos y también cumplir con las regulaciones en constante cambio. La función de riesgo también debe adaptarse a la economía global que cambia rápidamente. Solo una función de riesgo completamente digitalizada con los siguientes atributos puede preparar una organización financiera para los desafíos futuros:

• Evaluación de riesgos y toma de decisiones automatizadas
• Utilización de modelos de la analítica avanzada
• Integración con modelos eficientes de gobierno de datos
• Confianza en modelos inteligentes de ciencia de datos

Gobernanza de datos mejorada: una oportunidad clave

El gobierno de datos ayuda a las organizaciones a proteger y administrar sus datos para obtener grandes beneficios. La disponibilidad de datos confiables y de alta calidad en toda la organización garantizará una toma de decisiones más rápida y mejor. Se requiere un cambio en toda la organización para garantizar un gobierno de datos más eficiente. Esto incluye definir funciones y responsabilidades y garantizar una comunicación más eficaz en toda la organización. Capacitar a los empleados y definir procesos precisos para el manejo de datos empresariales ayuda a mitigar los riesgos bancarios.

Las instituciones financieras pueden obtener valor de su política de gobierno de datos de muchas maneras. A primera vista, el gobierno de datos puede parecer una herramienta para garantizar el cumplimiento normativo. Las regulaciones financieras están cambiando a menudo y están recibiendo multas más altas por no cumplir. Desde la perspectiva regulatoria, el gobierno de datos es un paradigma importante para garantizar el cumplimiento.

Curiosamente, más que solo el cumplimiento, los bancos buscan obtener valor comercial del gobierno de datos. Un plan de gobierno de datos mejorado ayuda a la alta dirección de la organización a ser más consciente de los datos para tomar decisiones informadas. También garantiza la propiedad adecuada de los datos. Un plan de gobierno de datos adecuado también ayuda a las organizaciones financieras a monetizar sus datos.

Creación de una función de riesgo digital para abordar los riesgos bancarios

En la banca, una función de gestión de riesgos incluye planes para minimizar pérdidas y pasivos. En el mercado financiero actual, una función de riesgo se ve desafiada por varios factores:

• Políticas monetarias en constante cambio: los países a menudo actualizan y modifican sus políticas monetarias, y la función de riesgo bancario debe adaptarse a estas políticas volátiles.
• Volatilidad en las exigencias regulatorias: Las leyes que rigen las operaciones de los bancos están cambiando muy rápidamente.
• Retirada de la globalización: los países ahora están retrocediendo de la globalización a prioridades más nacionalizadas. Esto da como resultado que cada país cree requisitos regulatorios más especializados.
• Incertidumbre económica: Varias recesiones menores y mayores han golpeado la economía mundial. La volatilidad del mercado de valores se suma a la incertidumbre de la economía global. Mantener una función de riesgo estática en este entorno altamente volátil es un gran desafío.
• Introducción de fintechs: las empresas Fintech combinan finanzas y tecnología para satisfacer las necesidades cambiantes de los clientes. La introducción de la tecnología en las finanzas ha presentado un nuevo conjunto de desafíos para los bancos: un aumento en el volumen de transacciones, API de terceros y ataques cibernéticos.

Para abordar estos desafíos, los bancos requieren una transformación digital.

¿Cuáles son los desafíos para la transformación digital de la función de riesgos?

Para una función de riesgo totalmente digital, varios componentes de la empresa deben trabajar juntos. Esto incluye personas, procesos y sistemas. Sin todos estos componentes, una función de riesgo digital no será efectiva. Las empresas a menudo tienen procesos y personas que pueden respaldar la digitalización, pero es posible que no tengan los sistemas adecuados o que los sistemas existentes necesiten actualizaciones. La baja calidad de los datos y la infraestructura de datos insuficiente a menudo impiden los esfuerzos de digitalización. La falta de transparencia de los datos es otro desafío.

Estos desafíos, junto con un gobierno de datos ineficaz, podrían ralentizar la función de riesgo bancario de transformación digital y provocar conductas indebidas. Además, los cambios regulatorios están obligando a las organizaciones financieras a rediseñar su infraestructura de datos.

Los avances tecnológicos en la ciencia de datos pueden ayudar a las organizaciones financieras a superar estos desafíos. Un avance importante es mejorar la calidad de los datos. Las instituciones financieras pueden utilizar tecnologías avanzadas para garantizar que los responsables de la toma de decisiones, como la junta directiva, siempre tengan acceso a datos precisos. Esto conducirá a una mejor toma de decisiones y reducirá las posibilidades de mala conducta bancaria.

¿Cuáles son las tecnologías que fortalecen la función de riesgos?

Una función de riesgo digitalizada ayuda a las instituciones financieras a monitorear su empresa de manera más eficiente. También permite a la organización cumplir con las regulaciones cambiantes y mantenerse alejada de la mala conducta bancaria. Una función de riesgo digital mejora en gran medida la calidad y la eficiencia de las decisiones de riesgo. Con el gobierno de datos, la gestión de datos maestros, la ciencia de datos y el análisis, las organizaciones pueden obtener información sobre su función de riesgo. Estas tecnologías ayudan a la infraestructura de datos de una organización.

Hay tres tipos principales de datos para una organización financiera:

• Datos maestros (o de referencia).
• Metadatos
• Datos de transacción.

Junto con la función de riesgo digitalizada, una organización puede utilizar las siguientes tecnologías para aumentar el valor comercial de sus datos:

Gobierno de datos

Con un plan de gobierno de datos eficiente, la propiedad y la calidad de los datos se pueden monitorear y administrar. La infraestructura de gobierno de datos también actúa como depósito de políticas, definiciones comerciales y otros metadatos, incluidos flujos, modelos, informes y paneles. El gobierno de datos garantiza que los responsables de la toma de decisiones tengan los datos y las referencias correctos.

Ciencias de datos

Los equipos de ciencia de datos desarrollan modelos o algoritmos para trabajar en los datos empresariales. Estos modelos incluyen modelos analíticos, puntos de referencia, aprendizaje automático y modelos de inteligencia artificial. Los científicos de datos crean una infraestructura a través de la cual una organización puede aprender de sus datos.

Gestión de datos maestros

La gestión de datos maestros garantiza que los datos coherentes sean accesibles en toda la organización. Garantiza la precisión, la puntualidad y la integridad de los datos y también proporciona contexto para los datos. La gestión de datos maestros crea un punto de referencia único y compartido para toda la organización, incluidos los registros dorados y las dimensiones y jerarquías confirmadas.

Analítica de datos

La analítica de datos funciona con datos empresariales (ya sean de referencia, metadatos o transaccionales) para crear conocimientos a partir de los datos. Analytics utiliza modelos creados por equipos de ciencia de datos y produce informes en tiempo real y modelos prospectivos.