Data Analytics Applications in Banking Customer Service and Financial Operations Management
Esta investigación propone un marco de análisis de datos que integra el análisis de transacciones, el monitoreo de servicios y la elaboración de informes de desempeño para mejorar el servicio al cliente y la toma de decisiones operativas en la banca, demostrando su efectividad a través de un conjunto de datos sintéticos debido a la indisponibilidad de datos propietarios.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo bancario moderno, cada acción deja una huella digital. Cuando un cliente deposita un cheque, transfiere dinero o llama para preguntar por un saldo, el banco registra el evento. Durante décadas, estos registros permanecieron en pilas separadas: un montón para el movimiento de entrada y salida de dinero, otro para las quejas y preguntas de los clientes, y un tercero para el tiempo que tomaba resolver los problemas. Si bien los bancos han sabido desde hace tiempo que observar estos números ayuda a que funcionen mejor, un desafío persistente ha sido conectar los puntos entre lo que los clientes gastan y cómo son tratados. La pregunta que enfrentan las instituciones financieras no es solo si tienen datos, sino cómo tejer estos diferentes hilos en una imagen única y clara que ayude a los gerentes a tomar mejores decisiones en tiempo real.
Una investigadora de la Universidad de Lamar, Sadia Afroje, abordó este desafío diseñando una nueva forma de observar las operaciones bancarias. El objetivo era construir un sistema que no solo almacene información, sino que conecte activamente el historial de transacciones con los registros de servicio al cliente. En el mundo real, los bancos suelen tener dificultades para ver cómo un aumento en el volumen de transacciones podría relacionarse con un incremento en las llamadas de los clientes, o cuánto tiempo toma resolver un tipo específico de queja. Este estudio propone un marco que une estas corrientes de información separadas. Al combinar los datos de las transacciones financieras con los registros de solicitudes de servicio, el sistema crea una visión unificada de cómo está desempeñando un banco. Es importante señalar que, debido a que los registros bancarios reales son privados y están protegidos, la investigadora no utilizó datos reales de clientes. En su lugar, creó un conjunto de datos ficticio y realista que imita el comportamiento de un banco típico durante seis meses para probar si su nuevo sistema funcionaría.
El marco opera como un proceso de tres pasos. Primero, recopila los números brutos, como la hora en que ocurrió una transacción, la cantidad de dinero involucrada y el momento en que un cliente llamó para pedir ayuda. Segundo, limpia y organiza esta información, asegurando que una transacción y una llamada de servicio de la misma persona puedan vincularse entre sí. Finalmente, convierte estos hechos organizados en un tablero visual que los gerentes pueden leer de un vistazo. Este tablero actúa como un panel de control, mostrando indicadores clave como cuánto tiempo se tarda en responder a un cliente, cuántas solicitudes se resuelven a tiempo y el tamaño promedio de las transacciones. El sistema calcula estas métricas simplemente contando y promediando los datos, buscando patrones que de otro modo permanecerían ocultos en las hojas de cálculo.
Cuando la investigadora ejecutó este sistema con los datos sintéticos, los resultados mostraron que el enfoque podía rastrear con éxito el desempeño a lo largo del tiempo. El tablero simulado reveló que el tiempo promedio de respuesta a una solicitud de cliente fluctuó entre 13.0 y 16.8 minutos durante el período de seis meses. También mostró que el banco estaba resolviendo más del 80 por ciento de las solicitudes de servicio de manera eficiente durante la prueba. El sistema rastreó el valor promedio de las transacciones, que aumentó de 520 dólares en enero a 605 dólares en junio, mientras monitoreaba simultáneamente el volumen de solicitudes de servicio, el cual varió mes a mes. Estos hallazgos sugieren que cuando los datos de transacciones y los datos de servicio se ven juntos, los gerentes pueden detectar tendencias con mayor facilidad, como si un mes de mucho gasto es también un mes de mucho soporte al cliente.
El estudio destaca que esta visión integrada ofrece una ventaja significativa sobre el análisis de las fuentes de datos de forma aislada. Al ver la relación entre cuánto dinero se mueve y cómo interactúan los clientes con el banco, las instituciones pueden comprender mejor su salud operativa. Por ejemplo, el sistema podría identificar que ciertos tipos de consultas tardan más en resolverse que otros, o que las puntuaciones de satisfacción del cliente tienden a caer cuando los tiempos de respuesta se prolongan demasiado. La investigación demuestra que tal enfoque estructurado permite a los bancos pasar de suponer sobre su desempeño a saber exactamente dónde se encuentran. Aunque los resultados provienen de un entorno simulado y no de un banco real, el estudio sostiene que el método es sólido y está listo para ser probado con datos del mundo real.
La autora reconoce que este trabajo tiene limitaciones. El modelo actual depende de números limpios y estructurados, y aún no tiene en cuenta los comentarios desordenados y no estructurados que los clientes podrían dejar en comentarios abiertos. También se centra en medidas cuantitativas, como tiempo y dinero, en lugar de los sentimientos o percepciones más profundos de los propios clientes. Sin embargo, el estudio proporciona un plano claro de cómo las instituciones financieras pueden organizar sus datos para mejorar el servicio. Sugiere que, al construir un sistema que conecte los puntos entre lo que los clientes hacen con su dinero y cómo se les ayuda cuando las cosas salen mal, los bancos pueden tomar decisiones más inteligentes y rápidas. El camino a seguir implica probar este marco con datos bancarios reales y expandirlo para incluir tipos de información más complejos, pero la idea central —que conectar estos dos mundos crea una imagen más clara del desempeño— es un paso práctico hacia una mejor banca.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.