ISACA Journal
Volume 1, 2,018 

Translated Articles 

Implementación de big data en bancos comerciales 

Adeniyi Akanni, Ph. D., CISA, CRISC, ITIL 

Big data puede describirse como un gran volumen de datos que no pueden tratarse con las técnicas tradicionales de manejo de datos.1 Considerando la enormidad de los datos generados en diversas formas en distintos momentos a través de varios dispositivos, es claro que tales datos no solo no estarían estructurados, sino que también complejo. Sin la recopilación adecuada, la coordinación y el aprovechamiento de esos datos, las decisiones significativas pueden no ser alcanzadas por los usuarios relevantes, como jefes de tecnología de la información, auditores de sistemas y directores generales (CEO).

La implementación adecuada de big data puede ser un indicador del uso efectivo de big data porque los datos continúan creciendo exponencialmente.2 big data es grande debido a un alto nivel de volumen, velocidad y variedad. Este alto nivel se debe a la forma en que se generan los datos y al aumento continuo en la cantidad (volumen) a una velocidad (velocidad) muy rápida y en varias formas (variedad).

El costo asociado con el almacenamiento de petabytes de datos no es el principal problema para las organizaciones, como los bancos comerciales, porque los proveedores de servicios en la nube (CSP) pueden ofrecer dichos servicios a precios razonables. El gran desafío radica en la forma en que se generan los datos, que no sigue un patrón especifico (en relación con la variedad de generación de datos), y la velocidad a la que se genera la gran cantidad de datos (velocidad).3 Por lo tanto, una cuidadosa selección de la estrategia es necesaria para que dichos datos puedan facilitar la toma de decisiones informadas que, a su vez, afectarían la seguridad de los datos y aprovecharían positivamente la información obtenida de big data para una ventaja competitiva.4 Este artículo describe un ciclo de seis etapas de implementación de big data en los bancos comerciales, señala los principales desafíos en la implementación y proporciona una solución sugerida. También ayuda a los CEOs a analizar adecuadamente sus datos para optimizar las campañas de marketing.

Implementación de big data al final del banco

La implementación de big data implica una estrategia bien planificada para que las organizaciones obtengan lo mejor de ella y tomen decisiones informadas que guiarán sus campañas de marketing. Se puede ver como un ciclo de seis etapas que implica definición, identificación, reconocimiento, análisis, aprovechando experiencias pasadas y formación. Estas son etapas críticas por considerar en la implementación de big data porque cada una de ellas ayudará a los implementadores a enfocarse en el resultado esperado de la etapa y el objetivo final de la organización en la implementación de big data. Esto se ilustra con el acrónimo DIRAPT (figura 1). Debe verse como un ciclo que toda organización necesita repetir.

Definición del alcance

Una gran percepción es que los grandes datos se ven como ilimitados. Es cierto que los datos generados por los bancos son enormes, que van desde las transacciones inter sucursal diarias a mensajes enviados o recibidos a través de varios medios. La cantidad de datos está determinada por la cantidad de sucursales, miembros del personal y clientes.

A veces, los bancos comerciales, basados en el enfoque y la estrategia de marketing, pueden decidir simplificar el mercado en el que juegan. Por ejemplo, un banco comercial puede centrarse en el sector público, mientras que otro puede optar por centrarse en la banca minorista. El alcance también determina invariablemente qué tan grande su base de clientes será. Por ejemplo, los bancos cuya estrategia se centra en el sector minorista probablemente tendrán más clientes que aquellos que se ocupan de sectores públicos o corporativos. Además de las transacciones que provienen de varias sucursales, existen actividades interbancarias que involucran el movimiento de fondos a través de canales alternativos, tales como cajeros automáticos (ATM) y banca móvil, donde se intercambian grandes cantidades de datos. No tiene sentido querer tratar todos los datos de todos los frentes de la misma manera y al mismo tiempo. Es necesario que los bancos definan el alcance de la implementación de Big Data para ser cubierto con el fin de obtener información significativa de los datos.

Identificación del conjunto de habilidades

Después de desarrollar una definición exitosa de límites en los que trabajar, es necesario identificar los recursos humanos necesarios con el conjunto de habilidades requeridos. La cuidadosa selección de mano de obra con las habilidades requeridas es muy importante antes de una implementación exitosa de big data. Los bancos deben tener en cuenta que esto no debe verse como que reside en un solo departamento del banco. El personal experimentado debe ser seleccionado de operaciones, marketing, control y otros departamentos para contribuir con su aporte para una implementación exitosa. Una rica combinación de personas calificadas hará mucho para determinar el éxito de una implementación.

Reconocimiento de fuentes de datos

El seguimiento y la medición efectiva de datos provienen de fuentes de datos identificadas. Se ha dicho que, si no se puede medir, entonces no se puede controlar. Cada fuente de datos debe aparecer en la lista, aunque no todos se pueden manejar a la vez. Luego, con base en el alcance definido, los datos de las fuentes identificadas pueden prepararse para la próxima etapa.

Análisis de salida

El análisis es la etapa donde los datos dentro del alcance se revisan para obtener información relevante para el uso de la administración. Ambos datos estructurados y no estructurados están involucrados. Mientras que el primero no es un gran problema, este último puede requerir herramientas analíticas especializadas como Hadoop, NoSQL, Jaspersoft, Pentaho, Karmasphere, Talend Studio y Skytree para el análisis. Un buen análisis de datos ayuda a la administración a tomar decisiones informadas para hacer avanzar a la organización.

Arando la experiencia

La experiencia es un aspecto muy importante de la utilización de big data. Para comenzar, se deben realizar esfuerzos para obtener personal con experiencia cuando se implementa big data. Con el tiempo, la experiencia adquirida se puede expandir y reutilizar. No hay dos proyectos exactamente iguales, sino experiencia obtenida de un proyecto anterior siempre se puede considerar en proyectos posteriores. Por lo tanto, tiene sentido que el personal experimentado sea utilizado en iteraciones posteriores para obtener resultados óptimos.

Entrenamiento y reentrenamiento

El entrenamiento es un continuo. Debe haber una capacitación regular para los trabajadores bancarios involucrados en la implementación antes, durante y después de cada ciclo de implementación. Las lecciones aprendidas en cada etapa deberían estar bien coordinadas y registradas para fines de referencia. La capacitación debe ser alentada en cada etapa del ciclo DIRAPT, así como al final de cada ciclo.

Desafío con el enfoque del ciclo de DIRAPT

Un desafío importante con la implementación de big data es el costo, en términos de recursos humanos e infraestructura. La contratación de personas con habilidades relevantes es siempre una tarea hercúlea porque el personal conocedor que puede manejar grandes volúmenes de datos es escaso. Por el lado de la tecnología, el costo de obtener las herramientas adecuadas para manejar big data también es alto. Sin embargo, el ciclo DIRAPT ha traído soluciones en la nube para ayudar a las empresas a reducir el enorme costo con el surgimiento de CSP que ofrecen sus servicios a precios razonables.

Enfoque práctico para la implementación de big data por las CSP

Los bancos comerciales llevan a cabo sus actividades cotidianas utilizando diversas aplicaciones de software. Diferentes segmentos de bancos comerciales (por ejemplo, operaciones locales, operaciones en el extranjero, gestión del riesgo de crédito, auditoría interna, control interno y tecnología de la información) ejecutan sus aplicaciones en silos. El software contiene información útil. Reunir los datos generados por todos los departamentos para la organización siempre es un desafío.

Los recientes avances tecnológicos han ayudado a traer big data a la nube. Varios CSP ahora implementan big data utilizando el software como servicio (SaaS). En el extremo CSP, las actividades se dividen en cuatro áreas principales: el enfoque de habilitación, migración, integración y prueba (EMIT).5 Los CSP usan el enfoque EMIT para manejar big data.

Habilitación
Los CSP tienden a permitir que las aplicaciones comerciales utilizadas por los bancos operen en su propio entorno en lugar de hacerlo en los bancos, que básicamente se basan en SaaS. En esta etapa, los procesos y flujos de trabajo se configuran y se permiten ejecutar en el entorno CSP como si se les ofreciera ejecutar las aplicaciones comerciales para sus clientes, los bancos comerciales.

Migración
Los CSP hacen una transferencia personalizada de datos para mover datos de manera apropiada y rentable a la nube. Esta etapa toma el lugar del centro de datos tradicional y sus infraestructuras. Al hacer esto, la solución en la nube podría ayudar a reducir los costos.

Integración
La fase de integración ayuda a incorporar aplicaciones y datos de los bancos con la interfaz del CSP. A partir de entonces, se prepara un área de desarrollo para que los bancos ejecuten sus procesos. Los bancos primero operan en el área de desarrollo para evaluar adecuadamente la integración. Al final del banco, un usuario accede a las aplicaciones departamentales, a través de la interfaz provista, una vez que se establece una conexión.

Pruebas
Todas las aplicaciones comerciales se prueban antes de la puesta en marcha. Esto incluye pruebas de interfaz, pruebas unitarias, pruebas de estrés, pruebas funcionales y pruebas de rendimiento de las diversas aplicaciones que se ejecutan en la nube.

Conclusión

Big data es un concepto que ha recibido mucha publicidad recientemente, posiblemente debido a las complejidades involucradas. Uso eficiente de los datos en la configuración del banco es muy importante dictar qué tan rápido puede ir un banco comercial en los próximos años.6 Por lo tanto, existe la necesidad de que los bancos prosperen para tener una comprensión adecuada de sus datos a través de una estrategia de implementación de big data cuidadosamente seleccionada.

El ciclo DIRAPT detalla las formas de implementar big data en los bancos comerciales para ayudarlos a disfrutar de los beneficios derivados del big data, que incluyen: pero no se limitan a, seguridad de datos y ventaja competitiva. Por un lado, la implementación adecuada de big data ayudará a los bancos a descubrir el riesgo de seguridad con respecto a la exposición de datos a manipulaciones fraudulentas y luego idear medidas apropiadas para mitigarlos. En segundo lugar, los bancos tienen la oportunidad de diseñar productos apropiados para el entorno apropiado con una visión que pueda ayudarlos a burlar a sus competidores.

Notas finales

1 Mukherjee, S.; R. Shaw; “Big Data—Concepts, Applications, Challenges and Future Scope,” International Journal of Advanced Research in Computer and Communication Engineering, vol. 5, iss. 2, February 2016
2 Ramlukan, R.; “How Big Data and Analytics Can Transform the Audit,” Reporting, iss. 9, April 2015
3 Watson, H.; “Big Data Analytics: Concepts, Technologies and Applications,” Communications of the Association for Information Systems, vol. 34, 2014
4 Charles, V.; T. Gherman; “Achieving Competitive Advantage Through Big Data,” Middle-East Journal of Scientific Research, vol. 16, iss. 8, 2013, p. 1069–1074
5 Orion, “Grow With a Connected Business,” www.orioninc.com/cloud/
6 Ball, S.; “Gartner’s 2017 BI Magic Quadrant: What Differentiates the Leaders?,” Better Buys, 5 June 2017, https://www.betterbuys.com/bi/gartners-2017-bi-magic-quadrant/

Adeniyi Akanni, Ph.D., CISA, CRISC, ITIL
CISA, CRISC, ITIL Trabajó como un auditor de sistemas con experiencia y un experto en seguridad de la información en bancos comerciales en Nigeria por más de dos décadas, ocupó diversos puestos como jefe de e-fraude e investigación y jefe de conciliación y cumplimiento. Actualmente trabaja con el First Bank of Nigeria Ltd..

 

Add Comments

Recent Comments

Opinions expressed in the ISACA Journal represent the views of the authors and advertisers. They may differ from policies and official statements of ISACA and from opinions endorsed by authors’ employers or the editors of the Journal. The ISACA Journal does not attest to the originality of authors’ content.