Principales tendencias de hiperautomatización que transforman las finanzas: eficiencia, ahorro y prevención de fraude

La hiperautomatización ha permitido a organizaciones financieras aumentar eficiencia, reducir costes y mitigar fraude.

La industria de servicios financieros está llena de procesos complejos, transacciones y pagos que conectan clientes, compradores, traders, reguladores y otras partes interesadas. Una abundancia de sistemas heredados a menudo deja altos niveles de gestión de procesos dependientes de humanos, haciendo la automatización crucial para ofrecer una experiencia de cliente fluida. La hiperautomatización en particular ha surgido como herramienta efectiva para mejorar la eficiencia, y en este artículo analizamos las mayores tendencias de esta tecnología en finanzas hoy.

Datos integrados y accionables

Gran parte del sector financiero a menudo dispersa datos en silos aislados, pero las empresas han comenzado a integrar datos accionables en un solo lugar, desde donde la hiperautomatización puede prosperar, y donde se puede realizar una vista única del cliente. Esto permite a organizaciones financieras monitorear y adaptar procesos en tiempo real, alineados con demandas evolutivas.

"La hiperautomatización trata de reunir efectivamente capacidades incluyendo machine learning, process mining, RPA, integración API y orquestación inteligente de flujos de trabajo para reemplazar altos niveles de complejidad con 80%+ de automatización en la entrega de servicios a clientes. La clave del éxito son los datos integrados accionables", explicó Keith Pearson, responsable global de servicios financieros en ServiceNow.

"Datos fragmentados y sistemas aislados son el enemigo de la hiperautomatización, y las tecnologías de data lake no ponen los datos que almacenan en manos de tus empleados en el flujo de trabajo. La capacidad de integrar rápidamente sistemas modernos y antiguos, reuniendo datos relacionados con procesos en un solo lugar donde tecnologías de automatización inteligente pueden aplicarse efectivamente es la clave para entregar flujos de trabajo automatizados accionables y resultados exitosos.

"Demasiadas organizaciones de servicios financieros continúan desplegando un 'enfoque de tecnología híbrida, tirita' para alcanzar sus objetivos de automatización, creando inadvertidamente aún más deuda técnica e islas de datos."

Escaneo de documentos

Una tarea clave en sectores financieros es el escaneo de documentos de clientes, incluyendo detalles de identidad y extractos bancarios. La cantidad de datos a disposición de organizaciones en el espacio se acumula, y puede ser costosa, pero la hiperautomatización puede ayudar a aumentar eficiencia minimizando costes.

"Servicios financieros (FS) es uno de los sectores más intensivos en datos en la economía global con enormes cantidades de datos de clientes para procesar y analizar para transacciones basadas en documentos", dijo Paul Maguire, vicepresidente senior EMEA y APAC en Appian.

"El medio popular de escanear documentos con reconocimiento óptico de caracteres (OCR) puede ser realmente caro, y se prevé que sea una industria de $12.600 millones para 2025. Sin embargo, implica enormes cantidades de tiempo para configurar, así como humanos teniendo que resolver problemas cada vez que un formulario cambia.

"La hiperautomatización aborda el mismo problema de forma más eficiente, usando automatización robótica de procesos (RPA) para traer documentos de diferentes fuentes al mismo flujo de trabajo y usando IA para clasificar y extraer información de ellos, como casillas de verificación, e incluso notas manuscritas. Cuando la IA detecta un error, este puede ser ofrecido automáticamente a un humano para validación o corrección, e incluso se enseña a sí mismo de estas interacciones para mejorar con el tiempo."

Reportes automatizados

Otra tendencia clave de hiperautomatización que está transformando finanzas involucra el proceso de reporte regulatorio, un área que Volodymyr Marchuk, arquitecto de soluciones y nube en ELEKS, cree que se beneficiará de la automatización más a menudo en el futuro.

"Muchos bancos con los que hablamos ya están usando automatización robótica de procesos (RPA) y tecnologías de inteligencia cognitiva", dijo Marchuk.

"Esto significa que tareas manuales pueden automatizarse 24/7 con supervisión humana limitada. Estamos viendo mejoras en calidad de datos y trabajadores humanos pueden ser reasignados a tareas de mayor valor. Sin embargo, tecnologías como RPA pueden no ser la solución completa para reporte regulatorio de extremo a extremo, y ahí es donde entrará la hiperautomatización pero esto puede llevar tiempo.

"La automatización completa a menudo es compleja y puede tomar años en implementarse requiriendo una transformación en la cultura de un negocio."

Mitigación de fraude y errores

Marchuk explicó cómo la hiperautomatización ha resultado útil para mitigar fraude y errores de empleados: "La hiperautomatización puede reducir significativamente pérdidas financieras por fraude, accidentes y errores. Según investigación de Crowe y el Centro de Estudios contra el Fraude (CCFS) de la Universidad de Portsmouth, en 2018 las pérdidas globales por fraude se calcularon en $5 billones — 6% del PIB global.

"La hiperautomatización, usando RPA y machine learning, puede resolver algunos de estos problemas. Usar hiperautomatización para procesamiento de transacciones es eficiente y transparente, y la información generada (registros de acciones) puede ser usada por machine learning para reconocimiento de patrones y tendencias predictivas."

Enfoque en las personas

Finalmente, vale notar que la hiperautomatización no puede tener éxito propiamente sin gestión efectiva por parte del personal, y esto significa necesidad de democratización de datos.

Mathias Golombek, CTO de Exasol, explicó: "Irónicamente, una de las mayores tendencias de hiperautomatización es en realidad sobre personas más que tecnología. Cuando te comprometes con un entorno hiperautomatizado basado en datos, una de las consecuencias naturales es un auge en la alfabetización de datos del personal en cada departamento — y una democratización de los datos con los que cada vez más se espera que trabajen.

"Revolut es uno de los líderes aquí. La empresa empezó como un nativo digital genuino, auténticamente basado en datos en lugar de usar datos como punto de referencia más amplio en toma de decisiones y estrategia. Ve la hiperautomatización como parte natural de gestionar el hipercrecimiento que ha experimentado en años recientes.

"La organización ha aplicado, por ejemplo, ciencia de datos a cada departamento, independientemente de si son tradicionalmente tecnológicos o no. Su equipo de RRHH, por ejemplo, debe saber SQL para bases de datos: analiza el proceso de entrevista, desde las preguntas formuladas hasta la correlación de éxito en un rol particular, y usa esos datos para refinar el proceso cada vez.

"Consecuentemente, Revolut está haciendo datos sensibles al trabajo mucho más accesibles para personal de cualquier antigüedad, mientras eleva el suelo de habilidad cuando se trata de usar esos datos para mejorar el rendimiento."