Skip to main content

Analítica avanzada en administración de activos: más allá del boom

Las firmas líderes están aplicando analítica avanzada en toda la cadena de administración de activos y logrando resultados concretos.

En los medios periodísticos y las redes sociales, resuena la visión de robots que reemplazan a los seres humanos en una serie de industrias y también en el sector de administración de activos. La mayoría de las conversaciones de negocios están salpicadas de términos como grandes datos y analítica avanzada. De hecho, surgió un vasto ecosistema intelectual de usinas de pensamiento, académicos y consultores a raíz de una obsesión con el impacto de la inteligencia artificial en el futuro del trabajo y el comercio. En 2017, se publicaron cerca de 14.000 investigaciones sobre la industria de administración de activos con los términos grandes datos o analítica avanzada entre sus palabras clave. Esta cantidad de publicaciones fue cuatro veces superior que en 2012.

Frente a esta avalancha de opiniones y argumentos, a los líderes de la industria de administración de activos les puede resultar difícil separar ficción de realidad y tener una perspectiva clara de lo que efectivamente necesitan hacer de otra manera en esta nueva «era de las máquinas». Cinco años atrás, la respuesta habría sido: «No mucho». Es cierto, algunas firmas —principalmente fondos de cobertura— llevan un tiempo detrás de inversiones sistemáticas o cuantitativas impulsadas por analítica, pero la mayoría de los administradores de activos para quienes sus equipos de inversión son fundamentales se contentaron con dejar que otros actores tomaran la iniciativa. Algunos llegaron a experimentar con el acceso a fuentes de datos y la creación de pequeños equipos de ciencia de datos, pero con pocos logros a gran escala que justifiquen un cambio en la manera tradicional de generar valor en esta industria.

Las cosas están cambiando. En los últimos años, la aplicación de analítica avanzada a problemas de negocios específicos empezó a generar valor para los administradores de activos tradicionales—sin reemplazar a los seres humanos, sino permitiéndoles tomar mejores decisiones con más rapidez y coherencia. Un amplio grupo de firmas está adoptando nuevos métodos de analítica en distintos puntos de la cadena de valor de la administración de activos —más allá de los casos que generan retornos excesivos y son los favoritos de las firmas cuantitativas— que comprenden una mayor sofisticación en la distribución, mejores decisiones de inversión y cambios sustanciales en la productividad de middle y back-office (Grafico 1).

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Distribución

En un contexto de crecimiento moderado (en Estados Unidos los flujos orgánicos netos fueron del 1,1 por ciento anual entre 2013 y 2018, debido casi totalmente a estrategias pasivas), los administradores de activos están cuestionando los modelos de distribución tradicionales de «pies en la calle». Algunos de estos actores están usando datos y analítica avanzada para reinventar sus modelos de distribución; otros están usando estas herramientas para reactivar sus fuerzas de distribución existentes y generar un mayor apalancamiento operativo. Más allá del alcance de la transformación, la evolución hacia un enfoque con un mayor uso de datos en ventas y marketing se encuentra bien encaminada y está cobrando impulso. En la actualidad, los administradores de activos están aplicando analítica avanzada mayormente para mejorar su distribución en base a tres vectores principales:

  • Optimizar modelos de distribución y servicio. Algunos administradores de activos están generando vastos reservorios de datos con características de clientes multidimensionales para diseñar modelos de distribución y servicio que les permitan dedicarse mejor a los clientes correctos, en los canales adecuadosy en el momento justo.En lugar de basarse en el tipo o el tamaño de un cliente para determinar si se debería atender a un cliente en particular, y la manera de hacerlo, los administradores de activos están usando datos para lograr una segmentación más granular: por ejemplo, entre el asesor financiero con conocimiento de herramientas digitales que casi siempre usa porfolios modelo y el profesional (rep-as-portfolio builder) que desea recibir asesoramiento en persona sobre cómo armar un porfolio. Nuestro trabajo con administradores de activos nos demuestra que este tipo de segmentación conductual de clientes y su posterior adaptación a las acciones de ventas puede liberar hasta el 15 por ciento (o más) de la capacidad de fuerza de ventas existente e incrementar las ventas surgidas a partir del relacionamiento con clientes prioritarios hasta en un 30 por ciento.
  • Mejorar la productividad mediante objetivos de precisión. Los administradores de activos también están invirtiendo en analítica para generar insights accionables de clientes y así mejorar la productividad de sus esfuerzos de ventas y marketing. Los ejemplos van desde algoritmos predictivos que identifican oportunidades específicas de venta cruzada de productos hasta aquellos que detectan clientes en riesgo de redención para estrategias específicas. Estos algoritmos han demostrado tener una exactitud mayor al 80 por ciento en numerosas instancias, con resultados de ventas hasta diez veces mejores que los de grupos de control que no aplican estas herramientas analíticas.
  • Mejorar la gestión de desempeño. Los líderes de distribución también están usandoanalítica avanzada para gestionar el desempeño de sus equipos en forma efectiva. Los datos brindan la transparencia que hace posible que los ejecutivos monitoreen de cerca cuán efectivas son las actividades y campañas de ventas y marketing, y puedan ocuparse rápidamente de aquellas que no funcionan. Algunos administradores de activos de vanguardia también están aplicando analítica avanzada a sus procesos de talento, aplicándola a la identificación de las características de los actores de alto desempeño para luego incorporarlas a sus procesos de contratación, retención y desarrollo.

Estos casos de uso se fundamentan en un sólido repositorio de datos multidimensionales (Gráfico 2) sobre clientes individuales que combina lo mejor de los datos externos (por ejemplo, datos de terceros) e internos (como un historial de transacciones y gestión de relacionamiento con el cliente).

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Inversiones

En cuanto a las inversiones, algunos administradores de activos tradicionales se están adentrando con mayor profundidad en analítica avanzada. Estas iniciativas se centran en tres áreas:

  • Eliminar el sesgo de las decisiones de inversión. Eliminar sesgos sistemáticos del proceso de decisiones de inversión es un tema de interés para los inversores desde hace un tiempo considerable. La capacidad de amalgamar un amplio conjunto de fuentes de datos de un individuo o equipo sobre su historial de transacciones, características psicométricas y prácticas de gestión de tiempo hace posible que las firmas detecten aquellos factores que impulsan el desempeño y las causas raíz de determinadas conductas con mayor nivel de granularidad que antes. Como próximo paso, los gerentes pueden implementar mejoras operativas sobre la base de estos insights; por ejemplo, identificando transacciones que siguen patrones predeterminados y volviendo a verificarlas antes de su ejecución.
  • Uso de fuentes alternativas de datos para generar Alpha. La disponibilidad de mayores cantidades de datos hace que cada vez cobre más relevancia contar con la capacidad de adquirir datos y las habilidades de ciencia de datos para amalgamar todas estas fuentes en modelos predictivos que mejoren la toma de decisiones (Gráfico 3). Por ejemplo, este enfoque se está aplicando en el mercado inmobiliario, donde la prevalencia de datos específicos sobre una ubicación provenientes de diversas fuentes está ayudando a que los inversores predigan métricas clave como índices de alquiler y desocupación de propiedades con suma precisión. Una firma líder en gestión de inversiones inmobiliarias mejoró sus pronósticos de alquiler de propiedades a tres años, aumentando su precisión del 60/70 por ciento al 95 por ciento, al combinar comentarios en Yelp, información sobre flujos de tránsito y datos sobre consumos con tarjeta de crédito con características tradicionales de las propiedades inmuebles y el mercado. Si bien el modelo predictivo no reemplazó al proceso de suscripción existente, se lo incorporó como una evaluación adicional previa a las decisiones de inversión.
  • Mejorar los procesos de investigación. La aplicación de técnicas como el procesamiento de lenguaje natural (NLP) también está ayudando a los administradores de activos a procesar enormes cantidades de información con más rapidez que antes —por ejemplo, al automatizar la ingestión y el análisis de presentaciones públicas e identificar cambios de sentimiento de los que se pueda ocupar un analista de investigación. Este es un ejemplo de cómo las máquinas complementan los procesos humanos en lugar de reemplazarlos. La tecnología ayuda a delimitar lo relevante, al igual que un motor de recomendación en Netflix o Amazon permite que un inversor les dedique más tiempo a las decisiones de mayor valor. Una firma líder en administración de activos alternativos invirtió fuertemente en este concepto y construyó un motor de investigación de inversiones gracias al cual los analistas de inversiones pueden registrar sin inconveniente alguno toda la información sobre una transacción o un porfolio potencial en un sistema de front-end. Como próximo paso, estos datos son enriquecidos con datos históricos relevantes y propietarios, y datos estructurados de proveedores externos. Como resultado, se logra una herramienta de investigación y gestión de porfolios que permite visualizar oportunidades potenciales en forma detallada y en tiempo real.
We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

No todos los administradores de activos están adoptando analítica avanzada y grandes datos en la forma que describimos previamente. Muchos de ellos confían más en los procesos tradicionales. Aun así, ciertas firmas o administradores de porfolios están considerando estas herramientas seriamente y empezaron a invertir en estas capacidades.

Funciones de middle y back office

La analítica avanzada también se usa para mejorar la productividad de la administración de activos en sus funciones de middle y back office. A medida que las firmas del sector tienen que lidiar con productos, entidades jurídicas, vehículos y mercados cada vez más complejos, las economías de escala empiezan a estar bajo presión. Ante esta situación, los administradores de activos están buscando maneras de aumentar la productividad de sus funciones de middle y back office mediante soluciones que apliquen analítica avanzada. Esto se da en dos áreas de enfoque:

  • Automatización de procesos en tareas que insumen demasiado tiempo. Las firmas de administración de activos están usando NLP y otras técnicas para analizar textos y comunicaciones de voz, y recomendar acciones óptimas para determinados procesos; por ejemplo, sugerencias para gestionar incumplimientos de pólizas que se registran en conversaciones, o la implementación de conversaciones automáticas para responder preguntas frecuentes sobre aspectos operativos. Recientemente, una firma líder en el sector de administración de activos implementó una solución para subir cientos de documentos a un repositorio en forma automática. Esta firma también aplica técnicas de NLP para transferir información relevante a una interfaz de generación de informes adaptable y con funcionalidad de búsqueda. Esta solución permite extraer cuatro millones de elementos de datos únicos e hizo posible reducir en un 60 por ciento el tiempo necesario para generar informes relevantes. Este tipo de automatización basada en analítica tiene el potencial de mejorar significativamente la eficiencia de funciones clave para la administración de activos.
  • Mejorar la calidad de la gestión de riesgos. Debido a las nuevas normas comerciales estadounidenses (por ejemplo, aquellas que prohíben que un operador se beneficie mediante transacciones realizadas con fondos de la firma que representa), resulta necesario un mayor cumplimiento en el sector de la administración de activos. Algunas firmas están implementando analítica forense para monitorear a sus operadores y hacer una verificación cruzada de sus transacciones con datos personales para descubrir instancias de conducta indebida, analizando comunicaciones para detectar anomalías o faltas de ética profesional, y generando conjuntos de datos con datos sobre transacciones, datos externos y datos personales de sus empleados para incrementar la flexibilidad de ampliar la cantidad de controles o aplicarlos a distintos escenarios. Los administradores de activos que implementaron estas técnicas lograron reducir el tiempo dedicado al monitoreo de actividades en el orden del 55 al 85 por ciento y, lo que es más importante aun, mejoraron la detección de riesgos. Un administrador de activos, por ejemplo, descubrió que su algoritmo de aprendizaje automatizado logra resultados mucho mejores detectando riesgos que un profesional experimentado que analiza los mismos materiales.

Indicadores de éxito

Los administradores de activos que lograron un valor significativo a partir de datos y analítica avanzada tienen una serie de características en común:

  • Son implacables al momento de priorizar en base al valor para el negocio. Los administradores de activos que generan valor a partir de analítica comienzan focalizándose en unos pocos casos de uso de analítica que impliquen una demanda comercial y la posibilidad de lograr un impacto medible en su negocio.Suelen involucrar a diversos grupos de interés en un riguroso ejercicio de prorización de posibles casos de uso en contraposición a criterios «duros» (como valor comercial, tiempo de implementación, disponibilidad de datos y patrocinador comercial comprometido).
  • Reconocen que la analítica es un deporte de equipo. Las iniciativas exitosas en materia de analítica requieren habilidades interdisciplinarias (por ejemplo, de los siguientes sectores: comercial, datos, tecnología, operaciones y cumplimiento) y funcionan mejor cuando las lideran equipos ágiles y reducidos que son responsables del producto final alo largo de todo el proceso. Los equipos son más efectivos cuando el responsable del producto es alguien del sector comercial que será el beneficiario o usuario directo del producto, y cuando los recursos analíticos están incorporados y son vistos como parte de cada equipo, en contraposición a seguir un modelo más centralizado.
  • Se concentran en «la recta final». Una trampa muy común en la que caen los administradores de activos cuando desarrollancapacidades analíticas es concentrarse en los datos subyacentes y la construcción del modelo, dejando a la adopción del producto analítico por parte del usuario final en un segundo plano.La manera en que los usuarios finales van a interactuar con el producto analítico es algo a tener en cuenta en cuanto se inicia el proceso. Pensar detenidamente estos interrogantes, y planificar la integración de la analítica a los flujos de trabajo existentes junto con las acciones que deberían desencadenar, aumenta significativamente la probabilidad de lograr un impacto sostenible a largo plazo. Contar con el apoyo manifiesto de influenciadores clave (por ejemplo, gerentes de porfolio o profesionales de ventas en altos niveles de la organización) también es vital para la iniciativa de gestión del cambio. El poder de la analítica avanzada se desata cuando los usuarios finales adoptan los datos y modelos para lograr un impacto en el negocio (Gráfico 4).
  • Adoptan una mentalidad de «producto mínimamente viable». Las capacidades exitosas de datos y analítica avanzada se sostienen con una mentalidad de «prueba y aprendizaje». En lugar de esperar hasta tener todos los recursos de datos y talento que necesitan para construir un modelo robusto de analítica avanzada, los administradores de activos que triunfaron al adoptar analítica avanzada son proclives a la acción y están dispuestos a realizar pruebas y aprender —y también fracasar— rápidamente. En otras palabras, las firmas aprenden más jugando la partida que permaneciendo al costado del campo de juego.
  • Invierten en el próximo nivel de talento en datos y analítica. Uno de los principales desafíos que enfrentan los administradores de activos es contratar y retener talento específico en el área de datos y analítica. Quienes lo logran, son conscientes de que no basta con los recursos usuales en este campo, y que atraer y retener talentos destacados suele requerir una comunidad de trabajo dinámica y un plan de gestión de talentos (por ejemplo, planes de crecimiento y desarrollo profesional).
  • Crean una visión del estado deseado para datos y analítica. Las organizaciones más evolucionadas van más allá de los casos de uso individuales para crear un motor autosustentable de datos y analítica que genera un valor comercial medible.Si bien el desarrollo de una capacidad suele ser incremental, tener una visión clara del estado final integrado—que abarque gestión y gobernanza de datos, herramientas analíticas, desarrollo de tecnologías y adopción a nivel comercial— permite evitar la duplicación de esfuerzos y acelera el desarrollo.
We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

En los últimos años, la aplicación de analítica avanzada a la administración de activos pasó del campo de la ciencia ficción al campo concreto de la ciencia. Las firmas líderes están aplicando estas herramientas e insights para mejorar la efectividad de su distribución, el rendimiento de sus inversiones, y su productividad en sus funciones de middle y back office. Mientras que algunas firmas están aplicando analítica para mejorar la productividad de sus prácticas existentes, otras están aprovechando estas nuevas capacidades para plantearse preguntas más fundamentales sobre sus modelos operativos. ¿Cómo sería un enfoque de distribución basado en analítica? ¿Cómo podrían cambiar las organizaciones de investigación con el uso de nuevas herramientas y la disponibilidad de fuentes alternativas de datos? Si bien todavía hay cierta incertidumbre sobre el alcance y la velocidad con que la analítica impactará sobre la administración de activos, creemos que contar con capacidades de analítica avanzada será un factor clave de éxito en el futuro de este sector.

Sobre el/los autor(es)

Sudeep Doshi es socio asociado de McKinsey en la oficina de Nueva York, donde Ju-Hon Kwek y Joseph Lai son socios.