Los datos no estructurados, ya sean datos sin procesar de artículos de noticias e informes de investigación, o imágenes publicadas en las redes sociales, están creciendo exponencialmente. De hecho, se prevé que más del 80% de todos los datos nuevos se produzcan en un formato no estructurado, pero menos del 1% de todos los datos no estructurados se analizan o utilizan de alguna manera.
Esta sobrecarga de datos no estructurados se está convirtiendo en un problema cada vez mayor para las instituciones financieras. Ante tantos datos entrantes en diferentes formas, muchas organizaciones simplemente no saben por dónde empezar para convertirlos en información útil y procesable.
Claramente, el potencial de toma de decisiones se está desperdiciando como resultado de la sobrecarga de datos. No debería sorprender, entonces, que quienes trabajan en instituciones financieras confíen cada vez más en la inteligencia artificial para ayudarlos a tomar decisiones con poder con datos no estructurados.
->
->
Las nuevas herramientas impulsadas por IA pueden agregar, consultar, analizar y aprovechar datos no estructurados para revelar conocimientos profundos en un tiempo récord. Veamos cómo estas herramientas brindan valor y ayudan a las instituciones financieras a convertir montones de datos no estructurados en poder de toma de decisiones.
Extraiga información valiosa
Las soluciones emergentes de análisis de big data que aprovechan el aprendizaje automático (ML) pueden analizar los datos para identificar información importante. Estas herramientas permiten a las instituciones financieras, en particular a las empresas de gestión de inversiones, descubrir los conocimientos empresariales cruciales que se encuentran dentro de los datos no estructurados, lo que les brinda una ventaja competitiva inmediata sobre sus pares que no aprovechan la inteligencia artificial de esta manera.
Estas herramientas de análisis pueden descubrir nuevos conocimientos del mercado, lo que permite a los equipos de las empresas de gestión de inversiones obtener una comprensión más profunda de las empresas y las industrias, lo que les permite tomar mejores decisiones comerciales y de inversión.
Por ejemplo, incluso después de que una empresa de gestión de inversiones haya reducido de manera integral el número de artículos de noticias necesarios para revisar, aún puede haber miles de textos para leer en el transcurso de un mes. Agregar una solución de aprendizaje automático aquí ayudaría al administrador de la cartera a identificar qué historias son más relevantes según el idioma y la redacción matizada del texto. Le daría a cada artículo una puntuación relevante y le ahorraría al PM las innumerables horas que de otra manera habría pasado leyendo los artículos.
De hecho, HSBC lanzó recientemente un índice de inversión impulsado por inteligencia artificial “el primero en el mundo”, que rastrea datos no estructurados de fuentes como tweets, imágenes de satélite, artículos de noticias o estados financieros. Esta herramienta habilitada para ML permite a los analistas obtener información sobre el mercado miles de veces más rápido y con un alcance más amplio que cuando se utilizan métodos manuales anteriores.
Realizar análisis de sentimiento
Un algoritmo de AA que se ocupa de datos no estructurados también puede realizar un análisis de opiniones para comprender el consenso de los medios sobre un tema. Este proceso es más inteligente que los métodos tradicionales, que simplemente cuentan la aparición de ciertas palabras (p. Ej., «Excelente», «horrible» o «desastre»), en cambio, pueden tener en cuenta el contexto y los sinónimos, y extraer el significado más probable del texto . Esto es especialmente importante en el sector financiero, donde las palabras tienen significados únicos. Por ejemplo, la palabra «vicio» generalmente puede tener connotaciones negativas, pero en finanzas, el uso de «vicio» es probablemente neutral ya que se refiere a un «vicepresidente» o un puesto similar.
En un estudio de caso, J.P. Morgan aprovechó las tecnologías de procesamiento del lenguaje natural para clasificar el idioma en miles de informes escritos y construir una amplia imagen de inversión. J.P. Morgan Research probó su algoritmo (capacitado en 250,000 informes de analistas) en más de 100,000 artículos de noticias relevantes para los mercados de valores globales con el objetivo de orientar las próximas decisiones de inversión en acciones. El clasificador generó resultados sólidos y un rendimiento superior a los índices de referencia.
Cuando estos modelos se ejecutan en un gran corpus de noticias sobre una sola empresa o tema, pueden crear una descripción cualitativa de diferentes aspectos del tono de los escritores. Por ejemplo, un algoritmo podría decirle qué tan positivas o negativas son las historias en general y qué tan positivos fueron los artículos específicos en comparación.
Por ejemplo, supongamos que el director ejecutivo de una empresa ha concedido una entrevista sobre el anuncio de una nueva empresa. Una solución de AA podría captar cosas como si el sentimiento de los comentarios del director ejecutivo es más positivo o negativo que el año anterior, o si se sienten confiados o no.
Esto es especialmente útil para las empresas de gestión de inversiones. La herramienta de análisis de sentimientos no solo detectaría cuando una de las empresas de su cartera aparece en las noticias, sino que también revelaría el sentimiento de las historias. Si la empresa obtiene cobertura por motivos incorrectos, la empresa puede tomar medidas rápidas para minimizar el impacto en las inversiones, p. Ej. cambiando el tamaño de sus posiciones para las explotaciones afectadas.
El uso de herramientas de procesamiento de lenguaje natural y análisis de sentimientos de esta manera es una forma crucial para que las instituciones financieras obtengan valor de las montañas de datos disponibles públicamente a los que tienen acceso. De hecho, se ha demostrado que los fondos cuantitativos que aprovechan la analítica avanzada funcionan mejor que los discrecionales en términos de ingresos, según un informe de McKinsey de 2019.
La toma de decisiones basada en big data es crucial en la industria de servicios financieros, ya sea para un banco tradicional, una empresa emergente de tecnología financiera o una empresa de gestión de inversiones. Solo buscando formas innovadoras de aprovechar los datos no estructurados, las instituciones financieras podrán tomar las decisiones mejor informadas posibles y realmente diferenciarse de las que no lo hacen.
Sobre el Autor
Chandini Jain, CEO de Auquan tiene más de 7 años de experiencia global en finanzas, trabajando en Deutsche Bank en Mumbai y Nueva York, y luego como operador de derivados en Optiver en Chicago y Amsterdam. En Optiver, negoció estrategias de arbitraje de volatilidad y participó de primera mano en el cambio del comercio discrecional al cuantitativo. Chandini tiene una licenciatura en ingeniería mecánica de IIT Kanpur y una maestría en ingeniería mecánica y computacional de la Universidad de Illinois, Urbana Champaign.
Suscríbase al boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: @ InsideBigData1 – https://twitter.com/InsideBigData1
