La pandemia de Covid-19 ha llevado a las autoridades a confiar en las inspecciones virtuales, incluido el mayor uso de herramientas suptech para respaldar las evaluaciones de riesgo de supervisión. Este documento hace un balance de 71 herramientas suptech discretas utilizadas para la supervisión prudencial en 20 jurisdicciones y explora los beneficios, riesgos y desafíos de implementación.
Encontramos que más de la mitad de las 71 herramientas de suptech evalúan principalmente datos cualitativos, lo que subraya la importancia de analizar información textual en la supervisión prudencial. El resto de herramientas se dividen entre aquellas que analizan principalmente datos cuantitativos y otras que analizan tanto datos cuantitativos como cualitativos. A pesar de estas variaciones, todas las herramientas tienen como objetivo extraer conocimientos de supervisión más profundos o mejorar la eficiencia de la supervisión.
Las habilidades limitadas en ciencia de datos de los supervisores, los problemas de calidad de los datos que sustentan los modelos de suptech y el establecimiento de una calibración adecuada de los parámetros de suptech dificultan una adopción más amplia de las herramientas de suptech. A medida que más herramientas se vuelven operativas, una consideración fundamental es garantizar que los resultados de las herramientas apoyen, en lugar de reemplazar, el juicio de supervisión. En este contexto, una estrategia integral de suptech, que aborde muchos de estos desafíos, se vuelve indispensable, particularmente a medida que más actividades de supervisión migran a un entorno virtual.
Herramientas Suptech para la supervisión prudencial y su uso durante la pandemia1
Resumen ejecutivo
Las autoridades financieras utilizan herramientas de suptech para una variedad de actividades, incluido el análisis de datos para la supervisión prudencial cuyos casos de uso han crecido recientemente. Una publicación anterior del Instituto de Estabilidad Financiera (FSI) encontró que la mayoría de las herramientas de suptech se utilizaron para la presentación de informes y el análisis de mala conducta, con relativamente pocas implementadas para la supervisión prudencial (di Castri et al (2019)). El Consejo de Estabilidad Financiera (FSB (2020)) encontró resultados similares, aunque observó un aumento en los casos de uso de suptech con fines prudenciales. El FSB atribuyó el aumento a la automatización de ciertas tareas repetitivas en la supervisión prudencial.
La pandemia llevó a las autoridades a aprovechar más herramientas de suptech en la supervisión diaria. Las restricciones de viaje y los protocolos de distanciamiento social restringieron severamente las inspecciones en el sitio y llevaron a un cambio simultáneo de casi todas las actividades de supervisión a un enfoque de vigilancia fuera del sitio. Para ayudar a los supervisores a evaluar la solidez prudencial de las instituciones financieras a distancia, incluidas algunas tareas que anteriormente se realizaban in situ, las autoridades con las herramientas de suptech existentes las utilizaron más ampliamente; al mismo tiempo, también reconocieron la necesidad de desarrollar nuevas herramientas de análisis de datos con fines prudenciales. Por lo tanto, no es sorprendente que las autoridades informaran haber utilizado, desarrollado o experimentado con 71 herramientas de supervisión prudencial discretas a partir de esta publicación, en comparación con solo 12 herramientas en 2019.
Los avances tecnológicos más amplios facilitaron la migración de las actividades de supervisión a un entorno virtual y apuntalaron el uso más amplio de las herramientas de suptech con fines prudenciales. Las plataformas de gestión de datos, los protocolos de intercambio de archivos, el software de colaboración y las herramientas de comunicación permitieron el cambio a la supervisión virtual, compensando parcialmente las inspecciones limitadas en el sitio. Mientras tanto, el crecimiento de las fuentes de datos no tradicionales que pueden influir en el perfil de riesgo de una empresa y el advenimiento de nuevas herramientas analíticas para ayudar a procesar y analizar datos, como la inteligencia artificial y el aprendizaje automático, brindaron a las autoridades oportunidades para implementar una gama de herramientas de suptech para la supervisión prudencial.
Este documento hace un balance de las herramientas de análisis de datos suptech utilizadas con fines prudenciales en 20 jurisdicciones y explora los beneficios, riesgos y desafíos de implementación asociados. Los hallazgos se basan en las respuestas a una encuesta de FSI realizada por miembros de su Red Informal de Suptech, combinadas con entrevistas de seguimiento con jurisdicciones seleccionadas. El análisis de datos Suptech para la supervisión prudencial incluye herramientas para respaldar las evaluaciones de riesgos de supervisión, como los riesgos de crédito, mercado, liquidez y operativos y sus implicaciones para las ganancias, la adecuación del capital y la gobernanza en toda la empresa.
Las 71 herramientas prudenciales de suptech examinadas en este documento se clasifican en tres categorías y posteriormente se dividen en subcategorías. Las categorías de primer nivel se basan en el tipo de datos que examinan las herramientas y se denominan de la siguiente manera: i) «herramientas para datos cualitativos»; ii) «instrumentos para obtener datos cuantitativos»; y iii) «instrumentos para obtener datos cualitativos y cuantitativos». Dentro de cada una de las tres categorías hay varias subcategorías que clasifican cómo se utilizan las herramientas. Las herramientas que se basan principalmente en datos cualitativos representan un poco más de la mitad de las examinadas; estas herramientas se utilizan para el análisis de texto, el resumen de texto, la clasificación de información o el análisis de sentimientos. Las herramientas que analizan principalmente los datos cuantitativos y las que utilizan datos cuantitativos y cualitativos representan aproximadamente el 25% de los casos de uso cada una. El primero se utiliza para la identificación de riesgos, mientras que el segundo se puede utilizar para el análisis de redes, la identificación de grupos de pares o la automatización de inspecciones.
Si bien las herramientas de suptech varían en diseño y propósito, todas comparten al menos uno de los dos objetivos generales de extraer información de supervisión más profunda y mejorar la eficiencia del proceso de supervisión. Las herramientas que escanean datos cualitativos a menudo utilizan el procesamiento del lenguaje natural (PNL) y otra inteligencia artificial para revisar una asombrosa variedad de materiales para encontrar, resumir, clasificar y presentar rápidamente información relevante para su posterior revisión. Estas herramientas permiten a los supervisores considerar una gama más amplia de información en sus evaluaciones prudenciales del riesgo. Las herramientas que se basan en datos cuantitativos facilitan la identificación de los bancos de alto riesgo y los impulsores de riesgos específicos dentro de los bancos, lo que permite una mejor asignación de los recursos de supervisión. Las herramientas que consideran datos cualitativos y cuantitativos permiten a los supervisores evaluar las relaciones entre entidades que pueden no ser evidentes para el ojo humano; permitir la creación de grupos de pares bancarios mejorados, facilitando una supervisión más coherente de las empresas con perfiles de riesgo similares; o para automatizar aspectos del proceso de inspección, liberando recursos de supervisión para tareas de orden superior.
Las herramientas Suptech se implementaron ampliamente durante la pandemia de Covid-19, particularmente aquellas que examinan datos cualitativos y respaldan la identificación de riesgos. La migración de las actividades in situ al trabajo fuera del sitio, junto con varios informes ad hoc solicitados durante la pandemia, se sumó a la creciente pila de datos estructurados y no estructurados existentes que requerían revisión. En el entorno virtual, las herramientas de suptech demostraron ser indispensables, permitiendo revisiones supervisoras del gobierno corporativo y la calidad de los activos, que generalmente se evalúan in situ y a menudo impulsan el perfil de riesgo general de una empresa. Las herramientas de PNL ayudaron a los supervisores a identificar los riesgos de gobierno corporativo de documentos voluminosos que de otro modo no habrían sido posibles. También se utilizaron herramientas de identificación de riesgos para detectar posibles exposiciones crediticias que pueden estar mal clasificadas o infra aprovisionadas, proporcionando a los supervisores una lista específica de prestatarios para el seguimiento.
A pesar de estos beneficios tangibles, siguen existiendo formidables desafíos de implementación, lo que dificulta una mayor adopción y aceptación de las herramientas de suptech. Un tema clave son las limitadas habilidades de ciencia de datos de los supervisores. Para abordar la brecha de habilidades, la capacitación continua de los supervisores combinada con la contratación de científicos de datos puede ayudar. Otros problemas críticos involucran la calidad de los datos, particularmente los datos no estructurados que sustentan algunas herramientas de suptech y los parámetros que impulsan los resultados de suptech. Una calibración demasiado ajustada puede hacer que la herramienta pierda problemas de supervisión, mientras que una configuración muy flexible puede provocar demasiados problemas irrelevantes. Estos desafíos pueden apuntar a una necesidad más amplia de desarrollar o actualizar una estrategia de suptech que ayude a facilitar la aceptación de la supervisión y guíe el despliegue de diversas herramientas de suptech por parte de las autoridades.
A medida que las herramientas de suptech adquieren un papel más importante en la supervisión prudencial, el juicio de supervisión puede disminuir. Las herramientas de Suptech están automatizando tareas de menor valor y mano de obra intensiva y apoyando funciones basadas en juicios de mayor valor. Estas tendencias se están acelerando, en particular el desarrollo de herramientas que se dirigen a evaluaciones de riesgos complejas que implican juicio. A medida que estas herramientas se ponen en práctica, los supervisores podrían confiar menos en su propio juicio y depender más de los resultados de suptech para identificar cuestiones clave de supervisión. Si esto sucede, puede conducir a puntos ciegos de supervisión y a una pérdida más amplia del conocimiento institucional basado en el arte de la supervisión basada en el juicio. Si bien las autoridades han hecho hincapié en que las herramientas de suptech apoyan, en lugar de reemplazar, el juicio de supervisión, las políticas explícitas que reconocen las tensiones entre el juicio de supervisión y los resultados de las herramientas de suptech y describen las funciones respectivas de los mismos, podrían ayudar.
La experiencia con las inspecciones virtuales y el uso más amplio de las herramientas suptech han provocado un debate más amplio sobre el futuro de la supervisión. Durante la pandemia, las autoridades demostraron la capacidad de cambiar todas las actividades de supervisión a una postura fuera del sitio. Esto ha difuminado las líneas entre los roles dentro y fuera del sitio, lo que ha provocado un replanteamiento de los modos de supervisión en la era digital posterior a la pandemia. El cambio a la supervisión virtual, sin embargo, no fue sin fricciones. En el lado de la supervisión, la gestión de equipos remotos se convirtió en un desafío; y si bien las herramientas de comunicación permitieron las reuniones virtuales, no hay buenos sustitutos para las reuniones en persona con el personal del banco, que brindan a los supervisores información crítica sobre la calidad de los controles internos y las prácticas de gestión de riesgos de un banco. En el frente tecnológico, la pandemia puso de relieve algunas brechas en la propia infraestructura tecnológica de las autoridades, al tiempo que expuso las variadas capacidades tecnológicas de las empresas supervisadas. Si bien siempre habrá un papel crucial para las inspecciones in situ, puede haber margen para que se realice más trabajo de supervisión fuera del sitio, dependiendo, en parte, de la evolución de las innovaciones tecnológicas, incluido el despliegue más amplio de herramientas de suptech en la supervisión prudencial.
Sección 1 – Introducción
1. FSI Insights No. 19 («Las generaciones suptech») definió suptech como el uso de tecnología innovadora por parte de las autoridades financieras para apoyar su trabajo.2 Para este propósito, «tecnología innovadora» se refiere a la aplicación de big data o inteligencia artificial (IA) a herramientas utilizadas por las autoridades financieras. «Autoridades financieras» se refiere a las autoridades con funciones de supervisión y no supervisión (es decir, unidades de inteligencia financiera sin mandatos de supervisión). Como tal, los casos de uso de suptech se pueden encontrar en toda la gama de actividades que llevan a cabo las autoridades financieras, desde la recopilación de datos, incluida la gestión de datos, hasta el análisis de datos (Gráfico 1). Dentro del análisis de datos, los casos de uso de suptech pueden ayudar en la supervisión del mercado, la supervisión de la conducta y la supervisión prudencial. Este documento se centra en las herramientas de análisis de datos suptech para la supervisión prudencial.
2. Las herramientas de análisis de datos Suptech para la supervisión prudencial constituyeron solo una pequeña fracción del total de casos de uso, pero esta proporción puede estar cambiando. De los 99 casos de uso de suptech examinados en FSI Insights No. 19, la mayoría fueron para informes (32%) y análisis de mala conducta (30%), con solo unos pocos para supervisión prudencial (12%).3 FSB (2020) encontró un patrón similar en la distribución de casos de uso de suptech, pero notó el aumento en los casos de uso prudencial en los últimos años. Atribuyó este aumento a la naturaleza relativamente basada en reglas de algunas tareas prudenciales. Por lo tanto, las autoridades pudieron codificar fácilmente algunas de estas evaluaciones en herramientas de suptech, introduciendo así eficiencias en los procesos de supervisión. De hecho, en comparación con las herramientas de análisis de datos suptech para la supervisión prudencial examinadas en 2019, el número de herramientas examinadas para este documento representa un aumento significativo (gráfico 2).
3. La pandemia ha limitado las actividades de supervisión y puede haber dado un impulso al desarrollo de más casos de uso de suptech para la supervisión prudencial. Las inspecciones in situ han sido severamente limitadas o inexistentes en casi todas las jurisdicciones. La pandemia obligó al trabajo de supervisión a centrarse más en el monitoreo fuera del sitio, utilizando las herramientas de datos y análisis que tenían los supervisores. Las autoridades con herramientas operativas de suptech las encontraron bastante útiles dadas las circunstancias. Al mismo tiempo, las autoridades consideraron casos de uso adicionales que habrían sido útiles dadas las limitadas inspecciones in situ. El cambio a actividades fuera del sitio durante la pandemia, más la expectativa de que la «nueva normalidad» podría continuar significando menos actividades en el sitio, puede empujar a las autoridades a aprovechar más herramientas de suptech de forma permanente.
4. Este documento proporciona una visión general de la situación de las herramientas de análisis de datos suptech para la supervisión prudencial en varias jurisdicciones de todo el mundo. Se benefició de 21 respuestas a una encuesta enviada a los miembros de la Red Informal Suptech de la FSI (véase en el Anexo 1 una lista de las autoridades que respondieron a la encuesta). Las respuestas de la encuesta se complementaron con entrevistas de algunas autoridades que respondieron, para discutir sus herramientas de suptech en detalle y / o aclarar sus respuestas. La sección 2 describe y clasifica estas herramientas en función de los datos que analizan y/o sus objetivos. La sección 3 ofrece algunas observaciones sobre las prácticas de las autoridades a lo largo del ciclo de vida de suptech, incluida la gobernanza, la identificación de casos de uso, el despliegue ante supervisores y la medición de la eficacia. La sección 4 examina cómo se están utilizando las herramientas suptech durante la pandemia y describe las áreas en las que demostraron ser particularmente útiles. La sección 5 analiza las consideraciones prácticas en el uso de herramientas de suptech, incluidas las lecciones aprendidas durante la pandemia. Concluye la sección 6.
Sección 2 – Tipos de herramientas de análisis de datos suptech para la supervisión prudencial
5. El documento examina 71 herramientas de análisis de datos suptech para la supervisión prudencial. Las autoridades que respondieron a la encuesta informaron de 130 casos de uso de suptech. De estos, consideramos que los casos de uso que son para informes, gestión de datos (es decir, validación, visualización, almacenamiento, agregación, etc.), supervisión de conducta y supervisión contra el lavado de dinero (AML) están fuera del alcance de este documento.4 Las discusiones que siguen se refieren solo a las 71 herramientas de análisis de datos suptech restantes.
6. Las herramientas Suptech para la supervisión prudencial se agrupan en tres clasificaciones amplias, cada una de las cuales puede clasificarse en subcategorías (Gráfico 3). Las clasificaciones generales se basan en los tipos de datos que las herramientas analizan principalmente: cualitativos, cuantitativos o ambos. Las subcategorías se basan en cómo se utilizan las herramientas, con algunas herramientas clasificadas en más de una subcategoría. Las herramientas que se centran principalmente en datos cualitativos se pueden utilizar para el análisis de texto, el resumen de texto, la clasificación de la información o el análisis de sentimientos. Las herramientas que se centran principalmente en los datos cuantitativos se utilizan para la identificación de riesgos. Las herramientas que analizan de manera relativamente equitativa los datos cualitativos y cuantitativos pueden utilizarse para el análisis de redes, la identificación de grupos de pares o la automatización de inspecciones.5
7. Las herramientas que utilizan principalmente datos cualitativos representan un poco más de la mitad de las examinadas. Las herramientas que utilizan principalmente datos cuantitativos y las que utilizan datos cualitativos y cuantitativos representan aproximadamente una cuarta parte. En cuanto a las subcategorías, las herramientas para el análisis de texto son las más comunes, seguidas de las herramientas para la identificación de riesgos, la clasificación de la información y la automatización de las inspecciones. La prevalencia de herramientas para datos cualitativos refleja la importancia de ayudar a los supervisores a revisar los documentos en formato de texto, lo que hasta ahora todavía tienen que hacer manualmente. Las herramientas que analizan datos tanto cualitativos como cuantitativos es otra área donde el suptech muestra un gran potencial, ya que permiten la integración de ambos tipos de datos para obtener una visión más profunda. Mientras tanto, los supervisores ya tienen herramientas existentes para analizar datos cuantitativos, por lo que el enfoque de suptech es simplemente cómo mejorarlos.
8. Muchas de las herramientas ya están operativas, y casi todas ellas fueron o están siendo desarrolladas internamente (Gráfico 4). Las herramientas operativas representan el 48% de las herramientas examinadas, mientras que las herramientas en desarrollo y experimentales representan el 22% y el 30%, respectivamente. Mientras tanto, solo tres de las herramientas fueron desarrolladas exclusivamente por partes externas, y seis fueron colaboraciones conjuntas de partes internas y externas. El resto se estaban o se están desarrollando internamente. Bastantes de las agencias tienen científicos de datos que desarrollan las herramientas, a menudo con aportes de supervisores de línea. Para las herramientas que dependen de alguna asistencia externa para impulsar el desarrollo interno, el asesoramiento puede provenir de universidades u organismos de investigación relacionados. El grado de colaboración con los supervisores de línea durante la fase de desarrollo parece estar correlacionado con el grado en que la herramienta está destinada a ser utilizada más ampliamente por los supervisores. Cuanto más amplio sea el uso de la supervisión que se prevé, más información inicial se solicitará a los supervisores de línea.
Herramientas para datos principalmente cualitativos
9. El análisis de texto utiliza el aprendizaje automático (ML) para obtener información específica de un documento. El análisis de texto cubre una variedad de casos de uso en el procesamiento del lenguaje natural (PNL). El texto a menudo son datos no estructurados que son confidenciales o no confidenciales, pero que tienen un propósito de supervisión. Los documentos que se pueden revisar de manera automatizada van desde contratos hasta declaraciones de auditores, desde artículos de prensa hasta informes de riesgo operativo, desde actas de reuniones en una empresa hasta perfiles de riesgo bancarios. El objetivo es automatizar la búsqueda de información para ahorrar tiempo y energía a los supervisores. Ejemplos de tales herramientas incluyen la minería de textos del Banco de España (BDE) para un muestreo más sabio, el Modelado Automatizado de Temas del Banco Central Europeo (BCE), el analizador de actas de la junta del Banco de Tailandia (BoT) y el análisis de gobierno corporativo del Banco de Italia (BDL).
10. Si bien estas herramientas se utilizan para diversos fines, todas pueden identificar palabras de uso común en un contexto determinado y pueden analizar un amplio conjunto de documentos en una amplia gama de casos de uso de supervisión. La herramienta de BDE analiza datos no estructurados de los archivos de crédito de una institución para obtener una muestra de exposiciones crediticias que pueden haber sido identificadas erróneamente como «rendimiento». En el BCE, Automated Topic Modelling analiza los datos textuales para identificar mejor, en relación con los procesos manuales, los temas generales escritos en las narrativas de revisión y evaluación supervisoras de las entidades.6 La herramienta BoT analiza las actas de los consejos para identificar los riesgos que se están debatiendo y evaluar el grado de participación del consejo. Del mismo modo, la herramienta BDL tiene como objetivo aplicar la minería de textos a las actas de las reuniones de los consejos de administración para ayudar a profundizar el análisis de la gobernanza bancaria (véase el recuadro 1 en el anexo 2 para obtener más detalles sobre las herramientas BoT y BDL).
11. El resumen de texto es el proceso de resaltar puntos clave en documentos grandes para un consumo de supervisión más rápido. El resumen de texto está estrechamente relacionado con el análisis de texto, pero la diferencia es que el primero se centra en resumir el texto, mientras que el segundo se centra en encontrar información. Las herramientas de resumen condensan la cantidad de texto en una porción manejable para leer rápidamente, como la creación de un párrafo general a partir de varias páginas.7 La herramienta de resumen MARIA del Banco Central de Brasil (BCB) utiliza un algoritmo de ML no supervisado para resumir textos largos, lo que permite a los supervisores y a la gerencia examinar y evaluar el contenido de antemano. MARIA se está mejorando actualmente con algoritmos de última generación, que se encuentran en las etapas finales de entrenamiento. La herramienta de extracción lingüística (LEX) del Banco de la Reserva Federal de Nueva York (FRBNY) incluye el desarrollo de una herramienta de resumen junto con otros 15 casos de uso (véase el recuadro 2 del Anexo 2 para obtener más detalles sobre LEX).
12. La clasificación de la información busca comprender patrones a partir de grandes cantidades de datos no estructurados, con la intención de clasificar y estructurar la información de una manera más organizada. Las autoridades están clasificando y organizando una amplia gama de textos, incluidas las presentaciones reglamentarias, los artículos de noticias y otros documentos. La Comisión de Servicios Financieros de Guernsey (GFSC) tiene una herramienta experimental que clasifica los documentos con preocupaciones de supervisión importantes, y tiene como objetivo reducir el esfuerzo de supervisión al «marcar» solo aquellos documentos con problemas materiales para revisión manual (véase el recuadro 3 en el Anexo 2 para obtener más detalles sobre esta herramienta). El BDE tiene una herramienta experimental que determina automáticamente si un documento de supervisión ha sido clasificado correctamente o mal clasificado. Se espera que la herramienta, que utiliza PNL, revise cómo el personal de BDE clasifica los documentos que cargan en el sistema e identifica cualquier posible clasificación errónea.8 Esto ayudará a mejorar la calidad de los datos no estructurados en el sistema de BDE.
13. El análisis de sentimiento utiliza la PNL para determinar si los datos son positivos, negativos o neutrales. Entre las herramientas de suptech examinadas, relativamente pocas se centran principalmente en el análisis de sentimientos a pesar del nivel relativamente alto de interés que tales herramientas atrajeron de las autoridades en años anteriores. Algunas autoridades tienen herramientas independientes de análisis de sentimiento, como la herramienta del BoT para medir la sensibilidad y la opinión de las instituciones hacia sus políticas y medidas de alivio relacionadas con Covid. La Autoridad Reguladora del Centro Financiero de Qatar (QFCRA) está desarrollando una herramienta de sentimiento de tweets, que permitirá a los supervisores medir mejor el sentimiento público que rodea a sus empresas a diario (consulte el recuadro 4 en el Anexo 2 para obtener más detalles sobre esta herramienta). Además, algunas autoridades han incorporado el análisis de sentimientos para otros usos. La herramienta experimental de análisis de gobierno corporativo de BDL aplica el análisis de sentimiento para medir el tono de intervención de los directores de juntas individuales. La Autoridad Monetaria de Singapur (MAS) está desarrollando una plataforma de vigilancia integrada que recopila datos de diversas fuentes (por ejemplo, noticias, estados financieros, indicadores macroeconómicos, informes regulatorios) y aplica diversas técnicas de ML, incluido el análisis de sentimiento, para facilitar el análisis en profundidad y la identificación de riesgos. Varias otras autoridades están planeando desarrollar herramientas de análisis de sentimiento o incorporar el análisis de sentimiento en futuras iteraciones de sus herramientas de análisis de texto.
Herramientas para datos principalmente cuantitativos
14. Las herramientas de identificación de riesgos ayudan a detectar riesgos en las instituciones financieras mediante el uso de datos principalmente cuantitativos y/o estructurados. El capital, el crédito y la liquidez son algunas de las áreas de riesgo a las que se dirige. La herramienta ADAM del BCB es una aplicación basada en ML que busca clientes con alta probabilidad de incumplimiento y cuya pérdida esperada puede no ser reconocida adecuadamente por las entidades supervisadas (véase el recuadro 5 del anexo 2 para obtener más detalles sobre esta herramienta). La Autoridad Suiza de Supervisión de los Mercados Financieros (FINMA) ha desarrollado o está desarrollando varias herramientas para diferentes usos, como la previsión de categorías de supervisión de bancos basadas en predicciones de cómo evolucionarían sus riesgos y la estimación (utilizando ML) de activos ponderados por riesgo de bancos pequeños que ya no están obligados a presentar dichos informes.9 La plataforma de vigilancia integrada MAS mencionada anteriormente también tiene como objetivo identificar los riesgos en las instituciones financieras sobre la base de diversos datos, incluidos datos cuantitativos y cualitativos.10 El Banco Central de la República de Austria (OeNB) tiene una herramienta que identifica a los bancos de alto riesgo considerando la rentabilidad, la adecuación del capital y diversos riesgos, incluidos los riesgos de crédito, mercado, operativos, de liquidez y de financiación. El Banco de los Países Bajos (DNB) tiene una herramienta experimental que combina datos de informes regulatorios mensuales con datos de sistemas de pago diarios para estimar un proxy diario de la relación de riesgo de liquidez de las instituciones supervisadas. La QFCRA está desarrollando una herramienta de puntuación de riesgos que proporcionará una visión independiente de los riesgos de los bancos y desafía a los equipos de supervisión a alcanzar puntuaciones consistentes en su proceso interno de calificación supervisora.
Herramientas para datos cualitativos y cuantitativos
15. Las herramientas de análisis de redes analizan las relaciones entre entidades para comprender mejor cómo los riesgos caen en cascada de una entidad a otra. Las herramientas de análisis de redes se basan en una variedad de datos y métodos cuantitativos y cualitativos, desde el análisis neuronal hasta el reconocimiento de patrones. La herramienta de BDE analiza las relaciones entre entidades, identificando no solo relaciones formales sino también conexiones menos formales que serían difíciles o imposibles de encontrar manualmente para los supervisores. Esto permite al BDE evaluar el impacto de un riesgo determinado en toda la red (véase el recuadro 6 del anexo 2 para obtener más detalles sobre esta herramienta). La herramienta experimental de FINMA automatiza la identificación de vínculos entre personas de diversas fuentes de datos estructurados y no estructurados, con el potencial de ser utilizados en una variedad de casos de uso prudencial. Un área de trabajo en el futuro puede ser cómo el análisis de redes evalúa la probabilidad de que las relaciones actuales puedan prever no solo las preocupaciones de riesgo actuales sino también emergentes.
16. Las herramientas que mejoran la identificación de grupos de pares, que sienta las bases para el monitoreo fuera del sitio, tienen como objetivo reconocer las similitudes entre las entidades supervisadas. Los métodos pueden ser similares al análisis de redes, pero los objetivos son diferentes; por lo tanto, se clasifican por separado. Estas herramientas permiten un enfoque supervisor coherente para las entidades con perfiles de riesgo similares. La herramienta experimental de determinación de grupos de pares de FINMA desafía el sistema de grupos de pares basado en reglas existente mediante la aplicación de algoritmos de agrupación no supervisados a variables clave sobre las que se clasifican las empresas. Del mismo modo, la QFCRA está desarrollando una herramienta que analizará por separado los activos y pasivos de las empresas en lugar de mirar todo el balance general para identificar grupos de pares. Al hacerlo, identifica estrategias de inversión y financiación estrechamente relacionadas. La OeNB también está desarrollando una herramienta que identificará las similitudes entre las empresas que pueden haber pasado desapercibidas (véase el recuadro 7 del anexo 2 para obtener más detalles sobre las herramientas FINMA y OeNB).
17. Las herramientas de automatización de la inspección están destinadas a simplificar y hacer que el proceso de examen de varios pasos sea más simple y eficiente. Las herramientas de esta categoría son un grupo especialmente variado, algunas de las cuales abarcan una etapa del examen y otras tratan de abarcar todo el proceso (véanse los recuadros 8 a 11 del anexo 2 para obtener más detalles sobre varias de estas herramientas). Muchas de estas herramientas también contienen elementos de las otras categorías, como la identificación de riesgos, el análisis de texto o el análisis de sentimientos. El BCB tiene una herramienta que tiene como objetivo simplificar los pasos manuales intensivos, incluida la creación de documentos de trabajo y borradores de comunicaciones a las instituciones financieras. El BDL está experimentando con herramientas que automatizarán el rastreo de la evaluación, la redacción de informes, las referencias a regulaciones anteriores, las indicaciones de hallazgos similares y otros aspectos del proceso de revisión. El Banco Central de Malasia (BNM) ha desarrollado una ayuda por escrito utilizando PNL/ML para ayudar a los supervisores a redactar cartas de supervisión para garantizar que el tono sea coherente y que las preocupaciones de BNM se comuniquen claramente a las instituciones financieras. El OSICredit del BCE procesa datos sobre exposiciones al riesgo de crédito, aplica metodologías de muestreo y agrega los resultados de la inspección. El MAS está desarrollando una herramienta similar que automatizará el análisis de datos durante las inspecciones (por ejemplo, para la revisión de la gestión del riesgo de crédito).11
Sección 3 – Observaciones del ciclo de vida de la herramienta Suptech
18. El apoyo de la junta directiva y la alta dirección impulsa el desarrollo y el uso de suptech en las autoridades. Sin un fuerte apoyo de la junta directiva y la alta gerencia, el desarrollo y el uso de herramientas suptech no pueden ganar una amplia tracción dentro de la organización. Por ejemplo, en el BCE, un comité del consejo de administración ha aprobado la estrategia suptech y ha apoyado a equipos de innovación para proyectos individuales. Los jefes de varias autoridades han destacado la transformación digital y la innovación basada en datos como objetivos estratégicos clave para los próximos años.12 El BCB señala que tener «patrocinadores» de suptech en la junta directiva y en la alta gerencia a menudo ayuda: en su caso específico, los patrocinadores de BCB generalmente escuchan ideas para herramientas de suptech incluso antes de que se desarrollen las pruebas de concepto.
19. Los acuerdos de gobernanza apropiados complementan el «tono desde arriba» efectivo. Los desafíos de gobernanza a menudo son citados por organizaciones más grandes, que luchan por encontrar el nivel adecuado de centralización en su trabajo de desarrollo de suptech. El modelo de gobernanza «hub and spoke» parece estar funcionando para aquellos que lo han adoptado. Sin embargo, para las autoridades que no tienen estrategias de suptech formalizadas y para toda la organización, las unidades individuales13 a veces terminan experimentando con herramientas de suptech por su cuenta. Esto podría conducir a redundancias e ineficiencias, contrariamente a lo que suptech pretende lograr.
20. Los supervisores desempeñan funciones críticas en todas las facetas del ciclo de vida de suptech. Los científicos de datos dentro de las autoridades generalmente obtienen ideas sobre qué herramientas desarrollar a partir de la interacción con los supervisores. Sobre la base de estas ideas, se desarrollan y prueban «productos mínimos viables» a unos pocos supervisores. Los comentarios del grupo piloto en términos de la utilidad de la herramienta y el cumplimiento de los objetivos establecidos o las métricas de rendimiento informan la decisión sobre si seguir desarrollándola u operacionalizándola. Además, algunas autoridades utilizan criterios de «regla general», como el nivel de innovación, el costo y el tiempo de aplicación. La alta gerencia o un revisor independiente a veces evalúan los resultados del piloto antes de recomendar el progreso a la siguiente etapa. Sin embargo, se reconoce que evaluar el valor añadido neto de cualquier caso de uso de suptech y, por lo tanto, priorizar los proyectos de suptech, no es sencillo dada la alta demanda y los recursos limitados.
21. Una vez en funcionamiento, las herramientas se despliegan a los supervisores en función de las necesidades, pero las autoridades reconocen la importancia de que todos los supervisores sean conscientes de que tales herramientas existen. Algunas herramientas con amplia aplicación están disponibles para todos los supervisores. Otros con aplicaciones muy específicas solo pueden ser accedidos por supervisores que los usan directamente. En algunas autoridades, los supervisores deben solicitar explícitamente acceso a las herramientas de suptech. Ya sea que el acceso se otorgue automáticamente o requiera aprobación, la conciencia entre los supervisores de que las herramientas existen puede ser un componente importante de la implementación exitosa. La alta conciencia permite a los supervisores decidir qué herramientas son las más adecuadas para sus necesidades, y también facilita la recopilación de comentarios o la señalización de las preocupaciones sobre la calidad de los datos para mejorar las herramientas.
22. La eficacia de las herramientas suptech se mide generalmente a través de una mezcla de retroalimentación cualitativa y métricas cuantitativas. La retroalimentación cualitativa puede venir en varias formas, incluida la revisión de la salida de la herramienta y las observaciones de los supervisores sobre su facilidad de uso. Varias autoridades mencionaron la evaluación de la eficacia a través de intercambios continuos entre personas con conocimientos de ciencia de datos y supervisores de primera línea/otros usuarios. En algunos casos, esto implica métricas cuantitativas, como el número de horas de supervisión ahorradas haciendo análisis en comparación con los procesos anteriores, o el número de problemas de supervisión identificados por los supervisores sin la ayuda de la herramienta. Las autoridades también someten sus herramientas de suptech a una validación de modelos más formal. Reconocen que debe lograrse el equilibrio adecuado entre los «falsos positivos» y los «falsos negativos».14 El endurecimiento de los criterios de modelización puede reducir el ruido en los resultados, pero también podría llevar a que la herramienta no detecte problemas de supervisión. Aflojar los criterios podría provocar demasiado ruido, lo que también podría dar lugar a que la herramienta no sea de mucha ayuda para identificar problemas reales.
23. Si bien muchas autoridades consideran que sus herramientas operativas de suptech son eficaces, también reconocen que hay margen para seguir mejorando. Una autoridad describió sus herramientas de suptech como «organismos vivos y respiratorios» que continúan evolucionando en función de la retroalimentación y validación continuas. Por lo tanto, las autoridades todavía están jugando con las herramientas de suptech que ya se están utilizando. Además, numerosas autoridades están experimentando o desarrollando versiones mejoradas de sus herramientas operativas existentes. Para muchas autoridades, una mayor eficacia en la predicción de las tendencias emergentes, en lugar de limitarse a analizar los datos pasados, es una parte clave de las mejoras previstas. Esto también ayudaría a definir cómo se mediría la efectividad para futuras herramientas de suptech.
Sección 4 – Uso de Suptech durante la pandemia
24. La migración provocada por la pandemia de todas las actividades de supervisión a un entorno virtual se ha visto facilitada por herramientas habilitadas por la tecnología. Los avances y la disponibilidad de infraestructura tecnológica, como las plataformas de intercambio de documentos, las herramientas de colaboración y las capacidades de videoconferencia, permitieron a los supervisores llevar a cabo ciertas funciones in situ y todas las actividades fuera del sitio de forma remota. Las autoridades utilizaron diversas plataformas para recibir/intercambiar documentos electrónicos, por ejemplo, estableciendo una plataforma en la nube privada y segura para facilitar el intercambio de documentos con entidades supervisadas. Mientras tanto, el uso de software de colaboración ayudó a los equipos de supervisión a coordinar sus actividades y trabajar juntos en un entorno virtual. Por último, las autoridades utilizaron herramientas de videoconferencia para comunicarse internamente dentro de los equipos de supervisión y externamente con la dirección del banco, incluidas las reuniones virtuales (por ejemplo, interacciones generales, recorridos por el sistema y reuniones de salida) que de otro modo se habrían llevado a cabo en persona.
25. La gran dependencia de la supervisión fuera del emplazamiento ayudó a compensar parcialmente la reducción y la lejanía de las inspecciones in situ. Algunas autoridades modificaron sus actividades in situ para tener en cuenta el entorno de trabajo remoto, por ejemplo, llevando adelante la calificación de supervisión in situ anterior a la pandemia asignada a una empresa,15 y pasando de las grandes revisiones de archivos de crédito in situ a los modelos de riesgo de crédito subyacentes de los bancos. Muchas autoridades también adaptaron el enfoque de sus actividades fuera del sitio para monitorear el impacto de la pandemia en el perfil de riesgo general de una institución. Esto, a su vez, requirió esfuerzos adicionales de recopilación de datos, como informes y cuestionarios ad hoc de entidades supervisadas relacionadas con sus exposiciones crediticias afectadas por Covid-19, y un compromiso más frecuente con la administración bancaria. Más allá del escrutinio realizado sobre el riesgo de crédito, una jurisdicción (BCB) obtuvo informes más detallados de entidades supervisadas para monitorear de cerca el financiamiento, la liquidez y el riesgo cambiario. Otra autoridad (BDL) exigió a los bancos que proporcionaran una autoevaluación sobre la sostenibilidad de su modelo de negocio a la luz de la pandemia.
26. Las herramientas de Suptech apoyaron el cambio inducido por la pandemia hacia la supervisión externa, al permitir a los supervisores considerar una gama más amplia de datos cualitativos y cuantitativos que pueden afectar el perfil de riesgo de una empresa. Fuera de los rendimientos regulatorios tradicionales (estructurados), la supervisión fuera del sitio se beneficia de fuentes de datos no estructuradas, como informes internos generados por el banco, actas de la junta y el comité, artículos de periódicos, charlas en las redes sociales, estados financieros auditados, otras presentaciones de la compañía e informes de investigación de analistas. La migración de ciertas actividades in situ al trabajo fuera del sitio, junto con varios informes ad hoc relacionados con la pandemia y los programas de monitoreo asociados, se sumó a la pila de datos estructurados y no estructurados. En este sentido, las herramientas para procesar datos cualitativos, en particular las utilizadas para el análisis de textos, el resumen de textos y la clasificación de la información, así como las herramientas para la identificación de riesgos, han demostrado ser bastante útiles.
27. Se han utilizado herramientas de PNL para apoyar diversas evaluaciones de riesgos de supervisión, incluida la gobernanza empresarial. Varias autoridades han utilizado herramientas de PNL para identificar riesgos de gobierno corporativo que los supervisores pueden no haber encontrado manualmente. Los documentos que pueden tener relación con las prácticas de gobierno corporativo de un banco abarcan numerosos materiales extraídos de fuentes confidenciales y disponibles públicamente que cubren todas las disciplinas de riesgo. Por ejemplo, algunos supervisores de FRBNY han estado utilizando la PNL para refinar las opiniones de supervisión en el trabajo de examen y monitoreo. En particular, a menudo se exige a las empresas que se someten a medidas coercitivas que presenten informes de situación y materiales conexos para demostrar las medidas que se están adoptando para abordar las esferas de interés para la supervisión identificadas. Estos documentos pueden tener hasta miles de páginas, lo que hace que sea esencialmente imposible para el ojo humano digerirlos por completo. La PNL se ha aplicado para encontrar información específica sobre si las entidades están cumpliendo con las disposiciones aplicables de gobierno del consejo, proporcionando a los supervisores de FRBNY una herramienta poderosa para ayudar a respaldar sus evaluaciones de riesgos de gobierno corporativo.
28. La revisión supervisora de la calidad crediticia, una tarea que requiere mucho tiempo y que a menudo impulsa el perfil de riesgo general de una empresa, ha sido un área particular de enfoque durante la pandemia. Las revisiones de los expedientes de crédito tradicionalmente agotan una parte desproporcionada de los recursos de supervisión, dado que la mala calidad de los activos16 y las provisiones de pérdida de préstamos con fondos insuficientes pueden afectar materialmente las ganancias y el capital regulatorio de una empresa. Las consecuencias financieras de la pandemia han acentuado estas preocupaciones y han llevado a las autoridades a redoblar los esfuerzos para monitorear el riesgo crediticio. Sin embargo, las políticas y restricciones en respuesta a la pandemia, incluidas las medidas reglamentarias de indulgencia, los programas de apoyo gubernamental y la suspensión temporal de las inspecciones in situ, han obstaculizado la capacidad de los supervisores para determinar el perfil de riesgo crediticio de una empresa.
29. Para facilitar las evaluaciones del riesgo de crédito en un entorno virtual, las autoridades han desplegado diversos instrumentos de apoyo para ayudar a los supervisores a identificar las exposiciones que pueden estar mal clasificadas o infraaprovisionadas. El BCB utiliza su herramienta para identificar prestatarios bancarios con una alta probabilidad de incumplimiento17 que pueden no ser identificados por las entidades supervisadas. Esta herramienta permite un escaneo de toda la cartera de crédito, en lugar de solo un subconjunto bajo los métodos de muestreo tradicionales, y presenta a los supervisores una lista personalizada de archivos de crédito para un mayor escrutinio. La herramienta de BDE aprovecha los datos no estructurados para marcar las exposiciones crediticias que el banco clasifica como «rendimiento», pero que pueden justificar una designación de «incumplimiento», para el seguimiento supervisor. Un algoritmo ejecuta palabras clave (por ejemplo, moratoria) a través de la herramienta para identificar automáticamente posibles clasificaciones erróneas de exposiciones, seguidas de una validación manual de los resultados. La herramienta del BCE desafía las prácticas de provisión de pérdidas crediticias de un banco, mediante el muestreo estadístico de un subconjunto de exposiciones crediticias minoristas basadas en criterios de estratificación preespecificados y alimentando estas exposiciones a través de su propio modelo de supervisión, que proyecta las pérdidas crediticias esperadas (ECL). Los supervisores comparan los resultados generados por el modelo con el nivel real de ECL del banco como base para las discusiones con la administración del banco.
Sección 5 – Consideraciones prácticas
30. La disponibilidad de habilidades de ciencia de datos afecta la amplitud con la que las autoridades pueden implementar algunas herramientas de suptech. Varias autoridades citan las habilidades limitadas de ciencia de datos entre los supervisores como una razón por la cual ciertas herramientas no se implementan más ampliamente.18 Algunas autoridades están abordando esto mediante el diseño de interfaces fáciles de usar accesibles para el personal sin habilidades en ciencia de datos. Las autoridades en general están intensificando sus esfuerzos de creación de capacidad en ciencia de datos, incluida la capacitación del personal existente o la contratación de nuevo personal con antecedentes relevantes.19,20 Equipar a los supervisores con habilidades en ciencia de datos es fundamental para cerrar la brecha lingüística entre los científicos de datos que desarrollan las herramientas y aquellos que las usan. Esto garantiza que la experiencia y los conocimientos de supervisión acumulados informen adecuadamente el desarrollo de herramientas de suptech.
31. Además de adquirir las competencias adecuadas, también es importante aclarar para qué deben utilizarse las herramientas de suptech para su adopción efectiva. Los supervisores reconocen rápidamente el valor de algunas herramientas de suptech. Esto es especialmente cierto para aquellos que hacen que los procesos de supervisión sean más fáciles y menos engorrosos (por ejemplo, herramientas de resumen de texto). Sin embargo, las herramientas de suptech que intentan identificar problemas de supervisión más complejos (por ejemplo, herramientas de identificación de riesgos) pueden verse como herramientas que buscan cuestionar el juicio de los supervisores. Una herramienta de identificación de riesgos en una autoridad, por ejemplo, recibió la resistencia de algunos de sus supervisores que la vieron como una forma de detectar sus errores, una opinión que se ha visto exacerbada por una sólida cultura de auditoría interna establecida para mejorar los procesos de supervisión. Este ejemplo destaca la importancia de la gestión del cambio y la necesidad de enfatizar que los hallazgos de las herramientas suptech no dictan las decisiones y acciones de supervisión. Más bien, los hallazgos de estas herramientas proporcionan información complementaria que está destinada a alimentar un análisis más amplio que, a su vez, informará tales decisiones y acciones.
32. Las autoridades deben tener en cuenta los desafíos relacionados con los datos en la implementación de herramientas suptech.21 La calidad, confiabilidad e integridad de los datos pueden ser un problema para las fuentes de información no tradicionales (por ejemplo, las redes sociales, a pesar de ser una fuente de información valiosa en tiempo real). El volumen y el tamaño de los datos también siguen siendo problemas. Algunas autoridades están abordando esto pasando a la nube, pero la seguridad en la nube sigue siendo una preocupación para muchas autoridades, en particular con respecto a la confidencialidad de los datos. Algunas autoridades también mencionan desafíos relacionados con la interoperabilidad entre sus diferentes bases de datos. Además, la integración de los datos reglamentarios con los datos de otras fuentes también podría ser un desafío. Muchas autoridades ya están avanzando hacia un almacenamiento de datos centralizado, por ejemplo, mediante el uso de lagos de datos. En resumen, las autoridades deben fortalecer varios aspectos de la forma en que recopilan datos, incluida la gobernanza, la calidad, la granularidad, la puntualidad y la gestión, que comprenden las «materias primas» que alimentan el desarrollo de diversas herramientas de suptech.
33. La experiencia con las herramientas suptech durante la pandemia proporciona una serie de lecciones. Un problema general es la necesidad de continuar las inversiones en infraestructura de TI, sentando las bases para llevar a cabo el trabajo de supervisión y desbloqueando el potencial de aplicar herramientas suptech de forma remota. La pandemia puso de relieve algunas lagunas en la infraestructura de TI de las autoridades.22 Las autoridades que realizaron grandes inversiones en ella antes de la pandemia, por ejemplo, estableciendo la infraestructura para recopilar datos granulares a nivel transaccional e invirtiendo en nuevas herramientas analíticas de IA hace varios años, señalaron que pudieron adaptarse al nuevo entorno de trabajo de manera fácil y efectiva.
34. La pandemia también subraya la necesidad de que las autoridades cuenten con estructuras que permitan utilizar las herramientas de suptech de manera más eficaz, en particular a medida que se despliegan herramientas adicionales. Las autoridades están desarrollando activamente herramientas de PNL para abordar el desafío fundamental de gestionar y sintetizar el gran y creciente volumen de datos no estructurados. Más allá de esto, varias autoridades están explorando múltiples herramientas de suptech con diferentes propósitos. Los supervisores continúan desarrollando herramientas relativamente nuevas para el análisis de sentimientos, el análisis de redes, la identificación de grupos de pares y la automatización de inspecciones. También están comenzando a explorar formas de evaluar los riesgos cibernéticos y relacionados con el clima, así como los que surgen de las empresas financieras solo digitales, utilizando PNL y otras herramientas basadas en ML. Estos desarrollos ponen de relieve la necesidad de integrar mejor diversas herramientas e implementar estructuras de gobernanza apropiadas en torno a su experimentación y uso.
35. Un mayor despliegue de herramientas suptech ha dado lugar a preocupaciones de que podrían minimizar la importancia del juicio supervisor. Existe el riesgo de que los supervisores simplemente confíen en las herramientas de suptech para identificar problemas clave, lo que, a su vez, podría llevar a suposiciones de que lo que las herramientas no detectan no existe. Podría restar importancia al juicio de supervisión y podría dar lugar a la falta de matices en las cuestiones de supervisión que pueden no ser completamente capturadas por las herramientas de suptech. Los responsables de la toma de decisiones y los científicos de datos han enfatizado que se espera que las herramientas suptech respalden, y no reemplacen, el juicio de supervisión. Dicho esto, no hay una «línea brillante» entre las herramientas que ayudan a automatizar las tareas repetitivas frente a las que sirven como un proxy para el juicio de supervisión. Por ejemplo, algunas autoridades despliegan herramientas suptech para redactar comunicaciones escritas a entidades supervisadas, una tarea repetitiva que implica juicio. Otros proporcionan una calificación generada por computadora asignada a un banco para impugnar las evaluaciones de riesgos supervisores, que son inherentemente de naturaleza crítica. Si bien las herramientas anteriores están sujetas a revisión supervisora, los incentivos para que los supervisores continúen ejerciendo juicio pueden disminuir a medida que se automatizan más tareas de supervisión.
36. El despliegue exitoso de herramientas suptech puede dar lugar a preguntas más amplias sobre si algunas tareas in situ pueden permanecer fuera del sitio incluso después de la pandemia. Las herramientas de Suptech han permitido un monitoreo efectivo fuera del sitio de los bancos. A medida que las autoridades se preparan para un mundo posterior a la pandemia, también están evaluando el equilibrio adecuado entre las actividades dentro y fuera del sitio. Una pregunta natural es si se necesitan inspecciones in situ. Pero cabe señalar que el cambio a la supervisión virtual dio lugar a desafíos en la gestión de equipos remotos.23 Además, un encuestado señaló que las inspecciones in situ no pueden ser reemplazadas completamente por la supervisión externa, ya que la oportunidad de observar y evaluar físicamente los controles y procesos internos de un banco es tan crítica como el monitoreo remoto de sus cifras financieras.24 La supervisión de la gobernanza es otra área que es difícil de replicar fuera del sitio. Una autoridad ha emprendido un ejercicio de mapeo de áreas de supervisión que pueden o no pueden automatizarse, e identificó la gobernanza en esta última categoría.
37. Dado que los instrumentos suptech desempeñan un papel más importante en la supervisión cotidiana, las autoridades de supervisión también deben tener en cuenta las consecuencias para las entidades supervisadas. El uso de herramientas de suptech puede resultar en beneficios para las entidades supervisadas, particularmente a través de ganancias de eficiencia en los procesos de supervisión. Sin embargo, las autoridades reconocen que también podría inducir cambios en los comportamientos de las entidades supervisadas, especialmente a medida que se divulgue más información sobre las herramientas. Las entidades supervisadas podrían utilizar la información divulgada para diseñar los resultados deseados. Ante esta preocupación, las autoridades continúan sopesando los pros y los contras de divulgar información sobre sus herramientas de suptech.25
Sección 6 – Conclusión
38. Las herramientas de análisis de datos de Suptech están haciendo que la supervisión prudencial sea más eficiente y aportando nuevos conocimientos sobre riesgos, áreas de preocupación y otras cuestiones de supervisión. Estas herramientas utilizan una gama de datos, tanto cualitativos como cuantitativos, de diferentes fuentes. Las herramientas para el análisis de texto, el resumen de texto y la clasificación de la información permiten una extracción mucho más rápida de información útil de documentos voluminosos de lo que sería posible manualmente. Las herramientas para el análisis de sentimientos, la identificación de riesgos, el análisis de redes y la identificación de grupos de pares proporcionan información a partir de datos que pueden no haber sido detectados simplemente utilizando herramientas estadísticas o basadas en reglas tradicionales. Además, las herramientas que automatizan partes del proceso de inspección dan como resultado más eficiencias e información de supervisión más significativa.
39. Las herramientas Suptech, en particular las de análisis de datos no estructurados e identificación de riesgos, resultaron esenciales durante la pandemia. La migración de la mayoría de las actividades in situ al trabajo fuera del sitio y los diversos informes relacionados con la pandemia requeridos por las autoridades se sumaron a la ya enorme pila de datos estructurados y no estructurados que los supervisores deben atravesar. En particular, las herramientas de suptech han brindado un apoyo muy necesario en las revisiones supervisoras del gobierno corporativo y el riesgo de crédito. Las herramientas de PNL han sido capaces de identificar posibles riesgos de gobierno corporativo a partir de un gran conjunto de documentos que pueden tener relación con las prácticas de gobierno de un banco. Las autoridades también implementaron herramientas de identificación de riesgos y otras herramientas de suptech que ayudan a los supervisores a identificar exposiciones crediticias que pueden estar mal clasificadas o infra aprovistas.
40. La experiencia de la pandemia puso de relieve la necesidad de mejoras continuas en la infraestructura de TI y las prácticas de recopilación de datos, que pueden apoyar la exploración continua de nuevas herramientas de suptech. Una infraestructura de TI sólida ofrece una plataforma efectiva para implementar herramientas de suptech, mientras que las prácticas mejoradas de recopilación de datos abren más posibilidades sobre los tipos de análisis que los supervisores pueden realizar con suptech. Las autoridades ya están explorando herramientas emergentes que podrían tener impactos de largo alcance. Las herramientas de análisis de redes pueden ser capaces de evaluar la probabilidad de que las interconexiones actuales entre entidades puedan prever no solo preocupaciones de riesgo existentes sino también emergentes. Las herramientas de identificación por pares pueden resultar en una comprensión más profunda de las similitudes entre las empresas supervisadas, tal vez haciendo que el proceso de seguimiento de la supervisión, revisión y análisis sea más consistente y eficiente en el uso de los recursos. Las herramientas de análisis de sentimiento pueden proporcionar información más matizada sobre la información recopilada no solo de las redes sociales, sino también de datos confidenciales de supervisión. Las herramientas de automatización de la inspección podrían revisar todo el proceso de supervisión, lo que afectaría profundamente la gestión de recursos. Las autoridades también están experimentando con herramientas que podrían aplicarse a temas más amplios que pueden dar forma a nuestro mundo de supervisión posterior a la pandemia, incluido el cambio climático, la cibernética y la supervisión de las empresas financieras solo digitales.
41. Los desafíos de implementación, desde las habilidades de ciencia de datos rezagadas hasta las complejidades de gobernanza, desde la calidad de los datos hasta la integración de datos, continúan obstaculizando una implementación y aceptación más amplias de las herramientas de suptech. Muchos de estos desafíos se han ampliado y se han vuelto apremiantes a medida que se ponen en práctica más herramientas de suptech. El fomento continuo de la capacidad mediante la capacitación y la contratación puede aliviar la escasez de habilidades en ciencia de datos. Un énfasis en el desarrollo o la actualización de una estrategia de suptech puede aclarar los acuerdos de gobernanza y suavizar la resistencia de los supervisores a las nuevas formas de hacer su trabajo diario.26 Además, la calidad de los datos seguirá siendo una limitación de los datos de fuentes alternativas, como las redes sociales. Además, si bien muchas autoridades ya están encontrando formas de integrar datos de fuentes dispares, incluido el uso de almacenamiento de datos centralizado, como lagos de datos o la nube, los problemas de seguridad siguen siendo motivo de preocupación, en particular los relacionados con el almacenamiento en la nube.
42. Es importante que el despliegue de herramientas suptech vaya acompañado de salvaguardias adecuadas para mitigar las posibles consecuencias no deseadas. Los marcos de gobernanza apropiados han sido cruciales para estimular el desarrollo y el uso de suptech, incluidas las estrategias de suptech y la aceptación de la junta y la alta gerencia. En el futuro, las estructuras de gobierno pueden tener que abordar claramente el papel creciente y a menudo mal definido de las herramientas suptech en la organización. A medida que se implementan más herramientas de suptech, es posible que los supervisores no se sientan incentivados a ejercer juicio y, en cambio, solo confíen en las herramientas para detectar problemas. Tal dependencia excesiva de suptech podría disminuir la supervisión basada en el juicio y eventualmente podría conducir a más puntos ciegos de supervisión. También está la cuestión más amplia de si todavía hay un papel para las inspecciones in situ. Sin embargo, el juicio supervisor se basa en gran medida en la observación física y la evaluación de la gobernanza, la cultura y los controles de los bancos. Las autoridades han sido claras en que las herramientas de suptech están destinadas a mejorar, no a reemplazar, el juicio de supervisión. No obstante, este mensaje debe reforzarse mediante la introducción de directrices claras sobre el papel de la suptech en los procesos de supervisión.