Los analistas financieros trabajan en roles muy cuantitativos y orientados a los datos. En una encuesta de McKinsey, el 87% de los participantes afirmó que actualmente se enfrentaba o se enfrentaría a brechas de competencias en los próximos 5 años, y el 43% señaló que las mayores carencias estarían en roles de datos. Estos perfiles son cada vez más importantes en Finanzas, ya que Gartner prevé que más del 80% de las organizaciones de servicios financieros aumentarán su uso de analítica avanzada en 2021.
Los equipos financieros deberían aprender herramientas de datos "modernas" como R, Python y SQL, o soluciones de business intelligence, para descubrir insights que antes pasaban desapercibidos. Además de generar valor, permitir que los analistas desarrollen nuevas habilidades en datos resulta muy atractivo para quienes buscan empleo, según el 64% de los participantes en una encuesta de Robert Half.
En este artículo, veremos 4 casos de uso de ciencia de datos que los analistas financieros pueden empezar a aprovechar hoy mismo para complementar su conocimiento experto.
Cuatro formas en que los analistas financieros pueden empezar con habilidades en datos
Analiza datos con rapidez y comunica insights
Una parte clave de las responsabilidades de un analista financiero es su capacidad para analizar datos financieros y extraer conclusiones. Además de dominar Excel, pueden hacer que el proceso de análisis sea más eficiente y eficaz si combinan herramientas como SQL con soluciones de BI y lenguajes de programación de código abierto como R y Python.
Estas herramientas resultan especialmente útiles cuando se trabaja con conjuntos de datos grandes. SQL es un lenguaje de programación para comunicarse con bases de datos y recuperar y organizar datos. Permite a los analistas obtener justo la información que les interesa, acelerando los flujos de trabajo. Por ejemplo, si un analista estuviera construyendo un modelo para proyectar los flujos de caja de un departamento concreto, podría filtrar en la base de datos —que contiene todos los flujos de caja de la organización— únicamente los de ese departamento. Acceder de forma ágil solo a los datos necesarios hace que los procesos sean mucho más eficientes.
Una vez recopilados los datos, se pueden obtener insights rápidamente con SQL calculando estadísticas descriptivas. Por ejemplo, la media y la desviación estándar de los flujos de caja mensuales pueden calcularse de forma rápida usando agregaciones por grupos en SQL.
Comunicar los insights a las partes interesadas es esencial para aportar valor. Descubrir cómo mejorar los flujos de caja solo sirve si se transmite con eficacia a quienes toman decisiones para que actúen. Estos hallazgos pueden presentarse con precisión mediante herramientas de BI (como Power BI y Tableau) o librerías de código abierto en Python y R como Dash y Shiny. Estas herramientas permiten mostrar conclusiones de forma ágil mediante paneles interactivos.
Toma mejores decisiones con predicción de series temporales
Otro caso de uso muy valioso para analistas financieros es el análisis de series temporales. Hacer predicciones precisas es una tarea habitual: desde prever la evolución del precio de una acción hasta el churn de clientes, los flujos de caja o el valor del ciclo de vida del cliente. Para que aporten valor a la toma de decisiones, estas predicciones deben ser fiables y precisas.
Los datos históricos ayudan a realizar pronósticos más realistas y con mayor confianza. La estacionalidad es clave en muchos escenarios: a lo largo del año, la actividad del negocio fluctúa. Esto fue especialmente evidente cuando eventos disruptivos como la covid-19 afectaron a la operativa de la mayoría de organizaciones. Comprender estas variaciones estacionales permite realizar predicciones significativamente mejores. Existen muchas herramientas de código abierto en R y Python que facilitan el análisis de series temporales, y permiten un enfoque más dinámico de la predicción.
Automatiza procesos de negocio con programación
Una aplicación especialmente útil de la programación en cualquier ámbito es automatizar tareas repetitivas. Scripts en R o Python pueden ejecutar tareas diarias para ahorrar tiempo a los analistas y permitirles centrarse en otras responsabilidades.
Un ejemplo: preparar cada día una lista con las acciones de mejor rendimiento de un sector concreto respecto al día anterior. Un analista puede crear un script que se ejecute cada noche tras el cierre del mercado. Ese script podría recopilar los datos necesarios accediendo a la API de datos de la organización, utilizar tipos y herramientas de Python como los DataFrames de pandas y un Jupyter notebook para limpiar los datos de forma eficaz (facilitando su uso posterior) y, por último, generar un archivo de Excel con el mismo formato que antes el analista rellenaba manualmente.
A la mañana siguiente, el analista puede empezar directamente con las siguientes tareas, como redactar un informe a partir de esos datos. En pocas semanas, el volumen de trabajo adicional que podrá completar por no tener que crear esa hoja de cálculo a mano cada mañana será considerable.
Predice resultados con machine learning
El machine learning desempeña un papel fundamental en el análisis financiero. Tanto el aprendizaje supervisado como el no supervisado pueden aprovecharse en finanzas para mejorar la eficiencia y la eficacia de tareas como el análisis documental y la digitalización de documentos físicos.
Existen muchas aplicaciones de aprendizaje supervisado (entrenar modelos con etiquetas "correctas" para que realicen la tarea sin etiquetas en el futuro) útiles para tareas financieras: convertir documentos físicos en digitales, detección de fraude, gestión óptima de carteras y predicción de precios futuros de acciones, entre otras. Todas son críticas y requieren precisión. Los analistas pueden apoyarse en el machine learning y en los grandes volúmenes de datos disponibles para completarlas con mayor eficacia. Puedes encontrar otras aplicaciones del machine learning en finanzas aquí.
El aprendizaje no supervisado (entrenar modelos sin etiquetas "correctas" predefinidas) también puede aprovecharse en este tipo de tareas. Por ejemplo, se puede crear un modelo que organice los nuevos documentos digitalizados en una estructura de archivos adecuada para facilitar su acceso.
Al construir modelos que se encarguen del procesamiento y análisis documental básico, el analista puede dedicar más tiempo a generar insights accionables a partir de todos esos datos disponibles que a menudo se infrautilizan por su falta de accesibilidad.
La formación continua es el único camino
A medida que la ciencia de datos se integra más en el sector financiero, la única forma de que los analistas financieros sigan teniendo éxito y aporten todo su valor a sus organizaciones es adquiriendo habilidades en datos. Como has visto en los cuatro casos anteriores, las competencias en ciencia de datos pueden mejorar notablemente la productividad y la calidad del trabajo mediante automatización, organización y visualización de datos.
Una encuesta reciente mostró que el 90% de las firmas financieras espera aumentar su consumo de datos en el próximo año y que el 52% considera que analizar esos datos de forma significativa es una prioridad estratégica. Dada la brecha de talento en datos, la única manera de estar a la altura de estas expectativas es que los analistas financieros apuesten por la formación continua.
