¿Cómo el Big Data y Machine Learning transformaron a American Express?

American Express o AmEx es una institución financiera fundada el 25 de marzo de 1850 en New York por Henry Wells, William Fargo y John Warren Butterfield; la cual es rankeada dentro de las 100 empresas más grandes del mundo según la revista Forbes. (Forbes) La empresa comercializa globalmente servicios brindando a sus clientes tarjetas de crédito o de cargo y servicios relacionados con viajes. (American Express, 2015)

Todo comenzó cuando un empleado de la empresa, Marcellus Berry, creó el “money order” o giro postal en 1882 el cual es un cheque en papel prepagado para realizar pagos a terceros y; como consecuencia se originó el Cheque de Viajero para resolver las necesidades de aquellos que deseaban tener una forma fácil y confiable de transferir fondos internacionalmente. (American Express, 2021) Posteriormente, se lanzó la Tarjeta American Express en 1958 en Estados Unidos y Canadá con una gran acogida por su “fortaleza de marca, su excelente servicio al cliente y sus oficinas alrededor del mundo.” (American Express, 2021) Actualmente, la empresa cuenta con más de 2200 oficinas en más de 140 países focalizada en un papel de “proveedor global” de los servicios mencionados anteriormente. (American Express, 2021)

Sin embargo, mantenerse en esta alta posición en el mercado no ha sido fácil. AmEx, como muchas otras empresas, se ha visto amenazada por los avances rápidos en la tecnología que ocurren actualmente; pero ha sido una de las pocas compañías que ha sabido aprovecharlos para mejorar su negocio. Por lo que American Express ha logrado dar valor a sus clientes en el espacio de pagos y comercio utilizando el Big Data juntamente con el Machine Learning. La empresa vio su vasta base de datos como una ventaja sobre las demás instituciones financieras ya que gracias al “bucle cerrado”, AmEx puede analizar las transacciones de los clientes y del lado comerciante, mientras que Visa o MasterCard tienen un acceso limitado a los datos de los clientes porque los bancos contratantes son cerrados en compartir información. (Manglani, 2017)

Al tener esta ventaja competitiva, el grupo de “American Express´ Risk and Information Managment” con el de “Technology”, decidieron construir habilidades de Big Data de clase mundial. Logran mejorar su dinámica de negocio transformando su modelo de comercialización por ser capaces de analizar tendencias e información de gastos de los clientes y así crear algoritmos que proporcionen ofertas personalizadas para atraer y retener a sus clientes y además, aprovechar esta ventaja para mantener relaciones con los comerciales utilizando marketing dirigido. (Manglani, 2017)

Por lo tanto, gracias al análisis de datos, AmEx cambia su modelo de comercialización ya que se aleja de lo tradicional de dar crédito a los clientes y servicios al comerciante por realizar transacciones y se acerca más a los clientes de una manera especializada por lo que gana mayor clientela; pero en lo que se destaca la empresa y está definido en su visión: “Brindar la mejor experiencia a nuestros clientes, todos los días, en todo el mundo.” (American Express, s.f.); es generar confianza en el cliente para que este los prefiera, aumentando sus ventas.

Como consecuencia, gracias al acceso al Big Data, AmEx ha empleado modelos de “Machine Learning” para incrementar la seguridad de sus clientes y atraer a nuevos por lo que generan mayores ingresos. Por ejemplo, logran detectar transacciones fraudulentas comparando la información de la tarjeta con un patrón creado por un algoritmo de posible fraude y así, la empresa minimiza sus pérdidas y mantiene su imagen. También, el uso del internet y del marketing dirigido ha aumentado un 40% de nuevas adquisiciones por este medio, lo que igualmente reduce los costos y aumenta sus ventas. (Manglani, 2017)

Sin embargo, aunque AmEx ha logrado mucho al cambiar su manera de comercialización con el análisis de datos, aún se enfrenta a equilibrar la inversión en el Big Data con las necesidades inmediatas, y la investigación que se tendrá que llevar a cabo con los siguientes avances tecnológicos.

En conclusión, a pesar de que American Express tenga el anterior desafío, ha creado una empresa poderosa por su transformación en su comercialización por el uso del Big Data y Machine Learning que caracteriza a la empresa en seguridad y transacciones personalizadas, brindándole un valor distintivo a la marca que puede siempre aprovechar mientras se adapta a nuevos cambios.

Bibliografía

American Express. (2015). Acerca de American Express. Obtenido de https://www.americanexpress.com/ve/network/content/about-the-company.html

American Express. (2021). American Express Company. Obtenido de https://www.americanexpress.com/argentina/about/historia.shtml#:~:text=Informe%20de%20RSE&text=American%20Express%20Company%20nace%20en,transporte%20de%20cargas%20y%20valores.&text=Emitida%20en%201958%20por%20primera%20vez%20en%20EE.

American Express. (s.f.). Acerca de la Compañía. Obtenido de https://www.americanexpress.com/mx/about-the-company.html#:~:text=VISI%C3%93N%3A%20Brindar%20la%20mejor%20experiencia,CUMPLIMOS%20CON%20NUESTROS%20CLIENTES.

Forbes. (s.f.). American Express (AXP). Obtenido de https://www.forbes.com/companies/american-express/?sh=6e06b7144669

Manglani, C. (02 de abril de 2017). American Express: Using data analytics to redefine traditional banking. Obtenido de https://digital.hbs.edu/platform-digit/submission/american-express-using-data-analytics-to-redefine-traditional-banking/

El Análisis de Datos, y su uso para responder a desastres naturales

Federal Emergency Management Agency

En la actualidad, se escucha distintas problemáticas siendo no menos importante las emergencias naturales, políticas y humanas. Desde los varios desastres como erupciones volcánicas, incendios, inundaciones, huracanes, tsunamis y terremotos, hasta la reciente pandemia de COVID-19 y sin olvidar el ataque terrorista del 9/11 o el atentado violento de la maratón de Boston. En el país de los sueños, específicamente, Estados Unidos ha logrado responder a estas emergencias de una manera muy particular a la que otros países del continente e incluso del mundo habrían podido. No obstante, debemos preguntarnos, al ser Estados Unidos un país tan grande y con estados políticamente independientes ¿Cómo es posible que este reaccione efectivamente ante una emergencia? Esto se debe gracias a la Agencia Federal de Manejo de Emergencias (FEMA por sus siglas en inglés), se caracteriza por ser la organización que se encarga de actuar inmediatamente en caso de desastres naturales o a gran escala en Estados Unidos de América. Según la página de la agencia su objetivo principal es: “Ayudar a la gente, antes, durante y después de los desastres” (FEMA, 2020). Este objetivo es logrado bajo la acción conjunta de distintas agencias federales. Su finalidad no solo es manejar situaciones de desastres, sino crear políticas públicas que permitan prevenir.   

Helping people before, during and after disasters”

-FEMA

FEMA fue creada en 1978 por la presidencia de Jimmy Carter y desde entonces ha sido la encargada de lidiar en caso de emergencia. Es conocida su respuesta después de los atentados del 11 de septiembre del 2001 y cómo se adaptó a la situación de un desastre de ese tipo, y millones de dólares fueron invertidos para la preparación ante ataques terroristas. Por otro lado, su respuesta ante el Huracán Katrina que azotó Nueva Orleans fue deficiente y muchas dudas respecto al desempeño de la Agencia crecieron (2010). El propósito final de la agencia es la de tomar decisiones rápidas ante situaciones límites para la toma de decisiones es primordial contar con la mayor cantidad de datos y evidencia posibles. Datos geográficos, meteorológicos e incluso demográficos ayudan a tomar decisiones. Es por lo tanto natural pensar que las técnicas usadas en data analysis pueden ser útiles. 

Podemos hablar del caso específico que sucedió en el estado de California con los incendios forestales. Es usual todos los años escuchar que el verano inclemente provoca la pérdida de varias hectáreas de bosques afectando no solo la vida silvestre sino incluso a la gente. Históricamente los incendios forestales en el área de San Diego han crecido cada vez más con el pasar de los años (Curran, 2019). En 2010, se quemaron 108,000 acres de bosque, mientras que en 2018 fueron 1,823,000. En términos monetarios los incendios le costaron al estado alrededor de 400 mil millones de dólares, y 85 personas murieron. No obstante es evidente que desde la perspectiva de vista del manejo de emergencias estas situaciones pueden ser prevenidas o mitigadas con políticas públicas, en otras palabras es en este contexto el análisis de datos y la toma de decisiones orientadas pueden marcar la diferencia.   

Analistas de datos independientes y asociados a FEMA llegaron a una solución usando las herramientas modernas disponibles para recopilar datos, los cuales en principio no son usados en emergencias. Las redes sociales actualmente recopilan gran cantidad de datos que de otra manera sería difícil de obtenerlos. Los datos recopilados fueron usados por un grupo de investigadores para ayudar a la toma de decisiones de FEMA en caso de emergencia. Los datos que usan provienen de sitios web como Yelp, una aplicación para calificar negocios, o Google. Los datos usados son: ubicación geográfica de los negocios, tipo de negocio, recursos disponibles para mitigar la emergencia. Por otro lado, también se usaron datos históricos sobre el tipo y recurrencia de desastres.  Estos datos permiten localizar donde se encuentran los recursos, o cuales son las zonas más propensas a sufrir en caso de emergencia (2020). El análisis de datos permite tomar decisiones sobre cómo enviar recursos y que zonas o negocios los requieren de forma inmediata. En este caso en particular los analistas de datos crearon un mapa interactivo que permitía a las agencias federales ubicar a los distintos negocios que puedan aportar con recursos en caso de emergencia, o por el otro lado, aquellos que necesiten de atención prioritaria (2020). El mapa sirve para prevenir con la creación de planes de evacuación y rutas óptimas de asignación de recursos, y en momento de emergencia para toma de decisiones inmediatas.

En cuanto a la respuesta de emergencias en la pandemia el uso de análisis de datos puede ser muy beneficioso. Las características principales de estos eventos son lo súbito, peligroso e incierto que se desarrollan. El uso de análisis datos puede ayudar a tomar decisiones para aliviar la sanidad pública y regresar a la normalidad lo más rápido posible. Actualmente se producen gran cantidad de datos de todo tipo, y el reto de los analistas es recopilarlos y procesarlos de la manera más óptima posible. En particular para la situación de la pandemia los datos médicos de pacientes, ubicación, diagnóstico y muchos más, son realmente importantes para cada una de la toma de decisiones. Una de las principales ayudas del análisis de datos ha sido el rastreo de contactos y la delimitación de áreas con mayor riesgo de contagio (Jia, 2020). Con los datos recopilados se crean árboles de las personas, con el contagiado y los contactos que provee. De esta forma es posible rastrear los contactos y clasificar zonas geográficas con mayor incidencia de contagios.

En conclusión, los desastres naturales son eventos que ocurren de manera improvista y pueden causar no sólo pérdidas económicas, sino humanitarias. El manejo de emergencias tiene dos propósitos importantes: Crear planes que previenen y mitigan los daños durante una emergencia y responder de manera inmediata y óptima cuando ocurre una. En el segundo aspecto es fundamental tomar decisiones rápidas, para lo cual el análisis de datos, la visualización de los datos en tiempo real y demás técnicas del Big Data son muy útiles en los casos descritos previamente. Esto demuestra que los gobiernos deben enfocarse e invertir más en técnicas de este tipo para mejorar su respuesta ante emergencias.  

Referencias

Curran, L. (2019). How Data Scientists can help Government Agencies Effectively Respond to Natural Disasters. https://towardsdatascience.com/how-data-scientists-can-help-government-agencies-effectively-respond-to-natural-disasters-c2978da932ee

FEMA (2020). Misión. https://www.fema.gov/about/mission

FEMA (2010). The Federal Emergency Management Agency Publication I. https://www.fema.gov/sites/default/files/2020-03/publication-one_english_2010.pdf

Jia, Q., Guo, Y., Wang, G., & Barnes, S. (2020). Big Data Analytics in the Fight against Major Public Health Incidents (Including COVID-19): A Conceptual Framework. International Journal of Environmental Research and Public Health, 17(17), 6161. doi: 10.3390/ijerph17176161. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7503476/