“Actualmente los modelos predictivos que utiliza la industria financiera pueden dar un salto trascendental al utilizar técnicas de Machine Learning”, afirmó Leandro Fernández, Gerente General de la multinacional AIS Group en Chile, en el Congreso Nacional de Crédito celebrado en Santiago.
“Muchas instituciones financieras en Chile están avanzando en su transformación digital y la Inteligencia Artificial ha tomado un rol protagónico. Si bien en el corto plazo la Inteligencia Artificial no dominará las decisiones en la industria financiera, quienes no sepan aprovechar sus ventajas quedarán en desventaja. En este contexto, la implementación de modelos de Machine Learning se tornará, muy pronto, en un factor estratégico para la competitividad”.
Según Fernández, los resultados obtenidos en proyectos recientes revelan que el nivel de acierto en los modelos mejora entre un 25% y un 50% al usar algoritmos de Machine Learning frente a las técnicas tradicionales de regresión logística. Estos resultados quedan reflejados en el Índice Gini, la medida de exactitud más utilizada en este campo, que –señala el ejecutivo de AIS Group- “se puede pasar de Ginis de 50% a situarse en rangos superiores al 80%, lo que es un porcentaje de acierto altísimo e impensado hasta hace poco tiempo atrás”.
Comenta el Gerente General de AIS que la Inteligencia Artificial está revolucionando aspectos clave para las entidades financieras, como son la gestión del riesgo y el marketing, con la transformación digital como telón de fondo. Con el crecimiento explosivo de los datos (Big Data) y la capacidad técnica de convertir estos datos en conocimiento, las entidades financieras pueden realizar una mejor segmentación de sus clientes, sofisticar sus métodos y obtener una mayor capacidad de predicción. Con esto, es posible mejorar la efectividad de los modelos analíticos en distintos frentes, desde la captación y fidelización de clientes, hasta la detección de fraudes.
Fernández señala que está mucho más generalizada la implementación de modelos Machine Learning en el ámbito de Marketing o temas comerciales. “Es bastante común asociar Machine Learning con chat bots, definición de perfiles de clientes, propensión de compra, etc. No obstante, el desafío más reciente fue su aplicación dentro de la industria financiera en ámbitos relacionados con la gestión del riesgo. Estos algoritmos solían ser cajas negras, que no eran factibles de ser aprobadas por el área de riesgo de un banco, y mucho menos, por el regulador. Durante los últimos años en AIS hemos invertido fuertemente en I+D para desarrollar metodologías que permiten documentar y transparentar su funcionamiento, lo que nos ha abierto las puertas para implementar estos modelos en el último tiempo dentro de ámbitos de riesgo y en bancos muy importantes de Chile, Perú, México y España, entre otros países.”
“Los modelos que usan técnicas de Machine Learning puede contribuir a ampliar el volumen de negocios, potenciar la productividad, disminuir el riesgo, mejorar los costos y la eficiencia operacional. El objetivo depende de las prioridades de cada institución”, indicó Fernández. “Lo que es claro es que estos modelos generan grandes impactos en resultados en todos los casos en los que hemos trabajado.”
Por ejemplo, en los modelos de admisión para banca empresas (rating) y para individuos (scoring) que clasifican mejor a los clientes en función a su riesgo, el uso de Machine Learning contribuye a potenciar el volumen del negocio y a disminuir el nivel de morosidad. Además, estas técnicas facilitan la creación de modelos de alertas preventivas para el seguimiento de carteras que permiten detectar clientes que poseen riesgo de deterioro futuro, favoreciendo la gestión temprana y el alineamiento con IFRS9.
Asimismo, los modelos de cobranza desarrollados con estas técnicas clasifican con grandes niveles de acierto a los morosos en función a la probabilidad de cobro, brindando información valiosa para el diseño de las estrategias de cobranza y maximizando los índices de recupero.
Más allá de la gestión del riesgo de crédito y la cobranza, el uso de Machine Learning beneficia también otro tipo de actividades. Es el caso de la valuación automática de inmuebles. Fernández aclara que en AIS han desarrollado un sistema que gracias a esta tecnología “revisa los movimientos que se han producido en el mercado inmobiliario, filtra esta información y aprende de ella para calcular el precio de venta de los inmuebles residenciales de la entidad. Todo ello sin intervención humana”. Es decir, estos modelos pueden estimar automáticamente el precio de las propiedades, evitando la necesidad de una tasación física, acortando sensiblemente los tiempos y reduciendo los costos para créditos hipotecarios. Actualmente esta tecnología está siendo implementada en un importante banco del país.
Elresidente de AIS Group, Ramon Trias, recuerda que la inteligencia artificial y las técnicas de Machine Learning existen desde hace décadas. “En AIS hace más de 30 años que generamos valor para las empresas con ellas, pero ahora están viviendo una nueva explosión”. Este es un fenómeno derivado de la suma de varios factores. Por un lado, los avances en hardware y software han logrado que la velocidad de cómputo de los ordenadores se haya multiplicado “los ordenadores de hace 30 años –dijo- eran 500.000 veces más lentos que hoy. Esto quiere decir que un cómputo que antes tardaba un mes, ahora está listo en apenas cinco segundos, que es un tiempo industrial”. Por otro lado, la eclosión del Big Data permite trabajar con más variables, lo que contribuye a mejorar ese poder de predicción. “Eso sí –concluye Trias- disponer de más información no quiere decir usarla toda, hay que saber dirimir qué variables son las más relevantes y realmente aportan valor al algoritmo. La inteligencia artificial es una gran ayuda, pero el papel del experto sigue siendo clave para dirigir el trabajo y constante aprendizaje de estos avanzados sistemas, que como todo, tiene sus limitaciones”.
Una parte notable dentro del éxito de los modelos Machine Learning es el hecho de que trabajan con grandes cantidades de datos, son ideales para explotar los enormes Big Data que suelen tener las entidades financieras. Pero su enorme potencia y capacidad para analizar las interacciones entre variables, les permite tener en consideración mucha más información, no teniendo que estar supeditados exclusivamente a la información interna de las entidades, sino que admiten la inclusión de nuevas fuentes como pueden ser estadísticas, redes sociales, indicadores económicos.
“En AIS hemos tenido muy en cuenta que a mayor conocimiento del cliente a través de mayor información con que nutrir los modelos de Machine Learning, ya sea para gestión del riesgo o para marketing, mayor poder de predicción presentarían, y por lo tanto mayor acierto y efectividad. Por ese motivo hemos desarrollado la solución Habits BigData en Chile, siendo el segundo país luego de España en donde se ha construido la solución”, revela Fernández. Habits BigData es una solución que consolida distintas bases de datos y permite explotar más de 600 indicadores sobre la población chilena. Esta información está georreferenciada y contiene datos, por ejemplo, sobre el nivel de ingresos medio de las familias en las distintas zonas del territorio chileno, volumen de población con determinado nivel de estudios, las condiciones sanitarias y económicas de los hogares, características de las viviendas, porcentaje de residentes de la zona que están bancarizados o que tienen un seguro de salud, etc.
“Se trata de información totalmente anónima que se obtiene de distintas fuentes públicas y que AIS trata mediante procesos estadísticos para poder ser utilizada para enriquecer los datos propios de las entidades financieras o las empresas. El objetivo es doble. Por un lado, obtener mayor conocimiento del cliente o de los potenciales clientes. Por el otro, poder alimentar los modelos Machine Learning encargados de predecir situaciones y comportamientos”, afirma Fernández.
