El sector financiero ha experimentado en los últimos años importantes procesos de crecimiento e integración, una continua y acelerada incorporación de nuevas tecnologías al negocio, y el despliegue universal del concepto de multicanalidad (cualquier operación, desde cualquier canal, en cualquier momento).
Como resultado de estos factores, las entidades financieras modernas manejan ingentes volúmenes de información de sus clientes, aquello que habitualmente denominamos Big Data. Las técnicas de análisis de esta información también evolucionan desde el análisis “ex-post”, que permite entender comportamientos pasados para extraer conclusiones, hacia un análisis “ex-ante” o preventivo, que permite predecir y, por qué no, lo que es más importante para el negocio: gestionar con anticipación lo que ha de suceder.
Frente al modelado estadístico tradicional, que encuentra relaciones básicamente lineales entre un número limitado de variables, las técnicas de Machine Learning permiten descubrir patrones ocultos en millones de datos con relaciones incluso no lineales. Además, se pueden crear sistemas que aprenden y se adaptan automáticamente a los nuevos patrones descubiertos.
Las técnicas de Machine Learning tienen una enorme aplicación en el sector financiero, en diferentes ámbitos:
- Negocio: detectar patrones de comportamiento en los datos de los clientes permite un conocimiento mucho mayor de los mismos, para diseñar y ofrecer soluciones más específicamente personalizadas.
- Riesgo: el análisis avanzado de variables independientes en los estados financieros proporciona información valiosa acerca del comportamiento de los niveles de incumplimiento en el riesgo de crédito.
- Fraude: la detección temprana se basa en el descubrimiento y detección automáticos de asociaciones y reglas que pueden significar patrones interesantes; en la creación sistemas expertos para codificar la experiencia; en el reconocimiento de clases, clusters o patrones de comportamiento sospechosos; en técnicas de aprendizaje automático para identificar dichos patrones, etc.
- Eficiencia: la identificación automática de patrones de comportamiento puede contribuir al uso más eficiente de recursos, como por ejemplo en los servicios de call center, en la previsión de averías, etc.
En el Sector Financiero, Machine Learning resuelve las siguientes cuestiones
- Segmentación avanzada de clientes, según su comportamiento.
- Definición de perfiles de gasto / ahorro.
- Definición del porfolio de productos óptimo para cada segmento.
- Venta cruzada de productos y servicios personalizados.
- Recomendación personalizada.
- Incremento del LTV (Lifetime Value).
- Prevención de fuga de clientes.
- Mejora en las decisiones de concesión de riesgo.
- Detección temprana de la morosidad, optimización del riesgo crediticio.
- Detección y prevención del fraude.
- Prevención de consultas e incidentes, y aceleración en su resolución.
Conclusión
El sector financiero se está viendo fuertemente afectado por la llamada Transformación Digital, que tiene su epicentro en el tratamiento avanzado de los datos. Es habitual encontrarse con instituciones financieras que tratan de almacenar muchos datos, pero pocas de ellas están sacando verdadero valor a los mismos, de una forma consistente.
Machine Learning es actualmente la herramienta más eficiente para extraer el jugo del Big Data. Supone, además, un cambio de paradigma en los sistemas de programación. Representa un salto significativo que lleva a los programas estáticos (respuestas idénticas a entradas iguales) nuevos escenarios en los que los programas aprenden autónomamente con el tiempo (y por tanto ofrecen respuestas diferentes en función de lo que van aprendiendo).
Los ejemplos indicados en este artículo son una pequeña muestra de las posibilidades existentes. Un trabajo conjunto entre las áreas de negocio y los científicos de datos permite abordar nuevos enfoques y aplicar soluciones realmente transformadoras.
