Machine learning aumentará en más de un 50% el acierto de los modelos de la banca

Las técnicas de Machine Learning representan un salto trascendental en el poder de predicción en los modelos de la banca. Muchas instituciones financieras en Argentina se encuentran, con distintos grados de avance, llevando adelante procesos de digitalización. En este marco, la implementación de modelos Machine Learning se tornará, en el corto plazo, en un factor estratégico para la competitividad”, afirma Elías Bethencourt, Director de la consultora AIS Group.

Según Bethencourt, 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. Estos resultados quedan reflejados en el Índice Gini, la medida de exactitud más utilizada en este campo, que, de acuerdo con el ejecutivo “pasa del 50% o 60% a situarse en rangos superiores al 90%, lo que es un porcentaje de acierto altísimo e impensado hasta hace poco tiempo atrás”.

¿En qué ámbitos se pueden aplicar?

Bethencourt señala que la aplicación de modelos Machine Learning en el ámbito de Marketing o temas comerciales, se encuentra más generalizada: “Desde hace un tiempo, es normal pensar en Machine Learning para chat bots, definición de perfiles de clientes, propensión de compra, etc. El desafío más reciente fue su aplicación dentro de instituciones financieras 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”.

“En AIS hemos logrado desarrollar a través de una importante inversión en I+D metodologías para 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 España, México y Chile, entre otros países”, agrega el ejecutivo.

¿Con que objetivos se utilizan?

El director de AIS Group en Argentina comenta que los objetivos pueden ser variados: ampliar el volumen de negocios, potenciar la productividad, disminuir el riesgo, mejorar los costos y la eficiencia operacional, depende de las prioridades de cada institución. “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, permite la creación de modelos de alertas preventivas para el seguimiento de carteras que permiten detectar clientes que poseen riesgo de deterioro futuro, facilitando 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. Bethencourt 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, los modelos tasan automáticamente las propiedades, evitando la necesidad de una tasación física, acortando sensiblemente los tiempos y reduciendo los costos para créditos hipotecarios.

¿Por qué ahora?

El presidente 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 eran 500.000 veces más lentos que hoy. Esto quiere decir que un cómputo que antes tardaba 1 mes ahora está listo en apenas 5 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, 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”. 

¿Cómo es el desarrollo en Argentina?

Bethencourt destaca que “para la aplicación dentro de bancos en ámbitos relacionados al riesgo, estamos abriendo el camino. Somos los primeros en aplicar esta tecnología en nuestro país, luego del gran éxito que nos ha generado en Europa y en otros países dentro de nuestra región”.

Según el directivo de AIS, en Argentina existe mucho interés en instituciones financieras en el desarrollo de estos modelos para admisión, tanto para individuos como para empresas. “También vemos una fuerte necesidad para el segmento hipotecario, donde ya estamos trabajando en experiencias muy relevantes para automatizar las tasaciones”, añade.

La ganancia y el impacto en la gestión que produce esta tecnología (aplicada de la manera adecuada) es tan importante que desde AIS Group vaticinan que la gran mayoría de instituciones, sobre todo, las más competitivas en sus procesos de digitalización, implementarán modelos de Machine Learning en el corto plazo.