¿Para qué usa la banca la inteligencia artificial?

El conjunto de la banca española no está apostando por igual en inteligencia artificial. Mientras las entidades más grandes están plenamente inmersas en sus proyectos de transformación digital, donde la inteligencia artificial tiene un papel muy relevante, hay un gran número de entidades que ni siquiera se han planteado todavía su uso. La mayoría son entidades financieras más pequeñas que ya se sienten cómodas con su forma de operar actual. Sin embargo, esta situación cambiará en los próximos años, pues la aplicación de estas tecnologías tiene un fuerte impacto en el negocio financiero, tanto en lo que se refiere a la captación y fidelización de los clientes como en el control del riesgo, y en consecuencia, en su cuenta de resultados. Así lo ha declarado José Manuel Aguirre, economista y director comercial de AIS Group, empresa especializada en la aplicación de inteligencia artificial para la transformación digital de sectores como el financiero. “La inteligencia artificial será en los próximos años uno de los ejes sobre los que la banca apoyarán su innovación”, asegura el ejecutivo.

Machine learning

Según AIS Group, la Inteligencia Artificial (IA) y el Machine Learning (aprendizaje automático) son uno de los mejores aliados de la banca en el momento actual. Estas técnicas avanzadas multiplican la capacidad de predicción de los modelos tradicionales de marketing y gestión del riesgo, lo que permite a los bancos ser mucho más eficaces y eficientes a la hora de captar clientes de un determinado perfil de riesgo, realizar acciones de venta cruzada, calcular el valor del cliente, evitar la morosidad e incluso, realizar valoraciones automáticas de su cartera de inmuebles. Una de sus principales cualidades es que facilita el tratamiento de grandes bases de datos, estructuradas y no estructuradas, para encontrar interrelaciones entre esos datos que las técnicas tradicionales no permitían. De ahí el incremento de su poder de predicción.

Los ejes principales de la inversión

“La inversión actual de los bancos y fintechs que sí están implementando soluciones de IA a sus procesos, se estructura en torno a tres ejes principales: el análisis del comportamiento del cliente, la gestión del riesgo y la valoración automática de sus inmuebles. En AIS no sólo conocemos la tecnología, también conocemos muy bien el negocio y la actividad financiera, y esta doble faceta nos permite generar valor. Así ponemos especial énfasis en la innovación constante y reforzamos nuestras herramientas para no sólo dar respuesta a los intereses de las bancos, sino para lograr paralelamente reducir costes y mejorar la productividad de las entidades”, comenta Aguirre.

Actualmente, más de la mitad de la inversión (alrededor del 55%) que realizan los bancos que están aplicando técnicas de inteligencia artificial a sus procesos se va a los departamentos de Marketing y se dirigen a acciones encaminadas a conocer mejor al cliente para mejorar su experiencia de usuario.

El análisis del comportamiento del cliente se orienta especialmente a la captación y la fidelización de los clientes. El motivo de que la inversión en esta área sea mayor se explica por el hecho de que al tratarse de modelos que se utilizan desde las áreas de Marketing o Comercial, no tienen que someterse al control del supervisor (Banco de España en el caso español) y son proyectos con un alto componente de innovación.

En este sentido, AIS Group aboga en sus soluciones y proyectos por aprovechar la gran cantidad de datos disponibles tanto de los propios canales de los bancos y su operativa como de fuentes externas, como indicadores sociodemográficos, geo caracterización, geo localización, etc. A ellos se suman los agregadores de cuentas y los PFMs (Personal Financial Manager). Se trata de herramientas y metodologías que permiten analizar en forma automática los flujos de fondos financieros, es decir, los ingresos y gastos tanto de personas como de empresas en todos los bancos de los que son clientes. Esta información sólo es accesible si el titular de las cuentas lo permite y facilita una clave de lectura para poder tratar los datos. Los detalles de los movimientos y transacciones de las cuentas se categorizan para poder, por ejemplo, tener un perfil más ajustado de cada cliente y conocer mejor así sus gustos, evaluar su comportamiento y calcular cuánto queda disponible para hacer pagos de cuotas o préstamos. “Es una forma muy fiable de conocer al cliente, esté más o menos vinculado con la entidad, y proporciona una información muy valiosa para construir modelos de venta cruzada, de propensión de compra, para lanzar campañas de pre concesión de créditos, ofertas a medida de cada cliente, etc.”, comenta el director comercial de AIS Group.

Inteligencia artificial para controlar el riesgo de crédito

La aplicación de herramientas de última generación basadas en técnicas de inteligencia artificial -como el machine learning- para la estimación anticipada de potenciales pérdidas futuras en escenarios macroeconómicos adversos está siendo muy exitosa como medida preventiva en las entidades que las están implementando. Este tipo de software permite visualizar diferentes escenarios futuros y simultáneamente desarrollar modelos que incluyen una cantidad de variables mucho mayor que las técnicas habituales con las que vienen trabajando las entidades. El resultado es que con la aplicación de machine learning se mejora sustancialmente la capacidad predictiva de los modelos estadísticos tradicionales. “El rango de mejora del poder de predicción que aporta el machine learning abarca del 25% al 50%, lo que traducido a términos de negocio son cantidades nada despreciables”, explica el economista.

A pesar de que entre el 15% y el 20% de la inversión en inteligencia artificial de los bancos va a soluciones gestión del riesgo, esta área es algo más reacia a la introducción de técnicas como machine learning. Los modelos machine learning utilizan muchas más variables que los tradicionales y son capaces de encontrar interrelaciones que una persona podría no encontrar nunca, de ahí que tengan un alto grado de acierto y un poder de predicción mucho mayor. Esa es su gran ventaja pero a la vez su mayor handycap en su aplicación en riesgos, pues en este caso, los modelos de riesgos sí están muy sujetos al control del regulador, especialmente desde la pasada crisis financiera, y hay que vencer la sensación de cajas negras de funcionamiento desconocido. “AIS Group ha resuelto este problema desarrollando herramientas que permiten recorrer el camino que lleva a estos modelos a determinado resultado, por lo que su utilización en el control del riesgo es también altamente recomendable”, aclara Aguirre.

Según AIS Group, aunque la gestión del riesgo no es el área donde mayor inversión se está produciendo en cuanto a innovación en machine learning, esto no supone que la banca no esté invirtiendo en estas técnicas en el control de riesgos, entre otras razones porque son muy precisas y tienen un alto retorno. “La tendencia actual -indica el ejecutivo- se orienta más al seguimiento de carteras y a la recuperación de créditos impagados que a la evaluación de las solicitudes de créditos”.

La fase de seguimiento se considera especialmente crítica. Desde la implantación de la normativa internacional IFRS9 a la que está sujeta la banca, es muy importante ser capaz de anticiparse lo máximo posible y detectar cuanto antes las señales de posible deterioro de las carteras y los clientes, pues de otro modo, si se produce deterioro, impagos y cambios de estado (según la terminología IFRS9), puede traducirse en la necesidad de mayor dotación de capital, “algo que los bancos han tratado de evitar hasta ahora”, recuerda Aguirre. “La aplicación de las técnicas de machine learning –añade– nos ha permitido aplicar sistemas de alertas que nos avisan de los primeros indicios de deterioro con hasta 5 meses de antelación a que se produzca un impago real. Eso significa que hay tiempo material de actuar y impedir así efectivamente el impago y, por lo tanto, evitar el incremento de la dotación de capital”.

La valoración automática de inmuebles es el tercer campo donde banca y servicers vinculados a las entidades financieras están destinando buena parte de su presupuesto en inteligencia artificial. Aquí existe una apuesta fuerte por la tecnología y, especialmente, por las técnicas machine learning, para poder calcular el precio de mercado de todos los inmuebles teniendo en cuenta sus características, su localización, los inmuebles similares vendidos en la misma zona, etc. Llevar a cabo esta tasación de forma presencial resultaría muy gravoso y dado que el regulador exige a la banca que realice de forma regular una tasación de todos sus inmuebles en garantía de créditos, las entidades están recurriendo a sistemas inteligentes que de manera automática les faciliten el precio de mercado de toda la cartera inmueble por inmueble. Estas herramientas tienen otras funcionalidades como el cálculo de la elasticidad del precio de venta, de modo que se mantenga dentro del rango de rentabilidad deseado.

“En AIS Group hemos desarrollado sistemas de valoración automática de inmuebles (AVM) con gran éxito para varios actores en España, aunque uno de los proyectos del que nos sentimos más orgullosos es del trabajo realizado para Sociedad Hipotecaria Federal en México, para quien hemos desarrollado el índice oficial de precio de la vivienda del país”, revela Aguirre.

La inversión en valoración de inmuebles supone entre el 5% y el 10% de lo destinado a IA por las entidades españolas.

La parte restante de la inversión en inteligencia artificial que realizan las entidades bancarias que sí destinan recursos a estos sistemas se va principalmente a temas vinculados con ciberseguridad, la detección del fraude, la protección de sistemas y datos, chatbots, etc.