CONSULTORÍA

APLICACIONES

DE MACHINE LEARNING EN LA BANCA

MACHINE LEARNING ES LA APLICACIÓN DE TÉCNICAS COMPUTACIONALES

Y ESTADÍSTICAS A LA AUTOMATIZACIÓN DE TAREAS, MEDIANTE LA BÚSQUEDA DE PAUTAS

EN LA INFORMACIÓN. S egún estimaciones de IBM, 90% de toda la información en la historia se ha creado en los últimos dos años. Los sistemas de cómputo tradicionales requieren programar explícitamente las reglas del negocio o problema que se va a tratar; en cambio, mediante machine learning, el proceso mismo infiere dichas reglas y encuentra relaciones que para un humano sería difícil hallar, y lo hace con mayor prontitud.

A continuación, mostraremos ejemplos de la aplicación de machine learning en la banca, aunque varios de ellos son aplicables a empresas de cualquier sector. DETECCIÓN DE FRAUDES Y LAVADO DE DINERO ¿Cómo detectar operaciones inusuales? Una operación de cierto monto puede ser normal para un cliente e inusual para otro. A partir de las características de la transacción, de los participantes y su comportamiento histórico, es posible detectar de manera automática anomalías potenciales, que el personal del banco analiza posteriormente. De esta manera se reduce el número Jacobo Pérez Schwartz*

de operaciones que deben revisarse, así como los tiempos, errores y costos. Mediante este proceso pueden prevenirse fraudes y se combate a la delincuencia organizada.

SOLICITUDES DE CRÉDITO Si contamos con una base de datos histórica de créditos, sus características, la información del cliente y si pagó o no, es posible inferir con alta probabilidad el comportamiento futuro de una nueva solicitud de crédito. La forma tradicional de automatizar este proceso consiste en establecer reglas a partir de los datos del cliente, como su edad, escolaridad, ingresos, saldo y monto del crédito. Mediante machine learning, dichas características se alimentan al proceso, y este encuentra similitudes entre clientes e infiere la probabilidad de pago. Si los bancos mejoraran la calidad crediticia de sus préstamos, podrían disminuir el riesgo de incumplimiento, con lo cual reducirían sus tasas y atraerían una mayor clientela.

CHATBOTS ¿Has notado que las traducciones de Google son cada vez mejores?

Jacobo Pérez

Schwartz es administrador de riesgos en Credit

Suisse y profesor de Derivados en la Maestría en Finanzas de la Universidad Anáhuac México.

Mediante natural language processing, las computadoras se acercan más a la posibilidad de entablar comunicación con humanos. Mediante los chatbots, la banca busca mejorar la comunicación con sus clientes y resolver los problemas más comunes. Están disponibles 24/7, son más económicos, y sus respuestas son más consistentes que las de un helpdesk. Además, en lugar de requerir que los clientes capturen múltiples campos con información, mediante un chatbot el banco puede obtener los datos en menor tiempo y con una mejor experiencia para el cliente.

Bank of America puso en servicio su chatbot “Erica” en 2017, que alerta a clientes si sus hábitos de consumo pueden llevar su balance a cero, a partir de un análisis predictivo sobre su historial. Tiene diversas funcionalidades, como un recordatorio de pagos o si el monto de pagos recurren

Bank of America puso en servicio su chatbot “Erica” en 2017, que alerta a clientes si sus hábitos de consumo pueden llevar su balance a cero, a partir de un análisis predictivo sobre su historial.

tes es mayor a lo habitual. “Erica” atendió a seis millones de usuarios en marzo de 2019. 1

Algunos estudios muestran la tendencia creciente en el uso de chatbots, principalmente entre los millennials. Según una encuesta de 2018, siete de cada diez millennials utilizan el soporte a clientes basado en inteligencia artificial al menos una vez a la semana. 2 ¿Conoces a Siri de Apple, o Alexa de Amazon?

PROCESAMIENTO DE DOCUMENTOS ¿Cómo manejan los bancos la gran cantidad de documentos que proporcionan los clientes? Los formatos escritos a mano o las fotocopias de documentos se procesan mediante reconocimiento de imágenes; los programas extraen información de dichos documentos con mucha mayor velocidad y precisión que los capturistas, disminuyendo costos y errores.

Por ejemplo, JPMorgan desarrolló Contract Intelligence (COiN) en 2017, buscando agilizar el análisis de documentos legales. Cada año, el banco analiza 12 mil contratos crediticios, lo cual toma 360 mil horas, pero COiN es capaz de hacerlo en segundos. 3

UBICACIÓN DE ESTABLECIMIENTOS Supongamos que un banco desea abrir sucursales en una ciudad, y busca determinar su ubicación de tal forma que minimice la distancia que deben recorrer sus clientes potenciales. El algoritmo de machine learning que se aplica en estos casos se conoce como K-means. El algoritmo asigna aleatoriamente las ubicaciones y decide qué sucursal es la más cercana para cada cliente. Posteriormente, mueve cada sucursal al entorno de los clientes. Es probable que, con este movimiento, algunos clientes cambien de sucursal. Se aplica el algoritmo de manera iterativa hasta que encontramos una ubicación óptima para cada sucursal, que minimice la distancia a sus clientes. Este proceso puede aplicarse a cadenas de suministro, centros de distribución y de atención al cliente, logística, centros de salud y educativos, entre otros.

RETENCIÓN DE CLIENTES Si tenemos información histórica de los clientes al momento de cancelar un producto o servicio, podemos hacer clustering junto con los clientes actuales, que estamos en riesgo de perder. Si analizamos los motivos de dichas cancelaciones, podemos contactar a los clientes actuales para solucionar el problema antes de que sea demasiado tarde. Este enfoque proactivo puede mejorar la relación con los clientes e incrementar las oportunidades de negocio.

RECOMENDACIÓN DE PRODUCTOS ¿Te has preguntado cómo Netflix te recomienda una película, o Amazon algún producto? Existen dos enfoques: el primero consiste en obtener las características de productos que ya tengas o que hayas calificado positivamente, luego encuentran similitudes con otros productos que pudieran interesarte. El segundo

SEGMENTACIÓN DE CLIENTES Mediante técnicas de clustering de machine learning, las empresas pueden agrupar a sus clientes según sus atributos de manera automática, sin necesidad de establecer reglas de negocio. Los ejecutivos pueden analizar las características de dichos grupos y ofrecerles productos apropiados, incrementando las ventas. ¿Estás cansado de que una y otra vez te ofrezcan productos no adecuados para tus necesidades? Mediante la adopción de machine learning , las empresas pueden reducir el desgaste y la molestia para el cliente, además de reducir costos al enfocar los esfuerzos de venta, y mejorar la relación con los clientes.

El machine learning es posible gracias a los avances continuos en la inteligencia artificial.

enfoque es encontrar usuarios con gustos similares a los tuyos y observar los productos que esas personas adquirieron, los cuales, con buena probabilidad, serán de tu interés. Aplicando machine learning es posible ofrecer productos adecuados a los clientes, anticipar sus necesidades y mejorar la relación con ellos.

SENSIBILIDAD DE LOS CLIENTES A LOS PRECIOS ¿Cómo entender el comportamiento de nuestros clientes? Si empleamos el clustering a los clientes, variando las características o el precio de nuestro producto, mediante su respuesta a dichos cambios entenderemos a qué prestan atención los clientes sobre nuestra relación calidad/precio, y podremos rediseñar nuestros productos a partir de este aprendizaje.

SENTIMENT ANALYSIS – OPINIONES DE CLIENTES Cada vez es más importante la opinión de las personas sobre nuestros productos o servicios. Cuando reservamos un cuarto de hotel o compramos un producto en línea, leemos reseñas, opiniones y blogs, y estos influyen fuertemente nuestra decisión. Si somos proveedores de servicios ¿cómo podemos analizar las opiniones de nuestros clientes? Nuestros community managers pueden leer una cantidad limitada de opiniones al día, y contratar muchos ejecutivos es oneroso. Sentiment analysis es una rama del natural language processing con la que buscamos saber si un comentario es positivo, negativo o neutro. De esta manera, los community managers se enfocan en

agradecer los comentarios positivos y en dar atención personalizada a los clientes que dejen comentarios negativos, con lo que estos clientes podrían cambiar su percepción, y el resto de los lectores observarán que la empresa se preocupa genuinamente por sus clientes; así, es posible aprovechar un evento negativo para nuestro beneficio.

SENTIMENT ANALYSIS – ANTICIPAR MOVIMIENTOS EN EL MERCADO Es posible obtener automáticamente comentarios en redes sociales, entre ellas Twitter, sobre empresas que coticen en la bolsa. Si nuestro proceso encuentra que desde hace poco hay mayor cantidad de comentarios negativos que positivos, quizá sea el momento de vender y anticipar una potencial caída de su valor. De manera similar, podemos buscar empresas con opiniones mayoritariamente positivas y adquirir sus acciones. Podemos también analizar rápidamente publicaciones de empresas y bancos centrales, comparando el sentimiento de documentos recientes con respecto a la versión anterior e intentar inferir los movimientos del mercado.

CONCLUSIÓN Si analizamos qué empresas emblemáticas triunfan en la actualidad, ya sean Google, Amazon, Netflix o IBM, observaremos que su éxito se debe principalmente al machine learning . La banca invierte cada vez más recursos en la ciencia de datos para obtener ventajas competitivas y reducir costos. Como cualquier técnica estadística, los resultados dependerán fundamentalmente de la calidad y cantidad de la información proporcionada, y por eso los data scientists dedican gran parte de su tiempo a la obtención y limpieza de la información. Aunque los algoritmos de machine learning no son nuevos (de hecho, sus orígenes están en la década de 1950), la revolución que vivimos es resultado de los grandes avances en procesamiento, comunicaciones, capacidad de almacenamiento, información disponible y el internet.

NOTAS 1 https://www.aspect.com/ globalassets/files/ebooks/2018_ Aspect_Consumer_Experience_ Index_Results.pdf 2 https://emerj.com/ai-sectoroverviews/ai-in-banking-analysis/ 3 https://emerj.com/ai-sectoroverviews/ai-in-banking-analysis/

*JACOBO PÉREZ SCHWARTZ Es profesor de Derivados en la Universidad Anáhuac México.

LIBROS

Finanzas Básicas Domina el lenguaje. Decide con datos. Gestiona correctamente.

Por Harvard Business Review

Es común que los directivos corporativos no manejen el lenguaje de las finanzas o lo hagan de manera limitada. En “una muestra representativa de directivos estadounidenses, la puntuación media fue sólo del 38%”. Así que no hay que temer al desconocimiento del ámbito financiero; hay que enfrentarlo. En principio hay que comprender los conceptos fundamentales, así como los tres tipos principales de estados financieros. Después, hay que conocer y emplear las herramientas básicas del mundo financiero para la toma de decisiones. Finalmente, hay que estar alerta para gestionar adecuadamente, según las circunstancias y acorde con la ciencia y el arte de las finanzas. El mundo de las finanzas ofrece diferentes tipos de documentos y herramientas que ayudan a realizar esta tarea, además de que apoyan a los directivos en la toma de decisiones y a desarrollar una mejor gestión de la compañía.

Lo más importante para invertir con sentido común Por Howard Marks

Las inversiones tienen mucho en común con el arte; ambos requieren enfoques intuitivos y flexibles. A diferencia de la ciencia pura, en la que los profesionales pueden replicar los resultados sistemáticamente, los inversores nunca pueden “rutinizar” su éxito. Si quiere resultados que batan los promedios del mercado, debe cultivar una perspicacia superior. Los grandes inversores aprenden a razonar de forma diferente al resto de la manada. Desarrollan un pensamiento de segundo nivel, una forma de actuar y separar para analizar la información que se desvía de la norma. El pensamiento de segundo nivel requiere consideraciones meditadas de los posibles resultados, probabilidades y expectativas, así como el entendimiento de cómo evaluar el precio actual de las acciones en relación con futuros escenarios. Sin embargo, la mayoría de los inversores son pensadores de primer nivel, que siguen a la multitud y consideran solo los factores obvios.

Inversiones en objetos coleccionables para inversionistas con un alto valor neto Por Stephen Satchell

Los asesores financieros y administradores de fondos se sienten cómodos con los medios de inversión tradicionales, tales como acciones y bonos y, tal vez, bienes raíces. Sin embargo, un creciente número de individuos adinerados está explorando caminos alternativos para hacer inversiones rentables, incluyendo los objetos coleccionables. Por consiguiente, las casas de inversión y los administradores de fondos deben familiarizarse con el arte, la filatelia, los vinos, los libros, los autos clásicos, y demás para poder asesorar bien a los clientes que quieren saber si sus adquisiciones les darán o no utilidades. La recopilación de Stephen Satchell de ensayos especializados de diversos expertos en objetos coleccionables distintos – y en la psicología que motiva a los compradores – no es una lectura superflua, sino una muy útil para los administradores de fondos cuyos clientes quieren ganar dinero con la colección de estampillas de la abuela.