Cada vez que interactuamos en las redes sociales, utilizamos la navegación GPS o nos comunicamos con nuestros dispositivos móviles generamos datos. Miles y miles de datos que llamamos Big Data, y que son una gran fuente de oportunidades en multitud de ámbitos.

Uno de los más beneficiados, como ya comentamos en un artículo anterior, es el sector financiero y bancario. Y es que, si hablamos de datos, el mundo financiero acumula información sobre clientes, transacciones, facturas, transferencias y otras muchas operaciones que suceden a toda velocidad 24 horas al día en todo el mundo.

Pero, ¿qué hacer con todo ese volumen ingente de datos financieros? ¿Es posible ir más allá del análisis y predecir lo que va a ocurrir para elaborar mejores estrategias de negocio?

Machine Learning: aprendiendo de los datos para tomar mejores decisiones

Entendemos por Machine Learning o aprendizaje automático la rama derivada del Big Data y la Inteligencia Artificial que utiliza modelos estadísticos para obtener información y hacer predicciones.

Los resultados serán mejores y más precisos en función de la cantidad de datos, y una de las características clave del Machine Learning es su capacidad de aprender por sí mismo y modificarse según la experiencia adquirida, de manera casi autónoma, sin necesidad de una programación continuada.

¿Cómo aprovecha el sector financiero el Machine Learning?

Estas son algunas de las principales aplicaciones del Machine Learning en el ámbito financiero:

Mejorando la productividad

Los algoritmos del Machine Learning permiten procesar los datos a tiempo real y obtener resultados útiles con gran rapidez, y esto es algo muy útil en los mercados financieros, que operan 24 horas al día.

Esta rapidez se traduce en una mejor productividad, es decir, la obtención de mejores resultados con menos recursos.

Además, la precisión y objetividad de los resultados es mayor con el aprendizaje automático. Aunque sigue siendo necesario la mirada y el análisis humano, los algoritmos son más efectivos y menos propensos a errores.

Automatizando procesos

Muchas de las tareas manuales repetitivas (como el procesamiento del lenguaje natural o el reconocimiento de imágenes) tienen un coste muy elevado sin aportar apenas valor añadido. Y son estas tareas repetitivas, precisamente, las que puede realizar con gran efectividad el Machine Learning.

Esta automatización permite no solo optimizar costes, sino que también sirve para ampliar los servicios y mejorar la experiencia de los clientes. Algunos ejemplos son los call center automatizados, los trámites agilizados, la formación de empleados con gamificación o la implementación de chatbots.

Según una estimación realizadA por Juniper Research, el sector bancario se ahorrará 7,3 billones de dólares con el uso de chatbots en 2023 : equivalen a más de 800 millones de horas de trabajo de teleoperadores.

Además la automatización facilita una mejor gestión del talento: los empleados pueden dedicar su tiempo y habilidades al análisis, en lugar de a tareas mecánicas, aumentando su motivación y por lo tanto su eficiencia y productividad.

Limitando el fraude y el riesgo de crédito

Los algoritmos de aprendizaje automático son perfectos para detectar con gran precisión fraudes y comportamientos fraudulentos. Pueden evaluar si una actividad u operación concretas son características de un cliente (según la localización, la cantidad, los hábitos de compra, etc.), o si por el contrario suponen un comportamiento sospechoso, pidiendo en ese caso una identificación adicional para validar, por ejemplo, una transacción.

Según un modelo desarrollado por BBVA junto a investigadores del Massachusetts Institute of Technology (MIT), se puede reducir en un 54% el nivel de falsos positivos en la detección de operaciones fraudulentas con tarjeta.

Este mismo análisis predictivo también se utiliza para el análisis del riesgo crediticio de los clientes. A partir del análisis del comportamiento y los datos de un cliente, los algoritmos pueden predecir las probabilidades de incumplimiento de pago y asignar a cada cliente una calificación crediticia con mucha mayor precisión.

Un ejemplo es la plataforma Destacame, que accede a la información de pago de facturas de las empresas de servicios públicos de Chile y  genera una puntuación de crédito para clientes que tienen poco historial de crédito. Si un cliente es buen pagador de esos servicios estará en la parte alta del ranking y será un cliente potencial con menor riesgo crediticio.

Scienaptic Systems, por ejemplo, es una empresa especializada en inteligencia artificial que consiguió ahorrar una empresa líder en tarjetas de crédito, más de 150 millones de dólares en tan solo tres semanas, disminuyendo el riesgo de impago y/o fraude gracias al aprendizaje automático.

Penetración del Machine Learning y desafíos

Con todas estas ventajas, no es de extrañar que el sector financiero sea uno de los que más y mejor está aprovechando el rápido desarrollo del Machine Learning.

Según la encuesta “Smarter Humans. Smarter Machines”, elaborada en 2019 por Refinitiv y donde se entrevistaron a 450 profesionales financieros de América del Norte, Europa y Asia, el 90% de los altos ejecutivos y expertos en Big Data ya lo han implementado en su estrategia empresarial. Una cifra que tiene aún más valor si se compara con los mismos datos del 2017: solo en dos años lo habían implementado el 28%, según una investigación de Priceonomics Data Studio.

El mismo estudio también refleja los principales desafíos y dificultades a los que se enfrenta el avance del Machine Learning.

Por un lado, está el desafío de mejorar la calidad de los datos, ya que de nada sirve acumular mucha información si esta no es lo suficientemente refinada y útil. La procedencia de datos de múltiples fuentes (aplicaciones de banca móviles, cajeros automáticos, etc.) convierte en imprescindible la tarea de ordenar y coordinar todos esos datos.

Por otro lado, está el problema de la escasez de ingenieros y expertos en esta especialidad del Data Science. Según un estudio de MMC Ventures del 2019, la contratación de personales con las aptitudes adecuadas para el Machine Learning no es fácil, y como consecuencia, el reto no es solo la atracción de talento, sino su retención.