AIS Group, solución para la banca argentina
Elias Bethencourt, director de la consultora AIS Group, explica: ‘Las técnicas de Machine Learning representan un salto trascendental en el poder de predicción en los modelos de la banca’, y agrega:‘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’.
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 –señala el ejecutivo de AIS Group- ‘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. ’
¿Con qué 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.”
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, 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. 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?
Ramon Trias, presidente de AIS Group, 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 –dijo- 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”.
