Compañías financieras: ¿cómo migrar a modelos de Machine Learning?
Si hay un sector que está avanzando velozmente en la transformación digital es el financiero. Y es lógico, en un contexto cada vez más competitivo, con la evolución de la sociedad en general hacia lo digital y generaciones de clientes que demandan nuevos servicios, quedarse atrás no es una opción. En la búsqueda de la innovación y la optimización muchos gerentes de TI de instituciones financieras están comenzando a mirar con mucho interés tecnologías como machine learning. Pero ¿Qué debe tener en cuenta un banco en materia de infraestructura para implementarlo?
Como primera medida, deben darle un orden al Big Data. Big Data es en sí un conjunto enorme de datos que se caracterizan por el gran volumen de información, pero también por el hecho de que esta información está desestructurada (es decir, no tiene forma de tabla en filas y columnas con elementos y características) y que además es de naturaleza muy diversa (cabe texto, imagen, gráficos, sonido, tablas, etc). Por eso, deben crear un gobierno de datos; esto implica asegurar la calidad de los datos, definir una estrategia para gestionarlos e incorporar tecnologías que permitan estructurarlos. Todas las empresas saben que los datos son clave pero muchas aún no los administran y almacenan de formas eficientes.
El segundo paso, tiene que ver con recurrir a técnicas como machine learning para poder explotar toda la información que nos brinda un Big Data. En el sector bancario, los modelos de machine learning permiten clasificar mejor el riesgo de las personas y empresas (clientes y no clientes) simplificando por ejemplo la concesión de un crédito, optimizar el seguimiento de las carteras detectando con antelación señales de un posible impago, tasar automáticamente inmuebles con un alto grado de éxito y en menor tiempo, prevenir el fraude y maximizar los resultados en el recupero de créditos. Un aporte clave de machine learning es que son sistemas que aprenden, por lo tanto, otorgan al sector una mayor automatización y la capacidad de estar siempre actualizados. Estos modelos pueden implementarse con infraestructura propia o como un servicio.
La realidad de los bancos está siendo definida por la transformación digital. Y en este sentido machine learning aporta mayor precisión y mayor capacidad de acierto, lo que contribuye a una mayor anticipación en la toma de decisiones que permite apalancar el cumplimiento de los objetivos de la organización. Una vez más, la tecnología se presenta como una aliada para llevar la productividad y la atención al cliente al siguiente nivel.
