Cómo usar la inteligencia artificial para saber si tu ‘app’ está ayudando a tus clientes
BBVA ha llevado a cabo un estudio en España y en México que demuestra que los clientes que utilizan algunas de sus principales herramientas para gestionar su salud financiera ahorran un 11% y un 20% más, respectivamente. Pero, ¿cómo se ha asegurado el banco de que al calcular este ahorro han eliminado la influencia de otras variables, como que sean las personas más ahorradoras quienes más tiendan a utilizar estas funcionalidades? Para lograrlo, el banco ha utilizado dos modelos de aprendizaje automático e inferencia causal, una metodología estadística que detecta relaciones de causa-efecto complejas.
Correlación no implica causalidad. Este principio estadístico tan conocido define las distintas relaciones que se pueden establecer entre dos hechos. La correlación se refiere a que les une algún tipo de asociación, mientras que la causalidad implica en qué medida uno es la causa del otro. Un ejemplo muy famoso refleja lo fácil que puede ser confundirlos: “Cuando se comen más helados se producen también más ahogamientos en playas y piscinas; por lo tanto, comer helado aumenta la probabilidad de que las personas se ahoguen”. Esta es una premisa errónea desde el punto de vista causal, porque los dos hechos están correlacionados pero son otros factores, como el calor veraniego, los que hacen que aumente la probabilidad de que ocurran.
Aunque en este ejemplo es muy evidente dónde está la confusión, en otros casos puede serlo menos. En su estudio, BBVA quería comprobar si los clientes que usan sus herramientas de salud financiera ahorran más que los que no las utilizan. Pero en torno a este uso hay algunas correlaciones que era necesario eliminar de la ecuación, ya que a la hora de optar por gestionar el dinero a través de herramientas digitales influyen factores como la edad (los más jóvenes son más proclives a usar ‘apps’), los ingresos (a mayor nivel de ingresos, más tendencia a utilizar todas las opciones disponibles para gestionarlos) o el nivel de gasto (las personas más ahorradoras tienden a utilizar más las herramientas de ahorro).
Un método muy utilizado por las empresas para evaluar la utilidad de sus herramientas digitales son los tests A/B, en los que a un grupo de usuarios se le da acceso a las funcionalidades y a otro no, y se comparan los resultados. Pero esta metodología presentaba un problema para el estudio que quería realizar BBVA, ya que sus herramientas de salud financiera están disponibles para todos sus clientes en la ‘app’ y web y el banco no podía (ni debía) retirárselas a algunos de ellos para probar su hipótesis.
“Por este motivo, desde el equipo de Data optamos por utilizar inferencia causal, la metodología estadística que permite trabajar con relaciones causales complejas cuando no se puede utilizar experimentación controlada con otros métodos como los tests A/B”, explica Roberto Maestre, principal manager de Data en BBVA España y responsable de los equipos que han llevado a cabo el análisis. La inferencia causal requiere que el investigador identifique las variables llamadas ‘confusoras’ que podrían influir en el resultado y se deben descartar, en su caso BBVA estableció la edad, los ingresos y el nivel de gasto como variables confusoras por las razones ya comentadas. “A continuación, en lugar de analizar perfiles individuales, agrupamos dos usuarios similares en edad, patrimonio y nivel de gasto en una pareja de ‘gemelos’ que fue el objeto de análisis, porque solo se distinguían en que uno de ellos utilizaba las herramientas de salud financiera de la ‘app’ y el otro no”, continúa explicando Maestre. Este emparejamiento fue completamente anonimizado, ya que no se agruparon personas concretas sino perfiles socioeconómicos.
Para ejecutar el estudio, el equipo de Data analizó cada pareja de ‘gemelos’ con dos modelos de inteligencia artificial diferentes, una técnica conocida como ‘double machine learning’. Uno de los modelos se dedicó a determinar cómo influyen las variables confusoras en que uno de los miembros de cada pareja utilizara las herramientas de la ‘app’ de BBVA y el otro no. Con los datos de todos los pares de ‘gemelos’, se obtuvo el efecto comparado de cómo utilizar o no las funcionalidades dependía de su edad, sus ingresos y su nivel de gastos. En España, el análisis se centró en tres de las más utilizadas en la ‘app’: Movimientos Previstos, Mis Presupuestos y Objetivos de Gastos, mientras que en México se estudiaron las herramientas Mi día a día, BBVA Plan y Apartados.
El segundo modelo de aprendizaje automático predijo cómo los saldos en cuenta (es decir, un mayor o menor ahorro) deberían variar entre las diferentes parejas en función también de las variables confusoras, y contrastó esa predicción con el ahorro real.
La diferencia entre los resultados que arrojaron los dos modelos elimina la influencia de la edad, los ingresos y el nivel de gastos y da la tasa de ahorro que se debe únicamente al propio uso de las herramientas. En España es del 11% para las funcionalidades analizadas, y en México de hasta el 20%.
“Los resultados que obtenemos con inferencia causal no son la única medida con la que podemos ver cómo una herramienta digital impacta en la vida de los usuarios, ya que también tenemos que evaluar cuánto las utilizan y cómo de satisfechos están con ella”, afirma Roberto Maestre. “Pero, sin duda, en combinación con la inteligencia artificial, es una metodología muy potente para que las empresas consigamos que nuestra estrategia digital sea mucho más eficaz”.