El aprendizaje automático, indispensable para que los sistemas sean inteligentes, permite desarrollar predicciones basadas en datos, y está creando nuevas oportunidades de negocio. La banca en general, y BBVA en particular, ya está aprovechando las ventajas de esta tecnología para mejorar los servicios y productos para los clientes.
El ‘machine learning’ es una rama de la inteligencia artificial que permite a las máquinas aprender a realizar tareas por sí solas gracias a los datos. Esta tecnología ya está presente en las respuestas automáticas de correos electrónicos, asistentes virtuales, sistemas de reconocimiento facial o coches autónomos; y su avance también está teniendo un impacto en la industria bancaria.
En el caso de BBVA, se han distinguido cuatro grandes áreas en torno a las cuales se estructura la estrategia de desarrollo y mejora de productos basados en datos en los que se emplea el aprendizaje automático: automatización, personalización, interacciones máquina-humano y protección.
Servicios hechos a medida
Antes de la llegada del uso del aprendizaje automático en la banca (al igual que en otros sectores), los sistemas aplicaban decisiones de negocio basadas en reglas, y con una visión “parcial” de la huella digital de los clientes, que se encontraba muy compartimentada. De esta forma, era habitual que se aplicaran los mismos criterios para segmentos de clientes muy amplios. Ahora esto ha cambiado.
“Hoy en día tenemos una visión unificada de la huella del cliente en todas sus vertientes (estados financieros de múltiples cuentas, productos contratados, transaccionalidad, etc.), algo factible gracias a las nuevas plataformas de almacenamiento y procesamiento de datos. Esta mejora en las fuentes de datos, junto con las nuevas capacidades analíticas basadas en modelos de ‘machine learning’ que los combinan, aprenden de ellos y se recalibran con periodicidad, nos permite dar un tratamiento particularizado a cada cliente según su historial financiero específico”, dice Juan José Divasson, responsable de las iniciativas de personalización de servicios en BBVA AI Factory.
Además –añade–, las decisiones de negocio o de los gestores están cada vez más basadas en información generada mediante analítica avanzada. “En definitiva, usamos los datos de los clientes para añadirles valor a los servicios y productos que les ofrecemos, así ponemos de vuelta esa información en sus manos en forma de oportunidades y asesoramiento relevante”, afirma. De este modo, empresas y clientes particulares pueden tomar decisiones bien fundamentadas.
"La mejora en las fuentes de datos, junto con las nuevas capacidades analíticas basadas en modelos de ‘machine learning’, nos permite dar un tratamiento particularizado a cada cliente”
Reducir la incertidumbre
Según apunta Divasson, mejorar el servicio para los clientes y aumentar la productividad, con la consecuente reducción de costes, son las principales áreas a las que está dirigido el uso del ‘machine learning’ en la transformación del negocio bancario. Algunas de las medidas en las que ya se está trabajando en este sentido son una mayor personalización de los productos y servicios, “adaptados al estilo de vida de cada cliente”; o la mejora de los servicios financieros, “con una reducción de la incertidumbre, gracias a una valoración de riesgos basada en una huella digital ampliada del cliente”.
“También ponemos los datos y la inteligencia artificial al servicio de los gestores del banco que atienden diariamente a nuestros clientes, lo cual les libera de las gestiones más básicas, para que puedan centrar sus esfuerzos en aquellas cuestiones que mayor valor aportan al cliente”, añade Ángela Gonzalo, responsable de interacciones máquina-humano en BBVA AI Factory.
En cuestiones de productividad las acciones van dirigidas, sobre todo, a automatizar operaciones sencillas y recurrentes, ofrecer soporte a los gestores de banca en su día a día, facilitar el autoconsumo en el acceso a la información y a las operaciones, y, entre los puntos más críticos, proporcionar mayor seguridad.
Detección de fraude
Este último punto tiene un claro ejemplo en el caso de la detección del fraude, un problema que plantea un reto difícil, ya que tan solo se produce un caso por decenas de miles que no lo son. “De ahí que se utilicen técnicas, como la identificación de anomalías u otro tipo de modelos de reconocimiento de patrones [aprendizaje no supervisado], que funcionan muy bien con este tipo de problemas”, apunta Javier López Peñalver, program manager en AI Factory de BBVA. “También es muy común aplicar previamente sobre los datos métodos que ajusten su distribución [aprendizaje supervisado] y, así, conseguir un mejor equilibrio entre las clases (fraude, no fraude)”, añade.
El año pasado, BBVA trabajó con un equipo de investigadores del Massachusetts Institute of Technology (MIT) en el desarrollo de un modelo que puede reducir en un 54% el nivel de falsos positivos en la detección de operaciones fraudulentas con tarjeta, gracias a algoritmos basados en ‘machine learning’. El nuevo enfoque, bajo la denominación de ‘Deep Feature Synthesis’, permitió extraer más de 200 nuevas características adicionales de cada transacción, que sirvieron para describir con mayor detalle el comportamiento de las operaciones con tarjeta y permitieron mejorar los resultados de los motores de detección.