¿Qué algoritmos de inteligencia artificial utiliza BBVA para impulsar las finanzas de sus clientes?
Redes neuronales, procesamiento de lenguaje natural, aprendizaje automático… La IA es un colaborador esencial de BBVA para ayudar a sus clientes a administrar su ahorro, gestionar sus inversiones, analizar su consumo y anticipar sus próximos gastos.
Los clientes de BBVA usan cada vez más las capacidades tecnológicas de la ‘app’ y web para controlar sus gastos, tomar decisiones de compra e inversión o potenciar el ahorro familiar.
En España las utilizan seis de cada diez clientes digitales del banco, cuyo grado de satisfacción es casi un 24% superior al de quienes no las utilizan. En este país, solo en el primer trimestre de 2024 interactuaron 70 millones de veces con ellas, lo que supuso un aumento del 23% respecto al mismo período del año anterior. Los datos globales son aún más llamativos: durante el primer trimestre hubo 391 millones de interacciones con estas funcionalidades en todos los países en los que BBVA tiene presencia, un 49% más que el mismo periodo de 2023.
Esta acogida tan positiva demuestra el potencial de la inteligencia artificial para ayudar a las personas a gestionar su economía personal. Los científicos de datos de BBVA utilizan distintos tipos de algoritmos y modelos de inteligencia artificial para desarrollar estas funcionalidades de salud financiera.
Categorización de transacciones financieras
La ‘app’ y la web transaccional de BBVA clasifican los movimientos bancarios en categorías de gasto, ingreso y ahorro/inversión, tanto los de la propia entidad como los de otros bancos si los clientes así lo solicitan. Esta categorización automática puede ser ajustada manualmente por los clientes, aplicándose los cambios a los futuros movimientos similares.
De esta forma, BBVA puede ofrecer a los clientes sugerencias personalizadas verdaderamente inteligentes como, por ejemplo, “reduce un 10% el gasto en bares y restaurantes”, en lugar del más genérico “reduce tus gastos un 10%”. Además, desde junio de 2023, en España los movimientos de la tarjeta de crédito se clasifican en tiempo real, de tal forma que cada vez que los clientes hacen un gasto con su tarjeta de crédito, ven de inmediato cómo afecta a sus ingresos y en qué categoría lo hace. Lo mismo ocurre con la recategorización que pueden realizar a mano los propios clientes.
Análisis de transacciones financieras de BBVA
Las transacciones de las cuentas y tarjetas de BBVA se clasifican en una categoría u otra en función de determinadas características. El nombre del comercio, el código de su actividad económica, los detalles del recibo, tipo de movimiento, etc, permiten identificar si se trata del ingreso de una nómina o de un gasto en alimentación, combustible, transporte o ropa, por ejemplo.
“Para clasificar estos movimientos que tienen tal nivel de detalle, es suficiente con utilizar algoritmos en los que de antemano sabemos cuál será el resultado, llamados deterministas”, afirma María Ruiz, científica de datos de Advanced Analytics en Client Solutions de BBVA. “Son los más adecuados cuando tenemos datos con alto nivel de detalle, queremos priorizar la explicabilidad del algoritmo y garantizar que la categorización tenga sentido”, añade Ruiz.
Análisis de transacciones de otras entidades
La información disponible para los movimientos agregados que proceden de otros bancos es menos detallada que la de las transacciones de BBVA: suele limitarse al identificador del banco, si el movimiento es de cuenta o tarjeta, el importe y un texto descriptivo cuyo contenido varía mucho entre entidades. “Por lo tanto, al tener menos datos y muy variables entre sí, debíamos crear y entrenar un modelo que nos permitiera inferir la categoría principalmente a partir de la descripción”, explica María Ruiz. Para ello, BBVA ha desarrollado un modelo que utiliza una red neuronal, una tecnología compleja cuyo proceso de cálculo está inspirado en el funcionamiento del cerebro y que es muy adecuado para estas tareas de procesamiento de lenguaje natural (PLN).
Los científicos de datos de BBVA entrenan la red neuronal presentando muestras con las que el modelo aprende la relación entre términos y categorías. Por ejemplo, la palabra ‘Zara’ corresponde a un establecimiento de ropa y la palabra ‘escuela’ permitirá clasificar el movimiento en la categoría Colegios. El modelo está entrenado para que sea capaz de inferir la categoría a partir de textos abreviados (“transf” en lugar de “transferencia”) o con alteraciones gramaticales (“nomina” en lugar de “nómina”).
Adaptación de propuestas de salud financiera
Para aumentar la efectividad de la comunicación, es importante que las propuestas y sugerencias para mejorar la salud financiera del cliente estén adaptadas a su situación e intereses.
Segmentación de clientes
BBVA utiliza analítica avanzada para identificar grupos de clientes que tienen necesidades similares, con el objetivo de adecuar el plan de salud financiera a cada caso. “Esta segmentación, desarrollada con expertos, ayuda a dirigir las propuestas más adecuadas a cada persona en base a las estimaciones que tenemos sobre su salud financiera”, indica David Muelas, científico de datos de BBVA AI Factory.
De esta forma, el banco crea grupos de clientes definidos en base a determinadas claves (como el colchón financiero o la capacidad de ahorro) para reforzar las acciones y experiencias de salud financiera que más se adaptan a sus objetivos y situación. Por ejemplo, haciendo más visibles herramientas como Presupuestos a clientes que tienen dificultades para llegar a fin de mes.
Interpretar la opinión de los clientes para mejorar las sugerencias de salud financiera
Los clientes de BBVA también pueden dejar comentarios detallados en las funcionalidades de salud financiera. Los científicos de datos del banco utilizan técnicas de PLN para hacer un análisis agregado de estos comentarios, lo que permite detectar posibles puntos de mejora que guíen las propuestas personalizadas que se les ofrecen.
El análisis manual de estos comentarios era un proceso costoso, ya que era necesario distinguir entre mensajes como “Todo bien” de otros más informativos como “Me parece interesante que me avisen cuando hay pagos más elevados de lo habitual”. Con el avance de los modelos de lenguaje “se hace más fácil y ágil la extracción de información muy valiosa que nos transmiten los usuarios de las funcionalidades, para detectar qué aspectos se perciben de forma más positiva o negativa”, continúa Muelas.
Predicción de la evolución de la salud financiera
Para tomar mejores decisiones en la gestión de las finanzas personales, es fundamental anticiparse y poder estimar los ingresos y gastos a futuro. Actualmente, los usuarios de la ‘app’ y web del banco pueden consultar los movimientos previstos para el mes corriente y el siguiente.
Esta funcionalidad está soportada por ‘ensembles’, una técnica que aplica varios modelos de ‘machine learning’ a un problema determinado y combina los resultados que obtiene cada uno. En el caso de BBVA, estos ‘ensembles’ se entrenan para predecir movimientos que se van a repetir en el futuro, estimar el importe que tendrán y proporcionar una predicción de las fechas en las que ocurrirán.
Esta predicción se complementa con la detección de transacciones que se corresponden con gastos fijos, aquellos que suceden de forma regular. Para ello, los científicos de datos de BBVA han creado un catálogo de gastos fijos de determinados servicios que pueden contratar los clientes (por ejemplo, una suscripción a Netflix) junto a su gasto periódico asociado. Este catálogo se complementa con análisis estadísticos de las series de movimientos para detectar otros gastos fijos que no se pueden conocer a priori como, por ejemplo, la cuota mensual del gimnasio.
Además, las predicciones se pueden utilizar para detectar eventos que pueden tener un impacto en la situación financiera de los clientes, como recibos con un importe más elevado de lo esperado. La banca móvil de BBVA contrasta las predicciones con la realidad y alerta al cliente cuando se produce un evento no esperado (por ejemplo, un ingreso puntual), un evento esperado pero que lleva asociado un importe diferente al previsto (por ejemplo, un recibo de electricidad de importe más elevado de lo esperado) o, por el contrario, no ha tenido lugar un evento esperado (por ejemplo, no ha llegado una transferencia habitual).
Predicción de saldo en cuenta
BBVA también ha desarrollado un modelo de predicción de saldo en cuenta que permite hacer estimaciones sobre su evolución futura y detectar valores fuera de lo habitual.
Este modelo utiliza una red neuronal que permite obtener predicciones a distintos niveles de probabilidad. Además, se ha entrenado de forma que es capaz de generar predicciones a largo plazo que reflejan la evolución esperada y la variabilidad del saldo. "Así, cuando observamos valores de saldo que están muy alejados de lo esperado teniendo en cuenta la incertidumbre de la predicción, podemos avisar a los clientes y sugerirles posibles acciones que respondan a los eventos que los han causado, si fuera necesario", recalca David Muelas.
