2 BANCA

El sector bancario tradicionalmente ha hecho uso de los métodos analíticos, principalmente basados en estadística. El aprendizaje estadístico se diferencia del aprendizaje automático (de máquina) en que el primero busca explicar los modelos creados, mientras que el segundo se concentra en la predicción y su validación se hace empíricamente.

Predicción de la probabilidad que un nuevo cliente crediticio caiga en default

Los modelos predictivos basados en inteligencia artificial han demostrado ser más eficaces, puesto que pueden utilizar multitud de datos y estudiar diversos algoritmos.

Hemos desarrollado modelos predictivos que han incrementado en un 50% la exactitud de las predicciones frente a diversos puntos en el futuro (1T, 2T, etc), facilitando la toma de decisiones informadas.

Asignación de tasa, plazo y cuota a partir del nivel de riesgo del cliente

Detección de segmentos de clientes

Utilizando la base de datos transaccional de clientes, es posible determinar cuáles son los clusters o segmentos que los conforman.

Conocer los segmentos puede ser muy útil pues esta información puede ser utilizada por el departamento de mercadeo para tomar decisiones sobre las campañas a generar, tal que impacten adecuadamente tanto segmentos desarrollados como no desarrollados según se prefiera.

Atención automática de clientes

Los nuevos modelos predictivos basados en Large Language Models (LLM) como son chatGPT y Azure Open Ai permiten crear chatbots con capacidad de conversación igual a la humana.

Además, estos modelos ya pueden procesar información interna de la institución para ser utilizada como fuente para dar respuestas a las preguntas de los clientes, generando un modelo de atención 7x24, que mantiene siempre una compostura adecuada, y respondiendo de forma fiel a la información institucional.

Reducción de los documentos requeridos para apertura de créditos

Los documentos para solicitud de créditos tienden a ser muy extensos desmotiva a nuevos clientes. Utilizando Inteligencia Artificial, es posible determinar cuáles de las preguntas tienen poder predictivo y cuáles no. Por otro lado, muchas instituciones bancarias utilizan los documentos generados por las centrales de riesgo muy poco, tomando solo una de las variables en cuenta, debido a que estos documentos tienden a estar en un formato de texto no estructurado.

Utilizando Inteligencia Artificial, es posible de forma automática analizar estos documentos no estructurados y obtener valiosa información que alto poder predictivo que ayuda por tanto a reducir el largo de los instrumentos de registro de solicitudes de crédito, aumento su efectividad y reduciendo el proceso al mismo tiempo.

Procesamiento automático de documentos

Los nuevos modelos predictivos basados en Large Language Models (LLM) como son chatGPT y Azure Open Ai permiten extraer información específica de documentos de texto e imagen (PDF, TIFF, etc) de forma automática.

Así, son muy eficientes para automatizar procesos y agilizarlos, sin pérdida de calidad, pues pueden "leer" los documentos y extraer de forma fidedigna información específica, como por ejemplo de un documento de constitución extraer quién es el representante legal de la empresa.

Las políticas de riesgo son particulares de cada banco según su cultura. Tenemos modelos predictivos que permiten calcular según la historia de un cliente (o posible cliente), cuál es el monto, tasa y plazo adecuado, tal que el riesgo asociado esté acorde con las políticas crediticas.

Detección de transacciones anómalas

El aprendizaje no supervisado ofrece multitud de algoritmos que pueden de forma natural detectar instancias o ejemplos que no son normales. Esto permite tomar decisiones rápidamente para detectar a tiempo transacciones anómalas fraudulentas y reducir totalmente su impacto.