La inteligencia artificial será clave en la transformación digital de los bancos y del negocio financiero en general. En estos momentos, y más allá de la puesta en marcha de chatbots, los grandes bancos de este país ya están inmersos en proyectos de implantación de IA para mejorar sus procesos y afinar en la aproximación a los clientes. Mientras tanto, las pequeñas entidades por lo general de crédito no están en este punto, pero tendrán que dar un paso adelante si no quieren perder cuota de mercado.
¿Para qué está usando la banca la inteligencia artificial y el machine learning? Aunque se suele hablar mucho en los medios de la aplicación de chatbots y asistentes virtuales a la atención bancaria, el grueso de las inversiones de las entidades financieras se centran en tres áreas: el análisis del comportamiento del cliente, la gestión del riesgo y la valoración automática de inmuebles, según la consultora AIS, que tiene entre sus clientes a BBVA o la aseguradora Generali. [hde_related]
Según esta compañía, en estos momentos, un poco más de la mitad de la inversión de los bancos en técnicas de inteligencia artificial está destinada a que sus departamentos de marketing puedan conocer mejor al cliente para mejorar su experiencia de usuario. El objetivo último del banco es fidelizar al cliente. Además, los bancos hacen énfasis en estas inversiones porque, al tratarse de modelos que se utilizan desde las áreas de marketing o comercial, no tienen que someterse al control del Banco de España.
Los bancos están cruzando el gran caudal de datos disponibles en sus propios canales con información de fuentes externas, como indicadores sociodemográficos, o geolocalización. A ello se suman, si el cliente ha dado la autorización pertinente, los datos procedentes de los agregadores de cuentas y de los PFM o personal financial managers, que permiten a personas y empresas la gestión de los ingresos y gastos en todos los bancos con los que tienen trato.
Conociendo los movimientos y transacciones de las cuentas, los gestores de los bancos pueden tener un perfil más ajustado de cada cliente y conocer mejor así sus gustos, evaluar su comportamiento y calcular cuánto le queda disponible para hacer pagos de cuotas o préstamos, entre otras cosas. De esta forma, las entidades afinarán más a la hora de hacer venta cruzada de productos (por ejemplo, para ofrecer un préstamo a un autónomo que ha abierto una empresa, un crédito de consumo a una joven pareja que acaba de alquilar un piso o un plan de pensiones a un profesional que cumple 20 años en su empresa) o de lanzar campañas de preconcesión de créditos.
Minimizando riesgos
Un informe del año pasado de MacKinsey dice que mientras que ahora solo un 15% del control de riesgo bancario recae en la analítica, en 2025 ese porcentaje crecerá hasta el 40%. La inteligencia artificial también empieza a ayudar a los bancos a afinar más en la gestión del riesgo, haciendo estimaciones anticipadas de pérdidas futuras en escenarios macroeconómicos adversos.
Este tipo de software permite visualizar diferentes escenarios futuros y simultáneamente desarrollar modelos que incluyen una cantidad de variables mucho mayor que la que aportan las técnicas habituales con las que vienen trabajando las entidades.
Según la consultora AIS, los modelos de machine learning o aprendizaje automático utilizan muchas más variables que los tradicionales y son capaces de encontrar interrelaciones que una persona podría no identificar nunca, de ahí que tengan un alto grado de acierto y un poder de predicción mucho mayor.
Esa es su gran ventaja, pero a la vez su mayor problema, pues los modelos de riesgos sí están muy sujetos al control del Banco de España, sobre todo desde la pasada crisis financiera, y hay que vencer la sensación de que los bancos operan con software de funcionamiento desconocido, los famosos algoritmos de caja negra.
Según AIS, en estos momentos las inversiones de inteligencia artificial en el campo de la gestión de riesgos se orienta más al seguimiento de carteras y a la recuperación de créditos impagados que a la evaluación de las solicitudes de nuevos créditos.
El machine learning se adelanta a los impagos
Hay que recordar que desde principios de 2018 está en vigor la normativa internacional IFRS9, que obliga a la banca a hacer provisiones no por el dinero que sus clientes han dejado efectivamente de pagar, sino por el que previsiblemente van a dejar de pagar en el futuro. Por eso, cada vez es más importante para la entidad bancaria ser capaz de anticiparse y detectar cuanto antes las señales de deterioro del estado de las cuentas y de los clientes.
Hoy, técnicas de machine learning permiten aplicar sistemas de alertas que avisan de los primeros indicios de deterioro con hasta cinco meses de antelación a que se produzca un impago real. Eso significa que hay tiempo de actuar e impedir el impago y, por lo tanto, evitar el incremento de las provisiones.
Por último, la valoración automática de inmuebles es el tercer gran campo donde banca están destinando buena parte de su presupuesto en inteligencia artificial. En este ámbito, las técnicas de machine learning están automatizando las labores de tasación de casas y pisos, pues calculan el precio de mercado de las propiedades teniendo en cuenta sus características, su localización o los inmuebles similares vendidos en la misma zona. De esta manera, el banco dispone de un método rápido y barato de hacer las tasaciones regulares de todos sus inmuebles que le exige el Banco de España.
Imágenes | iStock/OstapenkoOlena, iStock/anyaberkut