El impacto del aprendizaje automático en la banca es profundamente transformador tanto en los servicios bancarios como en los procesos y elementos necesarios para llevarlos a cabo.
El aprendizaje automático en la banca se entiende como un conjunto de retos que engloban unos a otros. Por supuesto, el objetivo es que las máquinas aprendan dentro de un ambiente no experimental, sino de mercado.
Desde ese momento, el gran desafío de las distintas entidades es responder a la dinámica y necesidades del mercado introduciendo las transformaciones organizativas oportunas que permitan aprovechar al máximo las oportunidades que provee el aprendizaje automático y todo un conjunto de innovaciones bancarias que favorecen su desarrollo.
Y la dirección está clara: lograr unos procesos más eficientes que permitan desarrollar unos servicios bancarios más inteligentes. Esto último se manifiesta, por ejemplo, en una mayor seguridad, comodidad, personalización, adaptación a las necesidades del usuario, etc.
La automatización de los procesos
La primera parada en el camino hacia una banca más inteligente es la reducción de costes. Las entidades que no superen el actual reto de eficiencia difícilmente podrán ser capaces de reunir los recursos suficientes para afrontar el surgimiento de nuevos servicios y canales bancarios, de diferentes formas de prestar los tradicionales y de redobladas exigencias de calidad.
Dentro de los procesos bancarios existe un amplio conjunto de tareas que son grandes consumidoras de tiempo y generadoras de costes. La automatización parece una de las soluciones para obtener ganancias de eficiencia.
En este campo parece claro que lo ideal es la conjunción de diversas tecnologías. Por ejemplo, desde Bank of New York Mellon se señala que podría intentarse avanzar, a través de la automatización robótica de procesos, que evita que el ser humano tenga que hacerse cargo de las labores más repetitivas, que suelen ser grandes consumidoras de tiempo e impiden a los trabajadores aportar todo el valor que potencialmente pueden desarrollar.
Con el aprendizaje automático se pretende que las máquinas realicen predicciones cada vez más refinadas que detecten los casos de fraude. Por ejemplo, BBVA y el MIT están trabajando en un proyecto para aplicarlo a la detección del fraude en tarjetas
Sin embargo, desde este banco estadounidense se remarca que el aprendizaje automático va un paso más allá de donde podría llegar la robotización de tareas por sí sola: buscan identificar patrones que permitan, a medida que va pasando el tiempo, ir mejorando los procesos. Es decir, su contribución como buscador de posibilidades de mejora de la automatización es muy importante para lograr las ganancias de eficiencia deseadas.
El cambio en la gestión de riesgos
Otro ámbito en el que sacar a la luz patrones ocultos puede ser importante para el perfeccionamiento de los procesos bancarios es la gestión de riesgos. Ello se traduce en un mejor conocimiento de quiénes pueden ser los deudores más arriesgados y de las condiciones que deben exigirse a cambio de la concesión de financiación.
En ese sentido, un informe de la consultora McKinsey destaca que el aprendizaje automático muestra una superioridad frente a los diversos métodos estadísticos tradicionales basados en modelos de regresión, fundamentalmente porque puede identificar patrones que no responden a una forma funcional predefinida.
Contra comportamientos fraudulentos
Las ganancias de eficiencia y la ampliación de los servicios carecerían de sentido sin seguridad en la operativa bancaria. Se debe responder, en todo momento, a las expectativas que tienen los diferentes intervinientes. No olvidemos que los comportamientos fraudulentos minan la confianza de las partes y la credibilidad de los marcos organizativos en los que se desarrolla la operativa bancaria.
La banca busca, por ello, herramientas que faciliten averiguar cuándo nos podemos encontrar ante una operación fraudulenta. En general, se han basado en el análisis de datos de las transacciones y sus intervinientes. El objetivo, normalmente, es calificar como legal o sospechosa una transacción.
No obstante, hay que enfrentarse a una realidad que complica la clasificación: la práctica totalidad de las operaciones son legales. Cualquier método que clasifique todas las transacciones como legales acertará casi siempre. Sin embargo, se le escaparán sistemáticamente esas pocas operaciones fraudulentas.
Lo que se pretende con el aprendizaje automático es lograr que las máquinas puedan realizar predicciones cada vez más refinadas que detecten los casos de fraude. En definitiva, se busca algoritmos capaces de aprender a detectar patrones sospechosos.
Una de las misiones importantes del aprendizaje automático es convertirse en una herramienta que permita transformar todos los datos que los bancos tienen de sus clientes en servicios de asesoramiento y mejora de su vida financiera en el más amplio sentido
Un ejemplo de ello lo tenemos en el proyecto en el que están colaborando BBVA y el Massachusetts Institute of Technology (MIT) en relación a la aplicación del aprendizaje automático a la detección del fraude en tarjetas. Busca reducir el número de operaciones calificadas erróneamente como sospechosas introduciendo más de 200 nuevas categorías a su análisis.
Este tipo de iniciativas ya está notándose en los bolsillos de los usuarios bancarios. Por ejemplo, Natwest también ha probado el aprendizaje automático en la lucha contra el fraude bancario. Y, por el momento, ha cifrado en 7 millones de libras esterlinas las pérdidas evitadas a sus clientes. Destaca, además, que, aunque poquísimas transacciones se ven afectadas por el fraude, el importe puede ser elevado.
Operaciones financieras automatizadas
En lo relativo al aprendizaje automático en las operaciones financieras, encontramos dos tipos de aplicaciones: las destinadas a profesionales y a usuarios bancarios. Las primeras se orientan, fundamentalmente, a la provisión de información clave en la toma de decisiones. Las segundas tienen como objetivo principal el asesoramiento.
Por ejemplo, en el ámbito profesional, JP Morgan está trabajando en diferentes líneas apoyándose en el aprendizaje automático, como es el caso del análisis del sentimiento del mercado, las decisiones de trading basadas en los datos, la inversión en valor o el clustering. Estamos, por tanto, hablando de la aplicación del aprendizaje en la toma de decisiones profesionales de inversión con independencia del enfoque y de si se realizan a corto o largo plazo.
Pero es en la relación con los clientes donde se produce el otro gran punto de interés.
Y aquí los protagonistas son los robo advisors, asistentes virtuales que permiten al usuario acceder al asesoramiento especializado. Los robo advisors plantean un dilema complejo a la gran banca. Por un lado, no se pueden permitir ni estar fuera de la carrera tecnológica por su diseño ni apartarlos de su oferta, ante la presión competitiva de las fintech. Por otro, no quieren que sus esfuerzos sirvan para desviar clientes a otras entidades.
El equilibrio lo están encontrando en la incorporación progresiva de robo advisors. Al comienzo, suelen enfocarlo únicamente, por ejemplo, a sus propios fondos de inversión o a los clientes de su filial nativa digital. Posteriormente, van ampliando su oferta a medida que van observando las reacciones del público y de los competidores, desarrollando tecnológicamente estas herramientas y asumen desafíos regulatorios (como la directiva PSD2).
El aprendizaje automático en la banca y los asistentes virtuales
La banca va mucho más allá de las operaciones de inversión y financiación. Es un acompañante de muchísimas facetas de la vida particular y empresarial. Y uno de los aspectos que más valoran los clientes es que su entidad les ayude a dar fluidez a todos sus retos cotidianos o extraordinarios.
Una de las misiones importantes del aprendizaje automático es convertirse en una herramienta que permita transformar todos los datos que los bancos tienen de sus clientes en servicios de asesoramiento y mejora de su vida financiera en el más amplio sentido.
Un ejemplo de ello es el asistente virtual de voz Erica, de Bank of America, que analiza continuamente los datos para ofrecer al cliente soluciones para su vida financiera. Además, se trata de una herramienta interactiva a la que el cliente puede hacer preguntas o requerimientos.
Este tipo de asistentes tiene mucha importancia para el desarrollo de la banca digital porque muchos de los clientes que se decantan por las oficinas físicas lo hacen por la posibilidad de tener alguien con quien contactar en caso de duda, reclamación, necesidad de información, etc. Son, por tanto, una pieza clave en el proceso que intenta llevar algunas de las mejores características del mundo físico al digital.
El aprendizaje automático es una herramienta útil en el día a día de muchas labores y servicios bancarios. Además, se pretende que sea la gran puerta de entrada de la inteligencia artificial en el sector financiero.
Imágenes | iStock
