Llegamos a ustedes gracias a:



Reportajes y análisis

La inteligencia artificial y los servicios financieros

[24/04/2019] Las empresas de servicios financieros están ayudando a liderar el camino en la adopción de la inteligencia artificial, y se espera que los bancos gasten 5,6 mil millones de dólares en soluciones de inteligencia artificial en el 2019, sector superado solamente por el minorista, según IDC.

Y los frutos para la industria de servicios financieros podrían ser considerables: el McKinsey Global Institute predice que la inteligencia artificial y el aprendizaje automático podrían generar un valor de más de 250 mil millones de dólares en la industria bancaria.

Sin embargo, debido a posibles consecuencias financieras, regulatorias y de reputación, muchas firmas financieras siguen siendo cautelosas con la inteligencia artificial. Aquí, es clave obtener una mayor comprensión de cómo los sistemas de inteligencia artificial llegan a las decisiones.

Mientras tanto, las compañías de servicios financieros que buscan una ventaja competitiva, están implementando sistemas de inteligencia artificial para respaldar las operaciones de servicio al cliente, realizar análisis de riesgo y revisar los procesos de comercialización y ventas. A continuación, se muestra cómo varias empresas de servicios financieros están aplicando la inteligencia artificial.

Estandarización del servicio al cliente

Synchrony ejecuta tarjetas de crédito para muchas de las principales marcas, incluidas Gap y Old Navy, Amazon, JC Penney, Lowe's, Sam's Club y American Eagle, que atienden a más de 80 millones de cuentas activas de consumidores. Existen muchos clientes que pueden necesitar ayuda con sus tarjetas, como para reportar transacciones fraudulentas, por ejemplo.

Hace dos años, la compañía se comprometió con la inteligencia artificial y ya ha contratado a más de 170 científicos de datos. Simultáneamente, lanzó un centro de tecnología emergente en la Universidad de Illinois. Al igual que muchas empresas de servicios financieros, la implementación clave de la inteligencia artificial y el aprendizaje automático de Synchrony se realiza en los chatbots.

"Nuestro agente virtual inteligente, Sydney, reside en la mayoría de las páginas web de nuestros minoristas, incluidos Gap y Lowe's, afirma Greg Simpson, CTO y líder de inteligencia artificial de la compañía. "Si tuviese una pregunta sobre su tarjeta de crédito con una de esas cuentas, podría preguntarle a Sydney, y Sydney le ayudaría a responder preguntas básicas.

La plataforma actualmente maneja medio millón de chats por mes, basándose en las respuestas provenientes de años de llamadas al centro de llamadas de Synchrony. La plataforma, que también está disponible a través de dispositivos de Amazon, ha ayudado a reducir más del 50% del volumen de chat en vivo, afirma Simpson, y el 88% de los clientes que utilizaron Sydney afirman haber estado satisfechos con el servicio.

Sumitomo Mitsui Banking Corp., una compañía financiera global, y el segundo banco más grande en Japón por activos, también está implementando inteligencia artificial para el servicio al cliente. El banco utiliza IBM Watson para monitorear las conversaciones del centro de llamadas y reconocer automáticamente las preguntas, así como asistir a los operadores con las respuestas, lo que reduce el costo de cada llamada en 60 centavos. Con más de un millón de llamadas al año, eso es un ahorro anual de 100 mil dólares, afirma Tomohiro Oka, director del banco. Además, la satisfacción del cliente aumentó en 8,4%, añade.

En el 2015, Oka se mudó a Silicon Valley para dirigir la oficina de innovación de SMBC, y ha dirigido varios proyectos de inteligencia artificial en el banco.

"También estamos utilizando IBM Watson para nuestras interacciones con los empleados, señala. "Por ejemplo, si una persona de Ventas tiene una pregunta sobre una regla interna y le pregunta a la sede central en Japón, existe una gran diferencia de tiempo y la respuesta se retrasará un día.

Watson se utiliza para responder automáticamente a estas preguntas, afirma.

En el último par de años, todos los principales bancos han tenido proyectos de chatbot en proceso, afirma Moutusi Sau, analista de Gartner. "Existen muchas tecnologías para eso, afirma. "Los motores de chat conversacional, los asistentes virtuales de los clientes. Son una gran parte de la ecuación.

Los bancos continúan invirtiendo en el área, pero ahora los agentes inteligentes también están trabajando para mejorar las eficiencias operativas internas, agrega.

Incorporación de la inteligencia al proceso de ventas

Un banco que decidió todavía no aplicar chatbots fue NBKC Bank, un banco mediano con sede en Kansas. En cambio, NBKC está utilizando la inteligencia artificial como parte de su proceso de préstamos hipotecarios.

"La mayor parte de la inteligencia artificial que se ve en el universo hipotecario está orientada a los chatbots para el servicio al cliente, afirma Chad Cronk, director de hipotecas y vicepresidente ejecutivo del banco. "Lo pensamos, pero creemos que el área necesita crecer bastante.

En NBKC, la inteligencia artificial ayuda a distribuir clientes potenciales a los agentes de préstamos. Alrededor del 60% de los nuevos clientes potenciales llegan a través de recolectores de información en línea de clientes, como Lending Tree y Zillow, con un promedio de 300 a 350 clientes potenciales al día; el resto proviene de referencias y clientes habituales. Anteriormente, los clientes potenciales se distribuían a los 98 agentes de préstamos de la compañía a través de un sistema "cadenas, afirma Cronk.

Pero al analizar datos históricos, NBKC descubrió que algunos agentes de préstamos eran mejores para manejar nuevos clientes potenciales temprano en la mañana, por ejemplo, o al final de la tarde, o tenían mejor éxito con los clientes de un área geográfica en particular.

"Esto condujo al concepto de distribución de clientes potenciales en un nivel inteligente, afirma Cronk. "Pensamos que, al emparejar a los prospectos con los oficiales adecuados, en el momento adecuado, seguiríamos brindándole una mejor experiencia al cliente.

Debido a su pequeño tamaño, el banco optó por un proveedor externo, ProPair, en lugar de desarrollar la tecnología internamente. La plataforma de ProPair ha ayudado a NBKC a tener un aumento del 10% en sus tasas de cierre, y ha mejorado el desempeño en 65% de sus agentes de préstamos.

Hoy, el 25% de los clientes potenciales van a un grupo de control, asignado al azar. Con el fin de garantizar que todos sigan recibiendo el mismo número total de clientes potenciales, el resto se asigna según el sistema inteligente, que distribuye los clientes potenciales al agente más adecuado considerando las cargas de trabajo individuales.

"Hemos visto una mejora notable, afirma Cronk. "Hubo algunos trimestres donde el aumento fue de 15%.

El desarrollo de la nueva tecnología tomó alrededor de tres o cuatro meses, señala. A través de APIs, los datos de los recolectores externos de información llegan a Velocify, el sistema de gestión de clientes potenciales del banco. Tomó un poco de trabajo de averiguar cómo encajar las recomendaciones del agente en Velocify, afirma Cronk, y para crear un ambiente seguro en el que ProPair pudiera estudiar el desempeño histórico de los agentes.

Análisis del riesgo

Durante mucho tiempo, las empresas de servicios financieros han utilizado modelos estadísticos para evaluar el riesgo -riesgo de crédito en préstamos, riesgos financieros en operaciones, riesgo actuarial en el sector de seguros, así como el riesgo de fraude en todas las categorías.

"Lo que es diferente en estos días es que el uso de estos algoritmos es mucho más amplio y la cantidad de datos disponibles, los tipos de datos y el desempeño de los datos están cambiando los tipos de problemas que se están resolviendo, afirma Chris Feeney, presidente de BITS, la división de política tecnológica del Bank Policy Institute. "Si puede recopilar más información sobre las transacciones, puede hacer un mejor trabajo para evitar el fraude.

Feeney espera que la inteligencia artificial se convierta en un gran diferenciador para las empresas financieras. "Tiene que ser activo, pero debe elegir su caso de uso, afirma, sugiriendo que las empresas busquen oportunidades para utilizar la inteligencia artificial con el fin de crear una ventaja competitiva, pero que también le proporcionen un valor claro al consumidor.

"Podría ser en el negocio de préstamos, afirma. "Ahora existe mucha actividad en el uso de fuentes alternativas de datos para ofrecer préstamos a nuevos grupos de personas.

El análisis del fraude es otro caso de uso importante, afirma. "Creo que la inteligencia artificial va a acelerar la capacidad de detectar el fraude más rápido para evitarlo, para ubicar el comportamiento anómalo más rápido.

Raghav Nyapati concuerda. "Considere la posibilidad de una suscripción, afirma Nyapati, quien recientemente dirigió proyectos de inteligencia artificial en uno de los 10 principales bancos globales, y ahora está lanzando una empresa de tecnología financiera. "Tenemos miles de aplicaciones entrando. La inteligencia artificial puede ayudar a filtrar aplicaciones que pueden ser fraudulentas o de alto riesgo, y solo las que pasaron el filtro son revisadas por un agente.

Estas decisiones deben estar respaldadas por el juicio humano, explica. "Tenemos que estar haciendo una inteligencia artificial responsable. Tenemos partes interesadas a las que responder, clientes a los que responder. Y si algo sale mal, el banco tiene que pagar multas enormes.

Una encuesta reciente de Gartner muestra que el 46% de las empresas de servicios financieros utilizan inteligencia artificial para la detección de fraudes.

En el mercado de valores, las empresas utilizan el aprendizaje automático en el análisis de riesgo previo y posterior al comercio, afirma Monica Summerville, jefa de tecnología financiera e investigación europea en Tabb Group.

"Realizar el análisis de riesgo de una manera tradicional es algo muy intensivo en computación, y muchas técnicas de aprendizaje automático, aunque son solo aproximaciones, son lo suficientemente buenas y más rápidas, afirma.

En una encuesta reciente realizada por Tabb Group, la mayoría de las firmas de valores planean expandir el gasto en inteligencia artificial durante los próximos 12 meses. "Está clasificada como la tecnología más disruptiva para su negocio, agrega Summerville.

De acuerdo con Gartner, la inteligencia artificial también afectará las tareas más complejas, como la revisión de contratos financieros o la creación de acuerdos. La firma de investigación pronostica que, para el 2020, el 20% del personal de la oficina de administración dependerá de la inteligencia artificial para los trabajos no rutinarios.

Desafíos de cumplimiento

Los reguladores ya están familiarizados con las dificultades de supervisar los modelos utilizados por las instituciones financieras. Por ejemplo, a la hora de evaluar el riesgo de crédito o detectar comportamientos sospechosos. Los modelos pueden ser muy complejos y difíciles de analizar, por ejemplo. O pueden ser modelos patentados de proveedores de terceros.

Existen formas de abordar estos problemas, como tener revisiones independientes de los modelos y usar controles compensatorios como los circuit breakers. De alguna manera, los sistemas basados en inteligencia artificial pueden tratarse igual que los modelos estadísticos tradicionales, pero también plantean preocupaciones adicionales.

"Por su parte, es probable que la inteligencia artificial presente algunos desafíos en las áreas de opacidad y capacidad de explicación, afirmó la miembro de la junta de la Federal Reserve, Lael Brainard, en un discurso a fines del otoño [septentrional] pasado. Hay que reconocer que es probable que existan circunstancias en las que el uso de una herramienta de inteligencia artificial sea beneficioso, incluso cuando pueda ser inexplicable u opaca, la herramienta de inteligencia artificial debe estar sujeta a los controles apropiados.

Eso incluye controles sobre cómo se construye la herramienta, cómo se usa en la práctica y sobre la calidad y la idoneidad de los datos, agrega Brainard.

La capacidad de explicación -también conocida como el problema de la caja negra- es un problema particular para los sistemas de inteligencia artificial. Con los modelos estadísticos tradicionales, los científicos de datos seleccionan factores críticos para una decisión o predicción en particular, y deciden cuánto peso darles a estos factores. Sin embargo, los sistemas de inteligencia artificial pueden identificar patrones que antes eran desconocidos y difíciles de comprender. Eso dificulta que los bancos cumplan con las regulaciones como la Ley de Igualdad de Oportunidades de Crédito y la Ley de Informe de Crédito Justo, que requieren que se expliquen los factores que se utilizan para tomar sus decisiones.

"Afortunadamente, la inteligencia artificial en sí puede jugar un papel en la solución, señala Brainard. "La comunidad de inteligencia artificial está respondiendo con importantes avances en el desarrollo de herramientas de inteligencia artificial explotables y enfocadas en la expansión del acceso de los consumidores al crédito.

La industria de valores también está trabajando en este tema, afirma Summerville de Tabb. "¿Puede construir un modelo imparcial en la inteligencia artificial?, pregunta ella. "Debe poder explicar cómo tomó la decisión. Los reguladores están interesados en asegurarse de no introducir sesgos por accidente.

A medida que Synchrony comienza a usar la inteligencia artificial y el aprendizaje automático para las decisiones de crédito, el problema de la caja negra también se está convirtiendo en un problema para esa compañía. "Estamos buscando crear explicaciones en nuestros modelos y señalar las razones por las que se toman las decisiones, afirma Simpson de Synchrony. "Esto no es fácil de hacer.

Él afirma que, por ejemplo, no se pueden tomar decisiones por razones discriminatorias. "No se puede decir: 'No le daré crédito a alguien que viva en esta área' porque es ilegal.

La compañía también está haciendo un gran esfuerzo para asegurarse de que los datos en bruto, utilizados para entrenar los modelos de inteligencia artificial, no estén sesgados. Esta es una de las razones por las que la compañía necesita tantos científicos de datos, afirma Simpson.

Un enfoque que está tomando la compañía para reducir el sesgo es comenzar con un equipo diverso.

"Sin un equipo diverso, es difícil identificar sesgos en sus datos porque su equipo puede estar sesgado, afirma. "Y, siendo un banco, es especialmente importante para nosotros. La diversidad de su equipo es la primera y la mejor defensa en este campo.