Mejorando el sector bancario con IA, ¿es posible?

El sector bancario es uno de los sectores que mayor volumen de datos genera diariamente debido a la gran cantidad de transacciones económicas que se realizan en el mundo que van desde las tan comunes compras online, que en el último año se han convertido en algo masivo, hasta las retiradas de dinero en efectivo en un cajero automático.

Cualquiera de estas operaciones supone la generación de un conjunto de datos que son transformados, almacenados y procesados con el objetivo de asegurar que la transacción es correcta y que se cumplen todas las normas que rigen las transacciones económicas a nivel mundial.

Este inmenso volumen de información ofrece un escenario perfecto para la utilización de diferentes técnicas de Inteligencia Artificial que pueden mejorar los diferentes servicios que se ofrecen en los tres niveles operacionales que tienen las entidades bancarias:

1. La oficina principal (front office) que se encarga de gestionar las operaciones relacionadas con los servicios al cliente (particulares, empresas y otros bancos), el marketing y la ventas de productos.
2. La oficina intermedia (middle office) que ayuda directamente a la oficina principal en el trato con los clientes, la gestión de riesgos y el cumplimiento de todas las normativas legales a nivel nacional e internacional.
3. La oficina trasera (back office) es el corazón de las entidades bancarias ya que se encarga de gestionar o controlar todas las operaciones realizadas por las otras dos oficinas que van desde una transacción financiera realizada por un cliente hasta la venta de un conjunto de activos o la gestión del pago de las nóminas de todos los empleados del banco.

Todo esto hace que el sector bancario ofrezca un entorno privilegiado para la utilización de diferentes técnicas de IA en cualquiera de los tres niveles operacionales, siendo algunas de las técnicas más utilizadas:

1. La utilización de los asistentes conversacionales para mejorar la interacción con los clientes en la Front office.
2. La utilización de técnicas de aprendizaje automático de tipo supervisado para la gestión de riesgos en la middle office.
3. La utilización de técnicas de aprendizaje automático no supervisado para la detección de fraude y blanqueo de capitales en la back office.

Asistentes conversacionales para la interacción con clientes

Los asistentes conversacionales son una de las tecnologías basadas en IA que más están siendo utilizadas para mejorar los procesos de interacción entre las entidades bancarias y los clientes, incrementando la calidad de los servicios de asistencia y disminuyendo el tiempo de espera para la resolución de ciertas incidencias y consultas.

Esta tecnología tienen la capacidad de mantener una conversación entre el cliente o potencial cliente a través de diferentes canales de comunicación (texto y/o voz), pudiendo resolver algunas de las consultas más habituales de manera automática o transfiriendo la consulta a un consultor humano cuando el asistente detecta, de manera automática, que no se puede resolver la consulta.

Además este tipo de tecnología puede, a su vez, combinarse con otras técnicas de IA con el objetivo de enriquecer el proceso interactivo, es decir, la conversación incrementando sus capacidades y el tipo de consultas o incidencias que pueden ser resueltas.

Las capacidades que los asistentes conversacionales pueden ofrecer a este tipo de compañías son tan amplias que han supuesto la aparición de un nuevo término denominado la banca conversacional que engloba a todos los servicios que pueden ser realizados por un asistente conversacional, como:

• Automatización de las respuestas a consultas que se repiten mayoritariamente entre los usuarios (clientes y posibles clientes), con el objetivo de evitar esperas innecesarias.
• Automatización de los procesos de contratación de nuevos productos mediante procesos guiados por un asistente conversacional que va solicitando aquella información totalmente necesaria.
• Recordatorios sobre posibles acciones que deben ser realizadas por el cliente.

Además, toda la información que es recogida durante las conversaciones que los usuarios mantienen con los diferentes asistentes conversacionales pueden ser almacenadas y utilizadas a posteriori con el objetivo de extraer más información sobre los propios clientes y mejorar tanto el comportamiento a nivel global de los asistentes conversacionales como el comportamiento a nivel local con los clientes, debido a que el asistente puede incluso aprender aquellas cosas que le interesan al cliente.

Aprendizaje automático supervisado para la predicción de riesgos

Los modelos de razonamiento basados en Aprendizaje Automático de tipo supervisado permiten construir sistemas de predicción con el objetivo de predecir los posibles riesgos relacionados con las operaciones financieras con el objetivo de minimizar las posibles pérdidas.

Este tipo de modelos se construyen mediante la utilización de algoritmos de Aprendizaje Automático de tipo supervisado que utilizan como información de entrada la gran cantidad de información digital extraída de fuentes tanto públicas como privadas con el objetivo de identificar un conjunto de patrones en la información que permita construir modelos que sean capaces de:

• Predecir, por ejemplo, el riesgo de impago de un crédito para un determinado cliente.
• Calcular los posibles riesgos globales en la realización de inversiones relacionadas con la compra o venta de activos.
• Recomendar ciertas acciones a realizar por la entidad bancaria con el objetivo de evitar posibles riesgos y/o minimizarlos en caso de que no sea posibles evitarlos.

Este tipo de modelos de razonamiento está siendo utilizado para mejorar, a nivel interno, el funcionamiento de los sistemas de identificación de riesgos de las operaciones financieras con el objetivo de minimizar y/o evitar las posibles pérdidas o, a nivel externo, sobre cada cliente identificando los posibles riesgos de sus posibles inversiones con independencia de que estas hayan sido elegidas por el clientes o sugeridas por el propio sistema.

Los modelos analíticos avanzados basados en Aprendizaje Automático ofrecen nuevos modelos de análisis que nos permiten (analítica predictiva) predecir posibles situaciones que podrían darse en el futuro y posibles acciones a realizar (analítica prescriptiva) con el objetivo de evitar situaciones que podrían suponer pérdidas para la entidad.

Por ejemplo, podríamos identificar cuales son las inversiones menos rentables para la entidad y definir los márgenes para venderlas minimizando los posibles riesgos.

Aprendizaje automático no supervisado para la detección de fraude

Los modelos de razonamiento basados en Aprendizaje Automático no supervisado son actualmente una de las técnicas que están siendo actualizadas para la detección de acciones fraudulentas a nivel económico.

Este tipo de tecnología, a diferencia de los procesos de aprendizaje automático supervisado, es capaz de identificar patrones fraudulentos entre los datos sin la existencia de un etiquetado previo de los datos.
Es decir, no existe un identificador, definido de manera manual por un humano en base a sus conocimientos acerca de las acciones fraudulentas, sobre los datos de las millones de transacciones que se realizan a diario.

La inexistencia de etiquetado aumenta la complejidad a la hora de detectar posibles acciones fraudulentas por parte de los clientes pero es capaz de identificar nuevos patrones sobre los datos identificando no sólo acciones fraudulentas anteriores que pueden haber variado su modus operandi, sino también nuevos tipos.

Este tipo de técnica ofrece a las compañías bancarias una buena alternativa a la hora de detectar automáticamente diferentes tipos de acciones fraudulentas que van desde los tipos más avanzados, como bots inteligentes que realizan múltiples acciones fraudulentas de manera combinada, hasta acciones más simples realizadas por humanos.

La gran ventaja de este tipo de técnica es que es capaz de identificar asociaciones y correlaciones entre los datos, lo que permite señalar conjuntos de operaciones que con frecuencia ocurren juntas cuando se está realizando una acción de tipo fraudulenta.

Pero esto es solo la punta del iceberg…

En general, la IA permite mejorar tanto los servicios y las operaciones que realizan las compañías del sector bancario como la experiencia de sus clientes y usuarios tanto en los canales tradicionales como en los canales digitales.

Esto implica que en los próximos años veremos un amplio incremento del uso de la utilización de la IA como herramienta para la toma de decisiones de tipo automático y semi-automatizado. Aunque utilizar técnicas de IA para la toma de ciertas decisiones a nivel financiero conlleva un riesgo y un reto muy importante desde el punto de vista de la ética.

Es totalmente necesario asegurar que los sistemas construidos con técnica de IA toman sus decisiones de manera correcta y ética, de forma que, por ejemplo, no impidan a una persona acceder a un crédito bancario o se detecten acciones no fraudulentas como acciones fraudulentas de manera incorrecta pudiendo suponer un perjuicio para una persona.