En una región donde más del 60% de las MiPyMes no tiene acceso al crédito y más de la mitad de los trabajadores son informales, contar con fuentes alternativas de datos y explotarlas con modelos machine learning, se vuelve un factor estratégico para el desarrollo.

Son palabras de Elías Bethencourt, el director comercial de AIS para América Latina en el 20º Congreso de Riesgo Financiero organizado por Asobancaria los pasados 17 y 18 de noviembre. Aunque Bethencourt daba cifras concretas de Colombia, la realidad es extrapolable a muchos otros países del continente.

Tanto si pensamos en una estrategia de crecimiento comercial como en una que se focalice en la inclusión financiera de colectivos poco bancarizados, la combinación ganadora para obtener eficacia y rentabilidad pasa por el uso de nuevas fuentes de datos y nuevas metodologías de modelado.

A nivel de inclusión financiera, es una necesidad. Dado que se centra en personas de las que hay poca o nula información, cobran relevancia las fuentes de las que extraer datos que nos permitan conocer mejor a esos segmentos poblacionales para poder evaluarlos. En este caso se puede recurrir a información sociodemográfica de institutos de estadística, a información tributaria, a burós de crédito; incluso el propio banco puede ser una fuente, ya que, pese a que este colectivo no esté accediendo al crédito, sí puede que disponga de otros productos financieros como una cuenta o realice transacciones que aportan información de primer nivel.

En el caso de un objetivo de crecimiento comercial con perfiles bancarizados, la exigencia de recurrir a nuevas fuentes viene marcada por demanda del cliente. Y es que tradicionalmente ha sido el banco el que ha solicitado al cliente que aportara documentación para que los equipos de Riesgos pudieran evaluarlo. Pero en la era de la digitalización, el cliente insta a que se cambie esa forma de operar y que sea el banco el que capture al información automáticamente, brindando una experiencia simple, ágil y con una oferta de valor a medida de sus capacidades. Ahí cobran especial relevancia como fuentes de datos los conectores financieros y las herramientas de open banking.

Modelos avanzados

Una vez recopilados todos los datos posibles (recomendamos diseñar un proceso continuo de relevamiento de fuentes), toca dar el siguiente paso: agregar inteligencia a través de los modelos, para convertir esos datos en valor para el negocio. Sin embargo, si queremos ganar en eficiencia, crecer y mantenernos en los niveles de apetito al riesgo marcados por nuestra entidad, debemos apostar por nuevas técnicas más avanzadas. Altamente recomendables son los modelos machine learning.

Algunas entidades muestran algo de desconfianza por las limitaciones que se atribuyen a esta tecnología como que son cajas negras o que tienden al sesgo. Lo cierto es que estas limitaciones las hemos vencido y actualmente los modelos machine learning que desarrollamos en AIS son transparentes y sus decisiones fácilmente trazables. Eso sí, el conocimiento del experto sigue siendo un factor clave de éxito para su implementación en Riesgos en todas las etapas de trabajo (construcción de muestras, análisis de variables, definición de hiperparámetros, incorporación de reglas, validación, seguimiento, etc) y se requiere de herramientas de software especializadas, destinadas al experto de riesgos, que nos permitan vencer las barreras que poseen estas metodologías, capitalizar sus ventajas y aprovechar toda la potencia del aprendizaje automático de manera supervisada y segura.

4 beneficios del machine learning

Las ventajas de emplear modelos machine learning son muchas, pero vamos a quedarnos con cuatro.

Por un lado, aumenta la eficiencia. La experiencia, luego de haber implementado más de 30 modelos machine learning en el ámbito de gestión de riesgos (en España, México, Argentina, Colombia, Chile, Perú, entre otros países), nos dice que estos modelos aumentan al menos un 25% las capacidades de clasificación en términos de Gini y KS. Cuando contamos con información suficientemente robusta, estos incrementos pueden llegar al 100%. Incluso reguladores y supervisores como la European Banking Authority y el Banco de España están publicando papers resaltando la mejor competencia de estas metodologías.

En segundo lugar, crece la productividad, pues con machine learning se reduce el número de modelos necesarios debido a cambios en el enfoque de segmentación. Nuestros clientes han logrado reducir en promedio un 50% la cantidad de modelos necesarios para su negocio.

Además, estos modelos permiten gestionar de manera óptima esas nuevas fuentes de información a las que nos referíamos previamente, con datos más granulares. Un factor clave dentro de este aspecto es que adicional a la posibilidad de trabajar con más cantidad de información (decenas o cientos de variables), tienen la capacidad de descubrir interacciones implícitas entre variables. En sistemas estadísticos tradicionales estas interacciones debe descubrirlas el analista, en machine learning, las detecta de forma automática el algoritmo.

Por último, el time to market. Estos modelos avanzados se caracterizan por una calibración y reestimación rápida. Se reducen por dos o por tres los tiempos de desarrollo y permiten pasar de varias semanas a pocas horas en los tiempos de seguimiento y calibración.

Evidentemente, todo esto tiene un impacto directo en el negocio financiero. Algunos de nuestros clientes han experimentado en un incremento de un 20% en las solicitudes atendidas, un crecimiento de un 40% de la concesión, o casi un 20% de reducción de la mora. Estos resultados no son teóricos ni constituyen pruebas de laboratorio, derivan de experiencias reales, en instituciones  financieras de Latinoamérica de distintos tipos, tamaños, y para diferentes segmentos, que han logrado impactos muy valiosos.

Con estas cifras, no hay duda de que los modelos avanzados empiezan a ser un factor decisivo para la competitividad de las entidades financieras. Las preguntas de nuestros clientes sobre la conveniencia de implementar este tipo de modelos están empezando a ser cuestionamientos del pasado. En la actualidad, la respuesta a estos interrogantes es un contundente “SÍ”.

La cuestión central ahora pasa por “cuándo” hacer el cambio. Nuestra visión es que el momento es hoy. Muchas instituciones ya dieron el salto tecnológico. Otras tantas lo están gestionando en este momento, y las que no lo hagan empezarán a estar en desventaja, hasta el punto en que se enfrentarán a importantes dificultades para competir.

¿Quieres saber más sobre los modelos machine learning?