Nuestra visión de la IA en Servicios Financieros

En los últimos años, la industria de servicios financieros ha innovado tecnológicamente, apoyada por un ecosistema complejo que incluye bancos, proveedores de servicios financieros y start-ups (link). En este artículo, presentamos nuestra visión de la IA en Servicios Financieros.

IA en Servicios Financieros

Desde nuestro punto de vista, podemos agrupar los casos de uso de IA en tres entidades distintas, en función del nivel de granularidad

• Nivel de microentidad: A nivel de microentidad, el objetivo principal de la IA es optimizar operaciones y transacciones sin comprometer la calidad del servicio. Esto incluye objetivos empresariales como minimizar costos y mejorar la experiencia del usuario.

• Nivel de usuario: A nivel de usuario, el objetivo es aumentar el valor del usuario (por ejemplo, manteniéndolo comprometido con el servicio) y controlar el riesgo en los servicios proporcionados.

• Nivel de empresa: A nivel empresarial, buscamos optimizar la cartera de la empresa y el retorno de inversiones.

¿Qué tipo de datos necesito?

Aunque la mayoría de los casos de uso descritos a continuación requieren fuentes de datos específicas, podemos definir algunos puntos de datos generales para cada entidad. Si trabajas en esta área y identificas una fuente de datos que aún no has comenzado a capturar de forma estructurada, es momento de hacerlo.

• Microentidad: Las transacciones se pueden caracterizar por un valor, canal, fecha, partes involucradas y otras caracterizaciones o descripciones (por ejemplo, alimentos, electricidad, etc.)
• Usuario: Todos los usuarios deben tener datos contractuales (fecha de inicio del contrato, condiciones del contrato) así como datos de comportamiento (tickets de servicio al cliente, flujos de efectivo, etc.).
• Empresa: Una empresa se caracteriza por el tamaño y distribución de su cartera, indicadores de mercado externos y contexto económico, y comparación con competidores.

Las empresas también pueden agruparse según su misión u objetivo principal. En cada una de ellas, podemos detallar casos de uso adicionales para cada tipo de entidad.

¿Quieres profundizar en esta idea?

Reserva una reunión con Rafael Cavalheiro

Conoce a Rafael Más información

Ahora, revisemos algunos casos de uso específicos por tipo de empresa en la industria de servicios financieros. En general, los casos de uso se centran en utilizar IA para mitigar riesgos, proporcionar una mejor experiencia al usuario y garantizar la sostenibilidad empresarial.

Banca y Transferencia de Dinero

Las empresas de banca y transferencia de dinero transfieren dinero de una entidad a otra. Las empresas en este grupo incluyen Revolut, N26 y Monzo.

Nivel de microentidad:

• Categorización de transacciones: Las transacciones del usuario se pueden categorizar por nombre del comercio, ubicación y tipo de negocio, por ejemplo. Tomemos como ejemplo un producto de uno de nuestros clientes, Pentadata, para la identificación de comercios a partir de una descripción de transacción.
• Detección de transacciones fraudulentas: Detectar y bloquear transacciones fraudulentas es crítico para aumentar la confianza de los clientes en los servicios.
• Detección de lavado de dinero: El aprendizaje automático ha estado reemplazando los modelos basados en reglas para operaciones anti-lavado de dinero, para minimizar el número de falsos positivos.
• Predicción de transacciones recurrentes: Las transacciones del usuario se pueden agrupar en transacciones recurrentes para crear posteriormente visualizaciones de gastos fijos.

Nivel de usuario

• Optimización de hábitos de gasto y pronóstico de gastos mensuales: Basándose en datos históricos de transacciones, es posible pronosticar gastos mensuales y hacer sugerencias personalizadas de hábitos de gasto al usuario, por categoría.
• Predicción de cancelación (CRM): Predecir qué usuarios van a cancelar su servicio y cuál es la mejor acción para evitarlo es uno de los casos de uso de marketing más comunes, y puede ayudar significativamente a aumentar el valor de vida del cliente.
• Venta cruzada (CRM): Determinar qué servicios debemos ofrecer al usuario, en función de sus patrones de comportamiento.
• Chatbots y automatizaciones: Automatizar las preguntas más frecuentes de los usuarios reducirá los gastos en servicio al cliente.

Nivel de empresa

• Optimización de ubicaciones de tiendas físicas:
• Pronóstico de indicadores empresariales y de mercado: crecimiento de usuarios, capital de trabajo neto, etc.

Pagos

Las empresas de pagos transfieren dinero de una persona a una empresa, como PayPal y Stripe.

Nivel de microentidad:

• Detección de transacciones fraudulentas: Detectar y bloquear transacciones fraudulentas, por ejemplo, valores fuera de lo común, puede ayudar a reducir la ocurrencia de transacciones fraudulentas.
• Predicción de rechazos de tarjetas: Los pagos pueden ser rechazados por los bancos emisores por varias razones, como que la tarjeta supere su límite de crédito. Predecir y abordar esto es uno de los casos de uso en los que PayPal más se ha enfocado usando IA (link).

Nivel de usuario:

• Optimización de la experiencia del usuario: Explicar a los usuarios el motivo de ciertas acciones de forma automatizada (por ejemplo, sospecha de fraude) aumenta la confianza en los servicios.
• CRM para promover ciertos comportamientos o uso de funcionalidades.
  • PayPal for business / Stripe for business fees

Nivel de empresa:

• Optimización de flujos de dinero: Las transferencias de dinero o cambios de moneda se pueden optimizar para realizarse en el período de tiempo óptimo, reduciendo costos de transacción.
• Inversiones internas de fondos: Decidir sobre la mejor forma de invertir fondos.
• Detección de cumplimiento en reportes.

Financiación

Las empresas de financiación, como Cetelem, Klarna y Cashea, otorgan préstamos a personas y empresas.

Nivel de microentidad:

• Aprobación o denegación de reclamaciones: Automatizar y detectar errores en reclamaciones puede reducir trabajo manual y mejorar la velocidad de procesamiento. Si te interesa cómo esto podría aplicarse en el dominio sanitario, echa un vistazo al artículo que escribimos hace un tiempo.

Nivel de usuario:

• Credit scoring: El credit scoring utiliza Inteligencia Artificial para predecir la probabilidad de incumplimiento en función de factores demográficos, historial de pagos e indicadores financieros. También tenemos un artículo con más detalles sobre la Inteligencia Artificial aplicada a credit scoring. Casos de uso similares consideran la renegociación de condiciones de pago y predicción de incumplimiento.

Nivel de empresa:

• Optimización de cartera: A nivel empresarial, las empresas pueden determinar el nivel de riesgo óptimo para los créditos (por ejemplo, spread, corto plazo, largo plazo).

Si te interesa alguno de estos casos de uso pero no estás seguro de cuán beneficioso será para tu empresa, no te preocupes. En nuestro curso Data Ignite, puedes descubrir cómo identificar riesgos potenciales y estrategias de mitigación en la etapa de concepción del proyecto, y aprender un lenguaje común para discutir proyectos de IA entre equipos técnicos y no técnicos.

Curso, Plantillas

Data Ignite

Descubre cómo identificar riesgos potenciales y estrategias de mitigación

Más información

Inversiones y Brokers

En el grupo de inversiones y brokers, consideramos empresas que facilitan transacciones entre traders, vendedores o compradores. Los ejemplos incluyen DeGiro, Trading212, XTB y múltiples empresas de préstamo P2P (PeerBerry, Mintos, estateguru, GoParity, etc.).

Nivel de microentidad:

• Pronóstico de incumplimientos o retrasos: Pronosticar retrasos en pagos o incumplimientos es útil para tomar medidas con anticipación.
• Trading bots: Automatizar decisiones de trading a escala

Nivel de usuario:

• Recomendaciones de inversión del usuario según el perfil de riesgo del usuario, recomendamos productos financieros para invertir.
• Predicción de incumplimiento: Predecir el incumplimiento de un préstamo antes de que suceda para determinar mejor las condiciones establecidas.
• Evaluación de riesgo para originadores de préstamos: Los préstamos típicamente tienen un nivel de riesgo asociado, dependiendo del intercambio esperado entre ganancia y riesgo. Automatizar esto basándose en datos históricos es importante para tomar mejores decisiones.
• Todos los casos de uso relacionados con CRM

Nivel de empresa:

• Balanceo de cartera: Determinar el mejor balance entre riesgo y ganancia para la cartera de la empresa.

Por último, las empresas FinTech son empresas de software que proporcionan servicios a Servicios Financieros y construyen parte de los casos de uso mencionados anteriormente. La industria de criptomonedas también cumple los roles de brokers, banca, transferencia de dinero, pagos, utilizando tecnologías diferentes.

Hay algunos casos de uso generales relacionados con KYC (Know your Customer), con problemas generales como validación de documentos legales, pruebas de conocimiento, etc.

Conclusión

La IA en Servicios Financieros está en el camino para ser una herramienta que revolucione los servicios proporcionados. Considerando la escala de personas que utilizan servicios financieros y el hecho de que la mayoría de los servicios están en línea ahora, lo que facilita la adquisición de datos y la creación de valor, existe un enorme potencial para la innovación y el crecimiento en esta área.

¿Quieres profundizar en esta idea?

Reserva una reunión con Rafael Cavalheiro

Conoce a Rafael Más información