BNPL – Buy Now Pay Later

La moda que viene de USA y obligará a incorporar la IA en el proceso

Seguramente hace poco tiempo que hemos empezado a escuchar un nuevo concepto en el mundo financiero: el BNPL – Buy Now Pay Later. Parece un término poco original, desde hace años las financieras han ofrecido posibilidades de financiar nuestras compras en plazos con intereses o incluso con un 0% de interés.

La novedad puede estar en que para que te den esta financiación no te hacen ningún tipo de estudio, no se genera ningún tipo de fricción en la compra digital por parte del consumidor.

Esto es lo que se quiere conseguir por parte de los retailers: aumentar las ventas, y reducir el abandono de los procesos de compras por parte de los clientes.

La pandemia ha provocado que las compras on-line y en concreto el BNPL haya tenido un crecimiento exponencial, sobre todo en el mercado americano. En este mercado durante el 2021 más de 45.1 millones de consumidores usaron BNPL, creciendo un impresionante 81,2% en ese año.  Se anticipa que para el 2024 el 4,5% de todo el eCommerce en Norteamérica se hará por esta forma de pago. En algunos sectores como el de los viajes, el uso del BNPL se ha convertido en el primer medio de pago para los millennials, generación X y generación Z; siempre refiriéndonos al mercado americano.

Según lo anterior no es extraño que en nuestro país más bancos y financieras se estén moviendo para ofrecer a los retailers servicios de financiación BNPL. El problema, como ya se puede intuir, es el control del fraude y de los defraudadores.

Además hay que controlar ese fraude de la manera más transparente posible desde el punto de vista del consumidor; hay que buscar el equilibrio para no generar fricciones en el proceso de compra que rompa con uno de los principales objetivos del Buy Now Pay Later: hacer muy fácil la compra, disminuyendo la tasa de abandono del cliente.

La inteligencia artificial (IA) nos provee de las herramientas capaces de “adelantarse” a nuevos tipos de fraude, de cambiar de sistemas basados en reglas y, por tanto, reactivos a sistemas proactivos. Los grandes “players” ven fundamental esta tecnología en su negocio: según  Afterpay la IA les permite ajustar la búsqueda a nuevas vulnerabilidades, lo que nos dota de una alta eficacia contra los defraudadores.

Afterpay dice que el fraude se mantuvo por debajo del 1% en 2020; mientras que Klarna asegura que la protección en su Marketplace excede la ofrecida por las tarjetas de crédito y los grandes bancos. Éste “éxito” en el control del fraude es por las capacidades de la IA de inferir nuevo conocimiento a partir de datos conocidos.

BNPL debe forzar a cambiar el modo en el cual se ha venido gestionando el riesgo en las entidades financieras, no se puede seguir confiando en sistemas reactivos, donde se espera a identificar un fraude según el match de una serie de reglas con la nueva petición de compra o financiación. La IA puede adelantar comportamientos nuevos y, al menos, avisar de que hay operaciones con riesgo de ser fraudulentos con una determinada probabilidad.

Esto último puede ser complementado por sistemas de “onboarding adaptativo”, los cuales modifiquen el método de venta cliente a cliente dependiendo, entre otros factores, del riesgo de éste. 

Lo anterior abre otro potencial uso de la IA en los eCommerce BNPL, no solo es controlar el riesgo, si no saber la propensión de compra del cliente, es más, conocer cuáles son los mejores productos y en qué condiciones de financiación para cada cliente. El fin último es maximizar la conversión de visitas al eCommerce con la máxima seguridad.

Se podrá pensar que en un modelo BNPL no existe suficiente información para entrenar los modelos por aprendizaje automático, pero en la realidad no tiene por qué ser así. Éste es un modelo pensado para canales digitales, y el uso de estos canales se puede trazar perfectamente, se puede saber para cada cliente qué ha hecho antes de elegir un producto determinado y comprarlo.

El canal digital tiene la ventaja de la velocidad y la inmediatez de las operaciones, pero hay que tener la tecnología para tratar de aprovechar las oportunidades, minimizando los riesgos; y esta tecnología no puede estar sustentada en los sistemas clásicos de segmentación o scoring. Hay que desarrollar soluciones basadas en las capacidades de aprendizaje profundo (Deep-learning), soluciones capaces de auto-ajustarse a los nuevos comportamientos conocidos a través de los datos.

En Gamco llevamos años desarrollando modelos por aprendizaje automático para la gestión de riesgos. Hemos tenido despliegues de sistemas en producción durante la pandemia y en el principio del confinamiento. Los modelos predictivos fueron creados con comportamientos de los clientes de créditos previos al COVID, pero gracias al autoaprendizaje, se autoajustaron a la nueva realidad a partir de la segunda quincena de marzo del 2020. 

Por otro lado, en Gamco se han desarrollado soluciones para el desarrollo comercial de canales digitales, estimando el potencial de cada cliente, cuáles son los productos que pueden desarrollar ese potencial y con qué palancas se maximiza la probabilidad de conversión (momento, mensaje, promoción cruzada, descuento o promoción de valor añadido).Estas soluciones nos permiten desarrollar sistemas que potencian y aseguran el modelo BNPL; permitiendo un onboarding adaptativo que facilite la conversión, a la vez que aseguran las transacciones.