¿Qué hace la Inteligencia Artificial hoy para el sector financiero?

La Cámara Oficial de Comercio de Sevilla, en colaboración con el Instituto Español de Analistas Financieros (IEAF), ofreció el pasado 16 de marzo de 2022 una jornada bajo el título “¿Qué hace la Inteligencia Artificial hoy para el sector financiero?”

La ponencia estuvo a cargo de Fernando Pavón, CEO de Gamco, quien de una forma didáctica y amena, dio unas pinceladas sobre en qué consiste el mundo de la IA y su aplicación hoy en día en el sector financiero. 

A continuación, os traemos el resumen de la jornada:

Usos de la Inteligencia Artificial en el sector financiero

En el ámbito de la gestión de carteras, Carlos Jaureguízar, por ejemplo, ha aplicado  a análisis de inversiones  filtrados de matrices de correlación de las covarianzas muestrales mediante el deep learning, un modelo que imita las redes neuronales que poseen los seres humanos. 

Otro ejemplo en el sector financiero lo encontramos en la empresa GVC Gaesco, donde se ha patentado un modelo en el que la IA basada en el deep learning consigue encontrar soluciones de gestión de carteras aplicadas a finanzas conductuales. A esto se le ha denominado Behavioral Finance. Para preservar el capital, lo que hace es discriminar situaciones en las que falta un dato o este no es determinante para saber si un activo va a subir o bajar, de tal manera que estas redes neuronales son capaces de saber dónde se encuentran los puntos de ruptura.

Para contextualizar cómo funciona la IA en el sector financiero, podríamos remontarnos a la figura de Santiago Ramón y Cajal, investigador y premio nobel español, que fue quien identificó y analizó por primera vez entre 1920 y 1930 cómo funcionaban los sistemas nerviosos en los seres vivos, desvelando esa estructura perfectamente identificable, formadas por unas células denominadas neuronas. A partir de ese momento, esta estructura de redes neuronales se está intentado emular por medio de la IA. En definitiva, su objetivo principal es desarrollar redes neuronales artificiales.

Clases de Inteligencia Artificial

A nivel conceptual y dependiendo del nivel de inteligencia logrado, podemos identificar tres clases de Inteligencia Artificial:

1. La IA “auténtica”. Se centra en una sola tarea exclusivamente. Por tanto, si una IA aprendiese a jugar al ajedrez, no podría conducir un coche.
2. La IA general (AGI - Artificial General Intelligence). Tiene capacidad de pensar, por lo que no presenta una conducción plenamente robótica. Esto le permite adaptarse a distintos escenarios y resolver problemas de una forma completamente equiparable a como lo haría una mente humana.
3. La superinteligencia artificial (ASI - Artificial Super Intelligence). Es la que suele mostrar el cine, donde la IA ha alcanzado la capacidad de ser autónoma y superior a la inteligencia humana. La IA no solamente replica el conocimiento humano, sino que además puede pensar mejor y de forma más rápida y hábil que una persona.

Ahora bien, en la IA enfocada en el sector financiero, y en general a cualquier sector, podemos encontrar tres principios:

1. Los datos. Son nuestra materia prima y nos permiten extraer conocimiento útil para realizar predicciones por medio de patrones de comportamiento reconocidos De este modo, podremos deducir cuáles son las variables más importantes de nuestro cliente.
2. Los hechos. A partir de los datos la IA infiere conocimiento relevante que se suelen concretar en: predicciones, estimaciones de que ocurra un evento determinado (impago, compra, abandono de servicios por parte de clientes, etc.) y segmentaciones de los clientes y sus comportamientos para conocerlos mejor, prever comportamientos y poder realizar simulaciones: responder a las preguntas que en inglés serían de what if?
3. Acción. El conocimiento adquirido y las predicciones hay que llevarlos a la acción: usarlos en el día a día de las empresas. Esta acción se realiza mediante los recursos de software que permiten llevar información a la persona adecuada en cada momento, ya que si conseguimos predecir un comportamiento pero no realizamos una acción, realmente no estaremos mejorando nada. Esta acción debe optimizar los objetivos empresariales a la vez que mejoran los servicios y productos dados a los clientes.

En definitiva la IA crea Asistentes. Permiten liberar al talento humano de una empresa de aquellas tareas que se pueden automatizar. De este modo, un trabajador dispondrá de más tiempo para desarrollar las tareas para las que está mejor capacitado y que a día de hoy la máquina no puede hacer, por ejemplo, tomar un café con un cliente para conocer más de sus necesidades y motivaciones. 

Para que la IA aprenda sobre un problema concreto, necesita trabajar con datos. Por ejemplo, para la predicción de la demanda para comprar stock es necesario contar con los datos de la serie temporal de ventas. 

Sin embargo, si tenemos un portfolio muy amplio, la máquina tendrá una mayor cantidad de datos que procesar y resolver. En la mayoría de ocasiones, no hay que ir tanto al dato masivo (Big Data), sino que conviene acudir al “small data” (el dato del que ya dispone la empresa) para obtener más fluidez en el análisis e incluso mejores resultados, pues de otro modo podría llevarnos varios meses analizar los datos de una empresa. Por tanto, es conveniente empezar pidiendo solamente los datos que las empresas suelen tener, como los datos de facturación, en muchas ocasiones las fuentes de datos principales son el CRM y el ERP. 

Principales problemas de la IA

Los 3 principales problemas a los que se aplica la IA son de predicción, de clasificación y de segmentación.

A continuación vamos a verlo con un ejemplo práctico sector financiero:

Si lo que busco es predecir ingresos para gestionar mi liquidez, es esencial buscar datos temporales en los que el factor tiempo es muy importante. Es decir, hay que determinar en qué momento predecir ingresos, y con qué adelanto predecirlos y, llegado el momento para el que se predijo, realizar la valoración de la predicción con la realidad.

El objetivo es analizar cómo de buena o mala ha sido, y que los algoritmos de aprendizaje se reajusten según la bondad de las predicciones. Por ejemplo, para un banco es necesario predecir las necesidades de efectivo y saber con qué efectivo se va a contar en fechas más o menos próximas en sus sucursales, ATMs, transportadoras, banco central, ... Esto se podría aplicar a cualquier empresa para saber de qué tesorería se va a disponer.

En el ámbito de la clasificación ocurre lo mismo, pero ya se refiere al pago o impago de una factura o de las obligaciones de amortización e intereses de un crédito. El objetivo aquí es clasificar el comportamiento futuro, por ejemplo, los típicos scoring de admisión del crédito (bueno o malo). 

En cuanto a la segmentación lo importante sería determinar qué tipos de clientes tengo y cuáles son las variables más importantes. El nivel de complejidad aquí es superior, ya que hay que tener un mayor conocimiento del negocio. En este caso lo que hace la IA es analizar la información y presentarla, por ejemplo en las herramientas que hemos desarrollado, mediante mapas del comportamiento, de tal forma que podemos implementar métodos para extraer patrones de comportamiento con variables típicas y aportando mucha más información, como las características de la empresa y de los particulares más relevantes para el negocio.

Lo más importante es recoger las variables sobre las que se suele mover dentro de cada segmento. En el ejemplo inferior, cada celda equivale a un comportamiento determinado, compuesto con unas características propias, unos clientes que presentan ese comportamiento y unas diferencias con los segmentos vecinos:

A continuación, os mostramos algunos ejemplos de aplicación en el ámbito financiero:

• Crédito ➜ Decisiones de concesión
• Riesgo ➜ Gestión del riesgo admitido por el negocio con sus clientes
• Trading ➜ Automatizar la operación
• Advisors ➜ Personalización cliente a cliente de las recomendaciones, seguimiento y anticipación de tendencias
• Fraude ➜ Seguridad ante errores y usos indebidos

Tenemos que ser conscientes de que la IA no está solamente pensada para las grandes empresas. Debido a que la ciencia y la tecnología están bastante desarrolladas en este ámbito, podemos también llevarla a la práctica en pequeñas y medianas empresas. 

La implementación de soluciones de IA en las empresas mediante la tecnología de la nube o cloud va a facilitar su despliegue, el control por parte del negocio y la interconexión entre los departamentos de la empresa.

Un ejemplo de la aplicación de la IA a pequeñas y medianas empresas puede ser la predicción de impagos por parte de clientes actualmente sanos (que no han dado problemas de impago). Éste es un desarrollo en que hemos trabajado años en la gran banca para la gestión de carteras de activos, y que es de total utilidad para la optimización de la gestión de pagos de clientes en las PYMEs. 

En muchas PYMES nos podemos encontrar una parte reactiva en el sistema donde se gestiona la tesorería, las deudas, la recuperación de la deuda, la reclamación del IVA de facturas impagadas...

Pero también hay una parte proactiva donde se debe prever el problema que puede tener un cliente. En este punto, es conveniente tener en cuenta que, aunque haya clientes que siempre han pagado, existen ciertos comportamientos (que se reflejan en los valores de las variables) e indicadores que sirven a los sistemas basados en IA para dar alertas  y nos avisan de que esos clientes podrían no pagar.
Todo esto se puede solucionar gracias al software ARM SaaS de Gamco para la predicción de impagos. ARM SaaS permite detectar a aquellos clientes que presentan un riesgo elevado de impago. De este modo, conseguirás minimizar las pérdidas de tu negocio, así como reducir el tiempo para la toma de decisiones.