Liberar el poder de la IA: remodelar los servicios financieros

La IA es una tema candente y se publican numerosos artículos que afirman que las empresas de servicios financieros que no adoptan la IA hoy corren el riesgo de quedar obsoletas mañana. Sin embargo, como ocurre con muchas exageraciones, es posible que la adopción de la IA por parte de la industria no avance tan rápido como se predice comúnmente. A modo de ejemplo, durante las últimas dos décadas, los expertos han pronosticado la obsolescencia de los bancos que utilizan sistemas mainframe antiguos y heredados. Sin embargo, incluso después de 20 años, muchos bancos todavía dependen de aplicaciones bancarias centrales basadas en tecnologías de mainframe heredadas, y estos bancos siguen siendo tan fuertes (si no más) como lo eran hace dos décadas.

Dicho esto, la IA llegó para quedarse y una adopción gradual es esencial. Como se analizó en mi blog, "La opción adecuada: evaluación del valor empresarial antes de adoptar AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), es crucial que los bancos elijan sabiamente sus batallas contra la IA, en lugar de implementarla porque sí.

Por lo tanto, es imperativo crear una lista completa de casos de uso de IA en la industria de servicios financieros. En mi opinión, podemos clasificar todos los casos de uso de IA en la industria de servicios financieros en dos grupos principales:

Grupo 1: Manejo más eficiente de datos no estructurados

Esta categoría se centra en recopilar, analizar y procesar datos que no se pueden estructurar claramente en una base de datos SQL. Por lo general, incluye datos de documentos, discursos o imágenes, que a menudo provienen de terceros como el gobierno o de servicios al cliente no digitales que necesitan transformación a un formato digital. Estos casos de uso apuntan principalmente a la reducción de costos, ya que el procesamiento de datos no estructurados puede consumir muchos recursos. El auge de la IA hace que sea cada vez más factible automatizar estos procesos.

Algunos ejemplos son:

• Manejo de documentos KYC y KYB: Procesamiento de imágenes de documentos de identidad, publicaciones gubernamentales o estatutos de empresas para comprender mejor a los clientes y las estructuras de la empresa.

• Gestión de identidad: Similar a KYC/KYB pero centrado en la autenticación continua y la firma de transacciones, utilizando datos no estructurados como imágenes de tarjetas de identificación, identificación biométrica (como rostro y huellas dactilares) e identificación de comportamiento.

• Gestión de marca y reputación: Monitorear el sentimiento de los clientes y los medios sobre la empresa para reaccionar a las campañas de marketing y abordar la publicidad negativa. Esto se hace monitoreando los medios tradicionales y las redes sociales (como comentarios, me gusta, acciones, opiniones...) y otras fuentes de información (por ejemplo, registros del centro de llamadas) para identificar el sentimiento y las tendencias del cliente.

• Gestión de reclamaciones: Automatizar la tramitación de siniestros con datos no estructurados, como fotografías de objetos asegurados dañados e informes periciales de seguros.

• Chatbots y centros de llamadas automatizados: Utilizar IA para categorizar y etiquetar las interacciones con los clientes, enviar interacciones de manera eficiente, proponer plantillas de respuesta estándar e incluso automatizar completamente las respuestas a través de varios canales de comunicación (correo, llamadas telefónicas y chat).

• Análisis de los sentimientos en correos electrónicos, sesiones de chat, grabaciones de voz y video y resúmenes no estructurados de comunicación para comprender los comentarios de los clientes y las interacciones entre empleados y clientes.

• Gestión de gastos y facturas: Convertir documentos financieros en datos estructurados para su procesamiento automático (por ejemplo, registrarlos correctamente en la categoría contable correcta).

Grupo 2: Mejor predicción y asignación de recursos

En la industria de servicios financieros (como en cualquier otra industria), los recursos como las personas y el dinero son escasos y deben asignarse de la manera más eficiente posible. La IA puede desempeñar un papel crucial a la hora de predecir dónde son más necesarios estos recursos y dónde pueden generar el mayor valor añadido.

Note: La atención de un cliente también puede considerarse como un recurso escaso, lo que significa que cualquier comunicación u oferta debe ser altamente personalizada para garantizar que la limitada capacidad de atención del cliente se aproveche de manera óptima.

Estos casos de uso se pueden clasificar en dos subcategorías:

Casos de uso independientes del sector

• Segmentación de clientes basado en los datos disponibles (por ejemplo, perfiles de clientes, análisis de patrones de transacciones, comportamiento pasado e inmediato de los clientes...) para determinar los mejores medios posibles (mejor combinación de canales) y estilo de comunicación (optimización de contactos) y asignar recursos a los clientes con el mayor potencial. ingresos futuros.

• Detección de abandono para identificar y retener a los clientes en riesgo de irse. Asignando recursos adicionales a esos clientes, como que los empleados se pongan en contacto con el cliente u ofrezcan ciertos incentivos (por ejemplo, descuentos o mejores tasas de interés) para evitar que el cliente abandone.

• Identificar los mejores prospectos y oportunidades de ventas.: de una lista de clientes potenciales, identifique aquellos que tienen más probabilidades de convertirse en clientes, pero también identifique qué clientes existentes pueden ser el mejor objetivo para acciones de venta cruzada y venta adicional.

• Predecir la evolución de la oferta y la demanda., por ejemplo, identificar dónde deberían ubicarse mejor los cajeros automáticos o las sucursales, predecir cuántas interacciones de atención al cliente se pueden esperar para garantizar una dotación de personal óptima del equipo de atención al cliente o predecir la carga en la infraestructura de TI para optimizar los costos de la infraestructura de la nube.

• Siguiente mejor acción, Siguiente mejor oferta o motor de recomendación para interacciones personalizadas con los clientes, es decir, predecir qué acción, producto o servicio es más probable que interese a un usuario en un momento dado. Permitir un fácil acceso a este proceso puede ayudar al cliente o cualquier otro usuario (como los empleados internos) a lograr su objetivo más rápido, lo que resulta en mayores ingresos y menores costos.

• Motor de precios para determinar el precio óptimo del producto o servicio.

Casos de uso específicos de la industria de servicios financieros

• Motor de calificación crediticia evaluar la solvencia crediticia y tomar decisiones crediticias eficientes. Este motor tiene como objetivo predecir la probabilidad de incumplimiento y el valor estimado de la pérdida en caso de incumplimiento, para determinar si un crédito debe ser aceptado o no. Este también es un problema de predicción, que garantiza que el dinero del banco se gaste de la manera más eficiente posible.

• Motor de detección de fraude para identificar y prevenir transacciones financieras fraudulentas, incluido el fraude en línea (amenazas cibernéticas) y el fraude de pagos. El motor predice si el comportamiento real de un usuario coincide con el comportamiento esperado (predicho). De lo contrario, es probable que se trate de un caso de fraude. Estos motores ayudan a reducir las pérdidas de ingresos, evitar daños a la marca y brindar al cliente una experiencia en línea sin fricciones.

• Robo-asesoramiento servicios para crear carteras de inversión óptimas basadas en las tendencias del mercado, la cartera de inversiones actual y las limitaciones de los clientes (como el perfil de riesgo, las limitaciones de sostenibilidad, el horizonte de inversión...).

  • Motor de detección de AML para detectar (y detener) el lavado de dinero y la actividad criminal en transacciones financieras.

  • Motor de gestión de riesgo de liquidez para optimizar los flujos de caja. Se trata de un servicio que se puede ofrecer a los clientes, pero que también es necesario internamente para el banco. El banco debe garantizar suficiente liquidez en su balance para cubrir todos los retiros, pero también debe predecir las necesidades de efectivo físico para abastecer los cajeros automáticos y las sucursales.

Además de estos casos de uso de IA orientados a los negocios, no pase por alto el uso interno de la IA para mejorar la productividad de los empleados. Las herramientas de IA generativa como ChatGPT pueden ayudar a varios departamentos, como ventas, marketing y TI, a aumentar su productividad.

Como se indica en mi blog "La opción adecuada: evaluación del valor empresarial antes de adoptar AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), la primera categoría (es decir, “Manejo más eficiente de datos no estructurados”) tiene, en mi opinión, el mayor potencial, aunque requiere habilidades de IA muy específicas y modelos de IA complejos. Por lo tanto, es probable que muchas empresas de servicios financieros utilicen modelos previamente entrenados para esta categoría de casos de uso.

Los casos de uso de la segunda categoría (es decir, “Mejor predicción y mejor asignación de recursos escasos”) también son prometedores y pueden producir resultados más rápidamente que los casos de uso de la categoría 1. Sin embargo, su valor añadido en comparación con los algoritmos tradicionales basados ​​en reglas es no siempre están garantizados, a menudo carecen de transparencia y son difíciles de ajustar. Como resultado, esos casos de uso a menudo parecen más prometedores de lo que realmente son.

En muchos casos, los bancos no necesitarán invertir directamente en IA, ya que ya existen numerosas soluciones de software que ofrecen no sólo modelos de IA sino que también abarcan el flujo de trabajo y la lógica empresarial que los rodea.
Para cada caso de uso, las empresas de servicios financieros pueden elegir entre tres opciones:

• Opción 1: Construyendo un modelo desde cero utilizando plataformas como AWS SageMaker o GCP AI Platform. Esto significa que la empresa necesita identificar un buen conjunto de entrenamiento de datos, configurar un modelo y entrenar el modelo mismo. Por ejemplo, KBC ha creado una gran parte de su asistente virtual (llamado Kate) completamente internamente utilizando tecnologías de inteligencia artificial de GCP.

• Opción 2: Utilizando pre-entrenado modelos basados ​​en la nube que son fácilmente implementables y adaptables, como AWS Fraud Detector, AWS Personalize o versiones personalizadas de ChatGPT (cfr. anuncio de OpenAI para introducir un nuevo concepto de GPT) para casos de uso específicos.

• Opción 3: Adquiriendo soluciones de software completas que incluyen modelos, pantallas, flujos de trabajo y procesos internos de IA. Existen numerosas soluciones en la industria de servicios financieros, como Discai (que comercializa los modelos de IA construidos internamente por el banco KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

La decisión sobre qué opción elegir depende de las necesidades específicas de la empresa de servicios financieros. Comprender las capacidades y limitaciones de los modelos de IA, tener una estrategia de datos sólida y saber cómo hacer que los datos estén disponibles para modelos y herramientas externos son pasos cruciales para una empresa de servicios financieros que busca adoptar la IA. Estos pasos suelen ser más importantes que tener un conocimiento profundo de la IA interna.

La adopción de IA en la industria de servicios financieros es claramente una necesidad para seguir siendo competitivo y satisfacer las demandas de los clientes. El enfoque correcto (de construir versus comprar), combinado con casos de uso bien considerados, puede allanar el camino para un viaje exitoso hacia la IA.

Mira todos mis blogs en https://bankloch.blogspot.com/

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs