¿En qué áreas de la banca / finanzas se utiliza el aprendizaje automático?

El aprendizaje automático se utiliza en casi todas las áreas de los servicios bancarios y financieros y su aplicación se multiplica cada año debido a la explosión de datos, digitalización, avances tecnológicos, competencia, atención al cliente, entre otros factores.

Según este informe, se proyecta que el mercado de inteligencia artificial alcanzará los $ 36 mil millones para 2025

Aquí hay algunos casos de uso específicos de ML / AI en servicios bancarios y financieros.

Experiencia del cliente : un cliente más satisfecho es generalmente un cliente más comprometido y más rentable. Los bancos aprovechan ML / AI de muchas maneras en esta área en particular. Pocos ejemplos notables son:

1. Pruebas A / B para diseños de aplicaciones y sitios para proporcionar la mejor experiencia al cliente.

2. Chat-bots y robo-advisors para proporcionar asesoramiento oportuno y automatizado y resolver consultas relacionadas con productos o inversiones.

3. Personalización de productos, servicios y comunicación para cada cliente (tamaño de segmento de 1)

4. Seguridad de la cuenta y protección de la privacidad mediante reconocimiento facial y escaneo de retina

5. Procesamiento del lenguaje natural (PNL) para descifrar registros de llamadas y comentarios de los clientes para impulsar acciones correctivas

Eficiencia operativa: uno de los elementos de mayor costo además del costo de los fondos son los gastos operativos, como el personal del centro de llamadas y los cajeros, etc. La automatización impulsada por la inteligencia artificial puede ayudar al banco a reducir el costo de múltiples niveles en esta área.

Optimización del presupuesto de ventas y marketing : similar a los gastos operativos, las ventas y el marketing son otro gran gasto para una empresa financiera. ML impulsa una mejora significativa al dirigirse al cliente en el momento y lugar correctos con el producto o servicio adecuado con la estrategia de comunicación adecuada. Pocos ejemplos de esta área son: segmentación de clientes, motor de recomendación y el siguiente mejor producto en tiempo real o la próxima mejor oferta.

Cumplimiento: mantener información actualizada y comunicarla en tiempo real a los clientes y reguladores para crear una mayor transparencia sobre los términos y condiciones y los detalles del producto.

Riesgo y fraude: los modelos tradicionales de suscripción de riesgo y fraude están dando paso a los modelos basados ​​en ML / AI por diversas razones. Sin embargo, esta tendencia se debe principalmente a los siguientes factores:

• Big Data (volumen, velocidad, variedad). ¡Según IBM, el 90% de los datos que tenemos en el mundo hoy se han generado en los últimos 2 años! Todos los días estamos generando 2,5 bytes quintilianos (2,500,000 terabytes) de datos. Estos datos provienen de todas partes, como redes sociales, sensores, transacciones, imágenes, videos, etc. Se espera que el crecimiento de estos datos crezca exponencialmente en las próximas décadas.
• Velocidad de cómputo más rápida y almacenamiento de datos económico: el costo y la capacidad de almacenamiento se ajustan a la ley de Moore: el almacenamiento por unidad de área se duplica aproximadamente cada 2 años y se reduce a la mitad.
• Decisiones personalizadas y en tiempo real: el cliente actual desea tener un producto o servicio adecuado en el momento correcto y en el lugar correcto. El aprendizaje automático y el aprendizaje profundo facilitan las decisiones basadas en análisis en tiempo real que aportarán el máximo valor para los clientes y las empresas por igual.
• Multimodalidad y heterogeneidad : los datos provienen de diferentes plataformas y en todas las formas y formas, como videos, texto, imágenes, interacciones sociales, comentarios, etc.

En particular, el aprendizaje automático y el aprendizaje profundo traerán los siguientes beneficios:

• Descubra patrones difíciles de detectar (utilizando técnicas tradicionales) cuando la tasa de incidencia es baja
• Encuentre características latentes (supervariables) sin una ingeniería de características manual significativa
• Decisiones en tiempo real y modelos de autoaprendizaje utilizando datos de transmisión (KAFKA, MapR)
• Garantizar una experiencia constante del cliente y el cumplimiento normativo
• Mayor eficiencia operacional

Espero que esto ayude.

¡Aclamaciones!

Gracias por sus votos a favor de antemano. Me mantienen en marcha! ¡Gracias!

Descargo de responsabilidad: Las opiniones expresadas aquí son únicamente las del escritor en su capacidad privada.

Desde la evaluación de los riesgos de crédito hasta el refuerzo de la seguridad de sus propias redes, las startups fintech, en particular, están recurriendo a soluciones basadas en finanzas de aprendizaje automático para trabajar de manera más inteligente que más difícil.

Grandes bancos tomando nota

La inversión en este subconjunto de inteligencia artificial (IA) parece ser un movimiento inteligente, de hecho, para las empresas que no quieren quedarse atrás. Con los bancos líderes comenzando a invertir en inteligencia artificial, y el aprendizaje automático en particular, las empresas de tecnología financiera se verán significativamente en desventaja si no lo hacen también. Después de todo, uno no puede esperar interrumpir la competencia a menos que uno tome el camino tecnológico.

Por qué las grandes instituciones financieras están interesadas en esta tecnología es la misma razón por la que están interesadas en algo: el aprendizaje automático, aplicado correctamente, puede mejorar significativamente el resultado final. De hecho, existe una ventaja múltiple para las empresas que adoptan la tecnología de aprendizaje automático, tanto en términos de reemplazo de sistemas heredados como en el desarrollo de soluciones empresariales o personalizadas.

Hoy en día, el aprendizaje automático ha desempeñado un papel integral en muchas fases del ecosistema financiero, desde la aprobación de préstamos hasta la gestión de activos y la evaluación de riesgos. Sin embargo, pocos profesionales con conocimientos técnicos tienen una visión precisa de cuántas maneras el aprendizaje automático encuentra su camino en su vida financiera diaria.

El aprendizaje automático está impactando elementos del sector financiero.

Prevención del fraude

Los proveedores de servicios financieros no tienen mayor responsabilidad que proteger a sus clientes contra actividades fraudulentas. El fraude financiero le cuesta a los estadounidenses, solo, $ 50 mil millones anuales. Las viejas formas de mantener seguras las cuentas de los clientes ya no son lo suficientemente buenas. Con cada avance en seguridad de datos, los delincuentes han dado el paso al desafío. Para proteger los datos de los clientes contra amenazas cada vez más sofisticadas, las instituciones y las empresas deben estar un paso por delante de los hackers. El aprendizaje automático permite a las aplicaciones frustrar las infracciones de seguridad al ignorar a los delincuentes.

Gestión de riesgos

No debería sorprendernos que la tecnología de aprendizaje automático pueda ser un poderoso aliado en la búsqueda de una mejor gestión de riesgos. Si bien las aplicaciones de software tradicionales predicen la calidad crediticia en función de la información estática de las solicitudes de préstamos y los informes financieros, la tecnología de aprendizaje automático puede ir más allá y también analizar el estado financiero del solicitante, ya que puede ser modificado por las tendencias actuales del mercado e incluso noticias relevantes.

Predicciones de inversión

Los servicios comerciales asistidos por computadora han existido por algún tiempo. Permiten a los inversores hacer un pedido cuando una acción alcanza un precio predeterminado y vender cuando ese precio cae por debajo de cierto límite. Al automatizar las funciones, estas plataformas facilitan el comercio para inversores grandes y pequeños por igual. Si bien incluso pueden hacer recomendaciones basadas en el análisis automatizado de las tendencias del mercado, tienen limitaciones.

En los últimos años, los fondos de cobertura se han alejado cada vez más de los métodos tradicionales de análisis predictivo y han adoptado algoritmos de aprendizaje automático para predecir las tendencias de los fondos. Mediante el aprendizaje automático, los gestores de fondos esperan identificar los cambios del mercado antes de lo que es posible con los modelos de inversión tradicionales.

¡El aprendizaje automático se aprovecha para su uso en la industria BFSI de múltiples maneras día tras día!

Listado de algunas aplicaciones:

Bancario:

1. Marketing y ventas: las tecnologías de marketing de la era más reciente que aprovechan enormes datos de clientes, múltiples canales de medios sociales y grandes gráficos de patrones de consumo utilizan técnicas de aprendizaje automático para extraer análisis de ellos. Integraciones de canales de redes sociales, bots de chat de servicio al cliente son algunos ejemplos del uso.
2. Análisis de crédito: para los préstamos corporativos y multinacionales existe un amplio espectro de datos precisos disponibles en el dominio público, pero en los bancos de calificación crediticia individuales en estos días se utilizan grandes datos y tecnologías relevantes para préstamos en microfinanzas y otras personas

Gestión de inversiones:

1. Comercio de alta frecuencia / Comercio cuantitativo
2. Optimización de cartera y reequilibrio
3. Análisis de datos macroeconómicos
4. Análisis de datos alternativos para inversiones a largo plazo: análisis de pozos petroleros, transporte de petroleros, datos IOT y otros

Actualmente, tanto la banca como las finanzas están aprovechando al máximo la inteligencia artificial y el aprendizaje automático. Mencionaré solo algunas categorías:

Marketing y soporte

Con la capacidad de analizar el comportamiento pasado para optimizar la presente campaña futura, el aprendizaje automático es una tecnología influyente para los especialistas en marketing. Al analizar las entradas de varias fuentes de datos, como el análisis de comportamiento de dispositivos móviles y sitios web, transacciones recientes, respuesta a campañas publicitarias, etc., los especialistas en marketing pueden crear campañas específicas. También pueden mapear todo el recorrido del consumidor desde la primera interacción hasta la compra.

Trading algorítmico

AI permite el análisis de diversos factores de mercado complicados al mismo tiempo. Hoy en día, hay muchos fondos de cobertura que aprovechan los sistemas de alta gama para implementar modelos de inteligencia artificial que aprenden al recibir aportes de distintas fuentes de mercados financieros y sentimientos. Esto permite la toma de decisiones en tiempo real al eliminar la brecha de tiempo entre los conocimientos y la recopilación de datos.

Gestión de riesgos

Al proporcionar un préstamo a cualquier cliente, los bancos pasan por un proceso de evaluación de riesgos para estimar la solvencia de un prospecto. Los sistemas tradicionales se basaron en datos históricos como el historial de transacciones, el historial de crédito y el crecimiento de los ingresos durante años para comprender el riesgo asociado con cada préstamo extendido. Esto dio lugar a estimaciones inconsistentes ya que los datos históricos no siempre son un estándar preciso para predecir el comportamiento futuro. Luego vino el aprendizaje automático al rescate. El aprendizaje automático permite el análisis de datos en tiempo real de transacciones recientes, condiciones del mercado e incluso las últimas noticias para identificar riesgos potenciales al ofrecer crédito.

Los bancos necesitan tener inteligencia fuerte y de calidad. Ya es hora de que los departamentos de gestión del rendimiento deban desaparecer, ya que son un ejército de personas responsables de extraer datos (manualmente) y producir información (archivos de Excel). Muy ineficiente de hecho!

Pocos escenarios potenciales en la banca que creo que el aprendizaje automático puede contribuir en gran medida

Ingeniería de producto: saber qué vender, cuándo y a quién
Crear propuestas de valor perfectas combinando diferentes productos, comportamientos de los clientes y diversos canales es uno de los principales desafíos en la banca. Diseñar nuevos productos y ofertas de servicios para los clientes adecuados mediante una minería de datos adecuada que admita procesos flexibles e integrados para comprender los hábitos de compra de los clientes, los canales con los que el cliente se involucra y cuáles son los factores de influencia clave son muy críticos para que los bancos vendan

Aplicar el aprendizaje automático para producir una oferta personalizada de productos es clave para la banca de la próxima generación. La propensión a comprar un producto bancario es un KPI crítico para que un banquero venda sus productos y servicios

Gestión de riesgos: conocer la solvencia crediticia de un cliente
Identificar un puntaje de riesgo de un cliente en función de su nacionalidad, ocupación, rango de salario, experiencia, industria para la que trabaja, historial crediticio, etc. Es muy importante para los bancos incluso antes de ofrecer un producto o servicio al cliente. Este puntaje de riesgo es un KPI importante para que los bancos decidan sobre la tasa de interés y otros comportamientos del producto para el cliente.

La introducción de un mecanismo centralizado e integrado de financiamiento y riesgo ‘instantáneamente’ es un desafío importante en estos días. Incluso ahora, los bancos no logran obtener una aprobación financiera instantánea debido a su ineficiencia para pronosticar el puntaje de riesgo del cliente

Análisis de fraude
Otra área con la que los bancos enfrentan grandes desafíos es el fraude. Quizás, una de las mayores oportunidades radica aquí en detectar el fraude en línea y evitarlo mediante el análisis y el aprendizaje de máquinas para obtener una visión holística de los clientes. Identificar patrones en los datos, agrupar información y distinguir la actividad fraudulenta de la actividad normal.

Tesorería – CRM, transacciones al contado
CRM es muy prominente en el espacio de banca minorista. Cuando se trata del espacio del Tesoro dentro de la banca, la gestión de la relación con el cliente apenas existe. Treasury tiene una paleta de productos diversa, como FX, Opciones, Swaps, Forwards y, lo que es más importante, Spots. Tener una transacción en línea combinando la sofisticación del producto de estos, los aspectos de riesgo del comportamiento del cliente, el mercado y la economía y el historial crediticio es casi un sueño lejano para los bancos. Aprendizaje automático para combinar un precio de tipo de cambio robusto respaldado por un control instantáneo de la cordura del riesgo y luego hacer un trato en línea. ¡Voto, esto sería increíble!

Segmentación de clientes
En este mundo de Gen-X, Gen-Y, Millennials y nosotros (las tradiciones) – los bancos realmente están luchando para agrupar a los clientes en diferentes segmentos para apoyar las campañas de ventas, promoción y marketing mediante la recopilación y el análisis de todos los datos disponibles y el uso de Big Data tecnología para extraer inteligencia de los datos subyacentes.

No importa qué nuevas ideas descubra el aprendizaje automático, solo los gerentes humanos pueden decidir las preguntas esenciales, como los problemas comerciales críticos que una empresa realmente está tratando de resolver.

Hola Banks, ya eres una casa de matemáticas. ¿Por qué no agregarle algo de aprendizaje automático?

No soy un experto en banca / finanzas, sin embargo, sé un poco sobre el aprendizaje automático. El análisis de LD y de conglomerados definitivamente se usa para determinar los factores que se correlacionan con la solvencia crediticia y la probabilidad de incumplimiento para posibles préstamos emitidos por bancos en base a datos históricos. En resumen, es útil determinar qué factores afectan más la capacidad de las personas o las empresas para pagar los préstamos sin incumplimiento.

Los fondos de cobertura y las firmas HFT definitivamente también usan ML. Sin embargo, creo que es mejor dejar que otra persona que realmente trabaja en finanzas proporcione una respuesta más clara basada en la experiencia de la vida real para esta.

También me interesa saber sobre aplicaciones adicionales …

Además de lo que Greg señaló, ML también se usa en:

• Comercio (para construir modelos predictivos de precios, volatilidades, etc.)
• Gestión de cartera (como fuente de alfa)
• Gestión de riesgos (para tratar de obtener mejores estimaciones de riesgos)

Uno diría que ML es bastante generalizado en las finanzas de hoy.

Se utiliza en préstamos de consumo. Wonga y muchos de los grandes prestamistas de consumo, así como los préstamos no bancarios para pequeñas empresas y las empresas de factorización de facturas están utilizando algoritmos de calificación crediticia y cobranza, así como inteligencia de análisis de marketing, para ver cómo su gasto en marketing genera nuevas consultas y, en última instancia, nuevos negocios. de varios canales.

La calificación crediticia es tan precisa una vez que el algos afina que la calificación de las agencias de crédito solo otorga una ponderación del 15% a la calificación general calculada, que se basa en una gran cantidad de datos que pueden obtener de cientos de fuentes potenciales.

Los bancos minoristas están trabajando en ideas, pero son un grupo conservador y estarán al menos 3-5 años detrás de las pequeñas y ágiles empresas emprendedoras que no tienen burocracia o sistemas heredados de back office para frenarlas. Los bancos lo adoptarán cuando sea una opción segura.

Sin embargo, en última instancia, los algoritmos son tan buenos como los datos de los que “aprenden”, por lo que las empresas con más datos históricos están en una posición mucho mejor para explotar estas tecnologías.