IA en banca y finanzas. Stripe, Monzo y Grab | IA en los negocios #78

IA en la banca – introducción

La inteligencia artificial ya se utiliza ampliamente en muchas áreas del sector bancario y financiero. No se trata solo de chatbots para atención al cliente o aplicaciones bien aseguradas. La inteligencia artificial se está utilizando en la industria financiera para propósitos aún más serios. Aquí están las principales aplicaciones de la IA en la banca:

• Detección y prevención de fraudes – algoritmos avanzados analizan transacciones en tiempo real y detectan patrones de actividad sospechosos. Esto protege efectivamente a los clientes de estafas,
• Optimización de la previsión de liquidez financiera – modelos predictivos basados en IA analizan grandes cantidades de datos para predecir con precisión los flujos de efectivo futuros y gestionar la liquidez de manera más precisa.
• Agilización de procesos relacionados con la evaluación de solvencia – aquí también, los algoritmos de aprendizaje automático vienen al rescate, que, basándose en el análisis de miles de solicitudes de crédito, pueden evaluar con precisión la credibilidad financiera de un cliente,
• Personalización de ofertas y recomendaciones para clientes – los bancos utilizan modelos de recomendación avanzados para adaptar productos financieros a las necesidades individuales de los clientes,
• Automatización de procesos de back-office – tareas rutinarias, como la verificación de documentos o la liquidación de transacciones, pueden ser completamente automatizadas con la ayuda de la IA.

Sin embargo, ¿cómo han enfrentado las empresas que operan en mercados globales la implementación de estas innovaciones?

Stripe: credibilidad de transacciones a través de IA en finanzas

Uno de los líderes en la aplicación de IA a las finanzas es Stripe. Ha desarrollado un sistema llamado Stripe Radar, que analiza más de 1,000 características de una transacción en menos de 100 milisegundos para evaluar su fiabilidad. El sistema tiene una tasa de precisión del 99.9% mientras mantiene una baja tasa de falsas alarmas.

¿Cómo se logró esto? Primero, Stripe utiliza técnicas avanzadas de aprendizaje automático como redes neuronales profundas. El sistema se está mejorando y desarrollando constantemente con nuevas capacidades, como el aprendizaje por transferencia.

En segundo lugar, la empresa está constantemente buscando nuevas señales en los datos de transacciones que pueden ayudar a identificar anomalías que indican un posible fraude. Los ingenieros de Stripe revisan cuidadosamente cada caso de fraude para entender los patrones de operación de los criminales y enriquecer el sistema con reglas adicionales.

Stripe Radar es un excelente ejemplo de cómo la IA en la banca puede proteger efectivamente a los clientes de estafas financieras.

Fuente: Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo: IA en finanzas

Monzo, un neobanco con sede en el Reino Unido que opera exclusivamente en el espacio digital, ha aplicado capacidades de aprendizaje automático en un área completamente diferente: la optimización de campañas de marketing.

El banco ha construido modelos que, basándose en datos históricos, pueden estimar la disposición de un cliente dado para aprovechar una oferta adicional, como abrir una cuenta de ahorros, si recibe un mensaje específico del banco.

A continuación, para maximizar la eficiencia de la campaña, el sistema indica qué clientes deben recibir qué mensaje promocional. Esto permite dirigir el mensaje con precisión y lograr resultados significativamente mejores que en el caso de una comunicación masiva y no personalizada.

En algunos casos, la implementación de tal optimización ha permitido a Monzo aumentar la efectividad de las campañas en hasta un 200%! Esto demuestra cómo la IA en la banca puede ayudar a llegar a los clientes de manera más eficiente con ofertas personalizadas que resuenan con ellos.

Fuente: Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab: IA en la clasificación de datos sensibles

Grab es un gigante tecnológico del sudeste asiático, que ofrece servicios como transporte y entrega. La empresa ha decidido aprovechar las capacidades de los Modelos de Lenguaje (LLM) para automatizar el proceso de clasificación de datos sensibles que almacena. Esto es crucial porque la empresa posee los datos personales y financieros de sus clientes.

Para este propósito, se ha preparado un conjunto de etiquetas que describen varias categorías de datos, tales como:

• Datos personales,
• Información de contacto,
• Números de identificación.

A continuación, se diseñaron consultas apropiadas para que el modelo de lenguaje asigne automáticamente estas etiquetas basándose en los nombres de tablas y columnas en las bases de datos.

Como resultado, Grab puede clasificar la información almacenada por sensibilidad de manera mucho más rápida y económica. Esto facilita la aplicación de políticas de acceso a datos y privacidad. Según las estimaciones de la empresa, la solución ha ahorrado hasta 360 días de trabajo al año que anteriormente se gastaban en la clasificación manual de datos.

Fuente: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Resumen. El futuro de la IA en la banca y las finanzas

Como muestran los ejemplos de Stripe, Monzo y Grab, la inteligencia artificial ya está aportando un valor real a los bancos y las instituciones financieras. Puede ayudar a prevenir fraudes de manera más efectiva, dirigir a los clientes con mayor precisión o automatizar tareas tediosas.

En los próximos años, el papel de la IA en la banca seguirá creciendo de manera constante. Podemos esperar la automatización completa de muchos procesos de back-office, la hiperpersonalización de productos financieros y una integración más cercana de los modelos de aprendizaje automático con los sistemas bancarios.

Si te gusta nuestro contenido, únete a nuestra comunidad de abejas trabajadoras en Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.