ASÍ IDENTIFICAN Y RECONOCEN LOS BANCOS NUESTROS PATRONES DE COMPORTAMIENTO

¿Estás buscando una hipoteca? El ‘machine learning’ puede determinar su concesión

PRNOTICIAS CONSULTA A MARCEL BEYER, CEO DE IAHORRO TECHNOLOGIES

“En el proceso de solicitud de una hipoteca, los modelos de puntaje crediticio o ‘credit scoring’, que se basan en machine learning, pueden predecir la probabilidad que un solicitante tiene de incumplir el pago de sus cuotas. Todos los bancos utilizan estos modelos en la actualidad para tratar de blindarse ante estos riesgos de impago”

Publicidad

Todos lo hemos vivido. Entramos pensando en pasar ahí dos minutos o ver solo un capítulo, pero cuando nos damos cuenta ya ha transcurrido mucho más tiempo del que, en un principio, teníamos planeado. El algoritmo estrella de plataformas de éxito como Netflix o Instagram aprende de los patrones de comportamiento de sus usuarios, para ofrecerles recomendaciones personalizadas que se ajusten lo más posible a sus gustos y preferencias. Y, este algoritmo también se encuentra detrás de las decisiones hipotecarias tomadas por los bancos. Pero, ¿cómo es posible?

La tecnología responsable de esta ‘magia’ no es otra que el machine learning: un modelo algorítmico, entrenado con amplias bases de datos que le permiten identificar y reconocer patrones de comportamiento y, con ello, aprender. Y tomar decisiones basadas en ese aprendizaje.

Marcel Beyer, CEO de iAhorro Technologies, es experto en el área, por ello, lo consultamos desde PRNoticias, para conocer cómo se aplica el machine learning al sector bancario y, sobre todo, cómo incide en la obtención de una hipoteca. Pero comencemos por el principio…

¿Qué es el machine learning?

El machine learning, o aprendizaje automático, es una rama de la inteligencia artificial que permite a los algoritmos mejorar automáticamente a través de la experiencia. Utiliza grandes cantidades de datos históricos para identificar y reconocer patrones y, con ello, hacer predicciones, sin ser expresamente programado para ello. Es decir, no se trata de una programación mediante reglas, sino de un modelo que crea esas reglas de manera desasistida/automática gracias a este histórico de datos. La base fundamental de esta tecnología de aprendizaje automático es, por tanto, la estadística.

¿Para qué sirve?

Sirve para establecer patrones, realizar predicciones y, con ello, tomar decisiones basadas en datos, que se presuponen serán más acertadas al estar fundamentadas en la estadística. Por ello, las empresas, instituciones, etc. hacen uso de estos modelos de machine learning para tomar decisiones más acertadas, que les permitan reducir su margen de error y, con ello, aumentar su eficiencia o reducir sus costes, entre otros beneficios. Los modelos de machine learning que hemos implementado en la ‘Hipoteca as a Service’ de iAhorro Technologies ayudan igualmente a que los bancos consigan estos beneficios. Por ejemplo, nuestra herramienta de OCR (que previene el riesgo de fraude) o nuestro modelo de propensión (que permite prevenir el riesgo de impago o mora, y también calcular la probabilidad de conversión a oferta y a firma de cada usuario al comienzo de la operación).

¿Qué algoritmos usa?

El machine learning puede hacer uso de diferentes algoritmos, clasificados en categorías. Las categorías se diferencian en cómo estos algoritmos aprenden de los datos y en para qué tipo de problemas están diseñados. Algunos de ellos son: el aprendizaje supervisado (algoritmos de regresión lineal o de regresión logística, árboles de decisión); el aprendizaje no supervisado (algoritmos k-means, análisis de componentes principales), o el aprendizaje por refuerzo (Q-learning). En iAhorro Technologies, por ejemplo, ofrecemos a las entidades un algoritmo de regresión logística en nuestro modelo de propensión, que calcula la probabilidad de impago o mora de un usuario en el mercado genérico español. La regresión logística es una técnica de análisis de datos que utiliza las matemáticas para encontrar las relaciones entre dos factores de datos. Luego, utiliza esta relación para predecir el valor de uno de esos factores basándose en el otro.

¿Cómo se aplica al sector bancario?

El machine learning tiene múltiples aplicaciones en el sector bancario: la detección de fraudes, el análisis del riesgo crediticio o ‘credit scoring’, la personalización de productos o servicios, etc. En referencia al sector hipotecario, el machine learning es una de las tecnologías que se utilizan en los procesos, pero solo representa una pequeña parte. Normalmente, se utiliza en combinación con otras tantas tecnologías: el big data, el OCR, las APIs, etc. La idea es que el sector ha de avanzar hacia una digitalización al 100%, aunque ninguno de los bancos españoles ofrece hoy un proceso hipotecario digitalizado de principio a fin. Según los datos internos de iAhorro Technologies, la digitalización del proceso hipotecario de principio a fin permite a las entidades financieras reducir un 20% sus costes y en hasta un 50% el tiempo del proceso hipotecario, desde que el usuario solicita información hasta la firma del préstamo. Además, nosotros, con nuestra solución 100% digital ‘Hipoteca as a Service’, ya hemos conseguido duplicar la tasa de conversión de las entidades con las que actualmente colaboramos.

¿Cómo es posible que incida en la obtención de una hipoteca?

En el proceso de solicitud de una hipoteca, los modelos de puntaje crediticio o ‘credit scoring’, que se basan en machine learning, pueden predecir la probabilidad que un solicitante tiene de incumplir el pago de sus cuotas. Todos los bancos utilizan estos modelos en la actualidad para tratar de blindarse ante estos riesgos de impago. El análisis de grandes volúmenes de datos con el histórico previo de la propia entidad permite elaborar perfiles, de manera que la decisión de otorgar o no el préstamo hipotecario no tiene en cuenta únicamente la situación concreta del solicitante, sino características más amplias. Además, el OCR es una tecnología que permite escanear texto digital para verificar los documentos que el usuario entrega al banco en el proceso hipotecario. Los modelos entrenados de machine learning son, precisamente, los que identifican los diferentes campos y datos que se pueden extraer en las diferentes tipologías de documentos, detectando patrones con los que, después, el banco puede llevar a cabo los procesos de verificación y aprobación. Si el usuario ha alterado algún documento y el banco detecta algún tipo de intento de fraude en este punto del proceso, el banco podrá paralizar la operación.

¿En qué otros procesos bancarios tendría incidencia el machine learning?

Como comentaba, además de la gestión de hipotecas, el machine learning tiene incidencia en la prevención de fraudes o en la segmentación de clientes para la personalización en la oferta de productos o servicios, por ejemplo. La banca busca personalizar su oferta de productos y servicios, con el objetivo de retener a los clientes actuales y de atraer a clientes potenciales, y para ello puede usar modelos de machine learning que permitan segmentar a los usuarios. Con ello, podrá llevar a cabo recomendaciones a medida, optimizar y ajustar sus precios o establecer comunicaciones más personalizadas, entre otros.

¿Y en qué otros procesos importantes de la vida diaria podría incidir también?

El machine learning se encuentra detrás de muchas de nuestras decisiones o acciones de nuestra vida diaria. Sin embargo, en el sector financiero-hipotecario no se está explotando todavía todo su potencial. Los bancos todavía no están digitalizando sus procesos hipotecarios debido a muchos motivos: que perciben un alto riesgo de ejecución, no tienen claro el retorno de la inversión, etc. Por eso, para ellos, externalizar esta digitalización en una empresa como iAhorro Technologies puede ser clave. En el momento en que las entidades empiecen a digitalizar sus procesos, supondrá un cambio sustancial tanto para ellas como para sus clientes. Recordemos que, al final, la cuota de la hipoteca supone el mayor gasto mensual (o uno de los mayores) de cualquier familia. A su vez, la forma de consumir de la población, así como de los millennials, tiende hacia esta digitalización, igual que ya sucede en otras gestiones de la vida diaria (se puede abrir una cuenta de manera 100% digital, se puede comprar de manera 100% online…). En la vida diaria, el machine learning se encuentra detrás de la recomendación de contenido en redes sociales (Instagram, TikTok) y de servicios y plataformas de streaming (Netflix, etc.), que, igualmente, identifican y reconocen los patrones de comportamiento de los usuarios, aprenden de ellos y les muestran recomendaciones lo más personalizadas posibles basadas en ese aprendizaje. Otros sectores en los que podemos encontrar el mahcine learning son la salud (por ejemplo, en los diagnósticos médicos asistidos), y también en la seguridad pública (sistemas de vigilancia inteligente).

¿Dónde queda aquí el factor humano?

El factor humano es esencial para definir los objetivos, diseñar estos sistemas, interpretar los resultados y tomar decisiones éticas cuando se utilizan modelos de machine learning. Estos algoritmos permiten automatizar tareas y tomar decisiones más rápidas y eficientes. Pero, más allá de la programación (que evidentemente la realiza un equipo de personas) siempre habrá detrás un equipo humano que, además, se encargará de supervisarlos para garantizar que se aplican de manera eficiente y ética. En iAhorro Technologies, esto se traduce en un enfoque en la formación y el desarrollo continuo de nuestro equipo. Nos aseguramos de ofrecer a los bancos un servicio que combine lo mejor de ambos mundos: la eficiencia tecnológica y la comprensión humana. Nuestro equipo al completo tiene background tecnológico y, a la vez, Hipoteca as a Service está en constante evolución tecnológica; nos vamos adaptando y actualizando según va avanzando el mercado y las necesidades de los bancos y de nuestros clientes. Además, otra de las grandes ventajas del machine learning es su capacidad para ayudar a reducir los sesgos humanos inconscientes que todos tenemos y que podrían influir en las decisiones manuales. Esto, junto a la estadística como base de estos algoritmos, ayuda a los bancos a tomar decisiones más justas para los clientes y más equitativas.

¿Hay algo que los “humanos” podamos decir o hacer al respecto?

Nosotros tenemos un rol crucial en la formulación de principios éticos para el desarrollo y aplicación de estas tecnologías. También en el establecimiento de las normativas, y en la educación y la formación de la sociedad. La tecnología ha de verse como una ayuda o complemento al factor humano, y no como una amenaza.

Seguiremos Informando…

Respira y disfruta:

Durante 2022, las concesiones de hipotecas en España experimentaron un importante repunte, superando incluso el récord registrado en enero de 2020, cuando se constituyeron casi 55.400. Tanto es así, que solo en febrero de 2022 tuvieron lugar más de 57.100 concesiones. Sin embargo, el mercado se moderó de forma notable en 2023 y en enero de 2024, se constituyeron 42.478, es decir, un 11% menos respecto a enero de 2023. ¿Quieres saber más? Mira las estadísticas de Statista.

Publicidad
Publicidad
Salir de la versión móvil