Tarea #1 y análisis financiero, mapa mental

Inteligencia Artificial y Machine Lear Ning en la banca"

1. Enlace # 1 https://ginzo.tech/inteligencia-artificial-y-machine-learning-en-el-
sector-bancario-y-financiero/

Inteligencia Artificial y Machine Learning en el sector Bancario y Financiero

El internet cada día se ha vuelto una herramienta muy importante en todas las
gestiones que se precisan desarrollar, y actualmente la inteligencia artificial va
cobrando más espacios, ya que muchas tecnologías la aplican para la ejecución de
acciones y resolución de problemas.

El sector bancario y financiero, se han integrado al uso de estas herramientas

mediante las redes sociales, aplicaciones de navegación financiera, etc., y más
actualmente han incorporado el machine learning o aprendizaje automático para
evaluar mejor sus clientes potenciales ante un crédito y por supuesto, proporcionar
opciones personalizadas.
¿Qué es la inteligencia artificial y para que se utiliza?
En base a lo planteado anteriormente, se genera la interrogante ¿qué es la inteligencia
artificial en el sector financiero? Se conoce como inteligencia artificial (IA) a la
disciplina que permite automatizar la toma de decisiones y ejecutar acciones a través
del uso de sistemas informáticos y aplicación de técnicas matemáticas a grandes
volúmenes de datos.

Es importante saber que la inteligencia artificial sirve para realizar distintos tipos de
análisis, como lo son: los análisis descriptivos; los cuales se encargan de explicar qué
ha pasado, los análisis predictivos que se dedican a anticipar qué es lo que puede
pasar, y los análisis prescriptivos que recomiendan qué es lo que debe hacerse para
lograr una meta determinada.
¿De qué formas la inteligencia artificial ha beneficiado a la banca y al sector
financiero?
La inteligencia artificial ha beneficiado, y beneficia actualmente al sector bancario,
desde que éste ha implementado la aplicación de tecnologías que han mejorado
significativamente la experiencia del usuario, aumentando vertiginosamente la
eficiencia en los procesos internos y reforzando adecuadamente la seguridad, entre
otros tópicos del mundo financiero que necesitaban ser reforzados.
Automatización de procesos
La industria financiera se refiere a la automatización de procesos cuando desean
reducir los costos operativos y aumentar la productividad. Así se hace posible que el
software habilitado con la inteligencia artificial, pueda verificar datos y generar
informes en función de los parámetros dados, pueda revisar documentos y extraer
información de formularios (solicitudes, acuerdos, etc.).

En este sentido, al emplear la automatización en tareas repetitivas de alta frecuencia,

reduce considerablemente el error humano, permitiendo que la institución financiera
pueda reorientar los esfuerzos de la fuerza laboral en aquellos procesos que requieren
la participación humana.
Prevención de fraudes y mejoras en la seguridad
La inteligencia artificial es capaz de identificar actividades fraudulentas y controlar
efectivamente el blanqueo de capitales. Esto, combinado con la aplicación del
algoritmo machine learning, es capaz de aprender por sí mismo, y crear modelos que
permiten detectar fraudes más complejos de manera automática.

Productos financieros online

Muchos factores como la pandemia del covid- 19 y el empeño de agilizar y facilitar
ciertos tramites o procedimientos que requieren la inversión de mucho tiempo, ha
permitido que ya no sea necesario acercarse a la sucursal de una entidad bancaria
para abrir una cuenta de ahorro, solicitar una tarjeta o un crédito, ya que todo esto se
puede llevar a cabo por canales digitales como banca móvil y banca digital.

En algunas instituciones financieras estos procesos son administrados mediante

inteligencia artificial, y las decisiones son tomadas por el algoritmo en función de las
necesidades del cliente, su historial financiero e información de terceras fuentes.
Gestión de riesgo
La inteligencia artificial se ha convertido en una poderosa herramienta en el sector
financiero porque permite manejar grandes cantidades de datos en tiempo real. Por lo
tanto es posible hacer predicciones y generar detalles basados en múltiples variables,
que son indispensables para la planeación financiera.

Créditos automatizados
Con la puesta en marcha del machine learning en bancos y la tecnología predictiva, la
inteligencia artificial podrá generar modelos de riesgo de crédito, basados en los datos
financieros, comportamiento crediticio y de consumo del cliente.

Por este motivo, todo estará automatizado y el cliente podrá verificar el estatus de su
solicitud a través de los canales virtuales de la institución. Esto agilizará la entrega de
clientes y reducirá el riesgo al realizar un análisis profundo sobre cada cliente.

¿Qué es el machine learnig y para qué sirve?

Se define machine learning o aprendizaje automático, como una de las herramientas
con las cuales cuenta la inteligencia artificial, que consiste en que las maquinas
aprendan sin ser programadas previamente para esa tarea en específico.

Esta sirve para:

La detección de rostros: desbloquear teléfonos móviles, filtros de redes sociales y

otras necesidades de identificación.
Reconocimiento de voz: los asistentes digitales aprenden nuestro tono, el idioma y
hasta son capaces de reconocer órdenes y preguntas simples.
Correo electrónico: muchos sistemas de correo electrónico aplican el machine learning
para aprender cómo nos comportamos e identificar cuando un correo es malware o
spam.
Maps: los mapas de Google y Apple indican rutas más eficientes para llegar al destino.
Esto es posible gracias a la combinación de inteligencia artificial con el análisis de
datos obtenidos de patrones de tráfico, noticias y transporte relacionadas con el
tránsito, y otras apps aplicadas para finanzas.

¿Cómo el machine learning impacta en el sector bancario?

Son muchas las técnicas abordadas mediante el machine learning que han impactado
positivamente el sector bancario. En este sentido se ha reducido el margen de error en
actividades realizadas por humanos, y ha aumentado considerablemente la confianza
del cliente en la institución financiera. A continuación, se describen algunas acciones
que han impactado para bien las actividades bancarias desde la aplicación del
aprendizaje automatizado.
Detección de fraudes bancarios
Mediante el uso del machine learning en bancos, es posible detectar posibles fraudes
en tiempo real. Es en este sentido, se extraen datos y modos de proceder, que
permiten identificar comportamientos anómalos o acciones sospechosas, en cuyo caso
se puede solicitar una identificación del usuario extra como medida de seguridad.
Lo relevante de la aplicación de estas técnicas es que se realizan en tiempo real, de
tal manera que pueden ser evitados los fraudes y no solamente descubrirlos a
posteriori.
Predicción de riesgos crediticios
El machine learning es capaz de evaluar si un cliente podrá abonar en el tiempo
estimado y con sus respectivos intereses una solicitud de crédito generado por la
entidad bancaria. Esta compleja tarea se realiza calculando las variables de
rentabilidad, apalancamiento o liquidez, de manera rápida y precisa.
En este aspecto, la inteligencia artificial genera modelos de riesgo de créditos que se
fundamentan en datos financieros, comportamiento crediticio y consumo de los
clientes. Es así como se puede identificar cuando incrementar o reducir la línea de
crédito de un cliente basándose en la aversión del banco al riesgo.
Motor de recomendaciones
Mediante los canales digitales como la aplicación de la banca móvil o la página de la
banca online, se pueden establecer interacciones con el cliente en las cuales se
recomiendan productos o servicios financieros en base a su perfil, necesidades,
comportamientos y preferencias.

Segmentación de clientes
Lo más relevante en este aspecto es mejorar la experiencia del cliente, por eso, el
estudio y análisis de los datos se convirtieron en la mejor forma de conocer el
comportamiento de los clientes, su nivel de afinidad y patrones de conducta en
determinados segmentos, lo cual da paso al diseño de estrategias o recomendación
de productos específicos mediante campañas de publicidad personalizadas.

Por lo tanto, el machine learning es una herramienta de muy utilizada para detectar si
un cliente desea cambiar de entidad, a través del análisis de cómo ha dejado de usar
los servicios financieros en el último periodo, y así tomar acciones necesarias e
inclinar la balanza a favor de la institución.

De esta manera, cada vez que el cliente encaje con un patrón ingresará dentro de la
segmentación y por lo tanto se mejorará la experiencia hacia el cliente.

Enlace # 2 https://www.santander.com/es/stories/inteligencia-artificial.

¿Qué es la inteligencia artificial y cómo afecta a la banca?

Aprender, razonar o resolver problemas son algunas características propias del ser
humano. Hoy, a través de la inteligencia artificial, existen aplicaciones informáticas
capaces de realizar tareas de este tipo. La rápida penetración de esta tecnología trae
consigo una serie de oportunidades en distintas áreas. En el sector bancario se puede
utilizar para mejorar la atención al cliente, optimizar los procesos de aprobación de
créditos o prevenir la morosidad, entre otras aplicaciones. De la misma manera,
conviene tener identificados los numerosos retos de la inteligencia artificial.
Hace algunos años la inteligencia artificial (IA) podría parecer muy futurista. Pero en la
actualidad es común encontrar herramientas y aplicaciones basadas en algoritmos de
la IA en diferentes campos del día a día y con distintos fines: como generador de
contenidos (conocida como IA generativa y desarrollada en programas como Chat
GPT, de Microsoft, o Bard, de Google); ordenadores que juegan ajedrez y que son
capaces de vencer a humanos; asistentes personales digitales, navegadores que
indican la mejor ruta y miles de ejemplos más.
Imagina que tienes un robot aspirador. Está programado para que diariamente recorra
todas las estancias de tu casa guiándose a través de un mapa que hizo y guardó con
su sistema integrado de navegación el primer día (tareas pasadas). Sin embargo,
decides cambiar algunos muebles de sitio. Entonces, el robot empieza a tropezar con
ellos y activa automáticamente su navegador para actualizar el mapa (toma una
decisión según la información que recibe). Así, la próxima vez ya no tropezará porque
fue capaz de diseñar una nueva ruta.

Usos de la inteligencia artificial en la banca

Diferentes sectores aprovechan las ventajas de la IA para desarrollar una
nueva generación de productos y servicios más personalizados y adaptados a
las necesidades de las personas y las empresas. En el caso del sector
bancario, algunas de las aplicaciones para las que se usa la IA son:
Ampliar la atención al cliente. Los asistentes virtuales, también conocidos como
chatbots (software para chatear), están diseñados para resolver dudas
cotidianas, brindar información o dar instrucciones para realizar una operación.
Con esta opción, la banca garantiza a sus clientes un canal de atención en
cualquier momento y lugar. Así agiliza la resolución de consultas frecuentes
como los horarios de las oficinas, la ubicación de cajeros o cómo activar y
desactivar tarjetas de crédito.
Mejorar la seguridad en las operaciones. A través de la IA se pueden identificar
algunos hábitos de consumo de los usuarios y, ante cualquier anomalía o
transacción sospechosa, es posible tomar medidas automáticamente. Por
ejemplo, si vives en una ciudad y tu tarjeta bancaria registra actividad en otra,
es posible cruzar datos de los sistemas de geolocalización de tu teléfono móvil
para comprobar tu ubicación, notificarte la operación y solicitar tu verificación.
Así, se previenen delitos como la suplantación de identidad con las tarjetas.
También es útil para identificar actividades fraudulentas como el blanqueo de
capitales, al analizar y contrastar diferentes fuentes de información.
Reducir la morosidad. A través de notificaciones en las aplicaciones de banca
digital es posible avisar a los clientes de transacciones que estén a punto de
realizarse, como el cobro de un recibo en un par de días o del seguro del coche
dentro de unas semanas. La IA es capaz de analizar los patrones de gastos y
advertir al usuario de que se podría quedar sin dinero para hacer dichos pagos.
De esta forma, se ofrece un tratamiento personalizado, se promueve una mejor
gestión financiera y se reduce el riesgo de quedarse sin liquidez para hacer
frente a las obligaciones futuras.
Optimizar la gestión de créditos. Con el uso de datos como la edad, ingresos,
gastos, saldo promedio o nivel de deuda, entre otros, existen programas de IA
que sirven para automatizar la toma de decisiones a la hora de otorgar, o no,
productos bancarios como los créditos o cualquier otra operación de riesgo.
Este proceso permite reducir tiempo y recursos, así como ofrecer préstamos
más seguros para ambas partes.
Aprovechar el Banking of Things. Con la cantidad y variedad de dispositivos
capaces de conectarse a internet, el denominado “banco de las cosas” es una
infraestructura capaz de aprovechar la información que recibe para ofrecer
servicios o tomar algunas decisiones financieras. Por ejemplo, un frigorífico
inteligente puede detectar que no hay leche o que está a punto de acabarse y
encargarse automáticamente de hacer el pedido en una tienda online. Para
ello, este electrodoméstico debe tener un monedero electrónico integrado o una
tarjeta bancaria asociada.
En definitiva, la inteligencia artificial contribuye a una mayor protección de los
clientes, el mejoramiento de los servicios y productos bancarios, así como a la
eficiencia en las operaciones, entre otros aspectos. Las aplicaciones de la IA
son numerosas y su protagonismo en el sector tecnológico acelerará la
transformación digital de las empresas. Puede que ahora, tras conocer mejor
de qué se trata la IA, ya no pienses en robots futuristas, sino en los dispositivos
o herramientas que utilizas y que, sin darte cuenta, te ayudan a resolver tareas
del día a día.

1. Enlace #3 https://www.hiberus.com/crecemos-contigo/como-el-machine-
learning-mejora-el-sistema-bancario/

Cómo el machine learning mejora el sistema bancario

El machine learning o aprendizaje automático ha ido cogiendo cada vez más
protagonismo cuando hablamos de innovación y tecnología.
Es una rama de la inteligencia artificial que tiene por objeto desarrollar técnicas
que permitan a las máquinas aprender por sí mismas. Utiliza algoritmos
programados que procesan cantidades enormes de datos para extraer
patrones complejos de ellos y poder realizar predicciones.
Esta tecnología está presente en asistentes virtuales, reconocimiento facial y
coches automáticos. Algunas empresas como Netflix o Amazon ya usan esta
tecnología en sus plataformas.
Pero, ¿cómo puede el machine learning mejorar el desempeño de los bancos y
nuestra relación con ellos?
Hace unos meses CaixaBank desarrolló el primer algoritmo de ‘machine
learning’ para la clasificación de riesgos de la banca española basado en la
computación cuántica.
A continuación, analizamos cómo el machine learning puede ayudar a mejorar
el sistema bancario.
Detección de fraudes
Las acciones fraudulentas afectan al índice de escalabilidad y reputación de las
instituciones financieras. Los esquemas tradicionales para detectar el fraude
responden a normas preestablecidas, las cuales no son eficientes en el
momento que vivimos. El aumento de los pagos y operaciones automáticas ha
crecido de manera considerable los últimos años, incrementado a su vez el
fraude.

A través del machine learning se pueden detectar posibles fraudes en tiempo

real. Se extraen datos y patrones de comportamiento que permiten identificar
comportamientos anómalos o acciones sospechosas, en cuyo caso existe la
posibilidad de solicitar una identificación del usuario extra como medida de
seguridad.
En este caso, el mayor valor de estas técnicas reside en que se realizan a
tiempo real, de modo que se pueden evitar los fraudes y no solo descubrirlos a
posteriori.
Predicción del riesgo crediticio
Cada vez que se genera una solicitud de crédito, el banco procede a evaluar si
el cliente está en condiciones de abonar ese préstamo con sus
correspondientes intereses en un periodo de tiempo determinado en base a
múltiples variables como la rentabilidad, el apalancamiento o la liquidez para
calcular el riesgo.
El machine learning facilita esta compleja tarea, calculando estas variables de
forma rápida y con gran precisión a través de la inteligencia artificial genera
modelos de riesgo de créditos basados en datos financieros, comportamiento
crediticio y consumo de los clientes. De esta forma se puede identificar cuándo
incrementar o reducir la línea de crédito de un cliente en base a la aversión del
banco al riesgo.
Análisis y segmentación de clientes
El estudio y análisis de los datos es la mejor forma de conocer el
comportamiento de los clientes, su nivel de afinidad, relación y cuáles son sus
patrones de conducta en determinados segmentos, lo que permite diseñar
estrategias o recomendar productos específicos a través de campañas de
publicidad personalizadas. Es una herramienta muy útil para detectar si un
cliente se plantea cambiar de entidad, analizando como ha dejado de utilizar
los servicios financieros en el último periodo, para tomar acción e inclinar la
balanza de nuevo a favor.
Cada vez que un cliente adopte un comportamiento que encaje con un patrón,
ingresará dentro de la segmentación, para así poder generar una mejor
experiencia hacia el cliente.
Aumento de la productiva
La mayoría de las innovaciones tecnológicas van encaminadas a reducir la
fricción que puede existir en algunos procesos tanto con el cliente como de
manera interna.

La automatización de procesos automáticos y recurrentes permite que los

empleados que antes realizaban esas tareas puedan focalizarse en otras
tareas o funciones de mayor valor o urgencia.
Motor de recomendaciones.
E
Es muy habitual ver en la industria del comercio electrónico como
constantemente se generan recomendaciones basadas en el comportamiento e
interacción previa del cliente a través del machine learning.

Esto mismo sucede en el sector financiero: a través de los canales digitales

como las aplicaciones de banca móvil o la página de banca online se
establecen interacciones con el cliente en las que se puede recomendar
productos o servicios financieros en base a su perfil, necesidades,
comportamiento y preferencias.

Enlace #4

https://www.fisagrp.com/blogs/machine-learning-banca#:~:text=A%20partir%20de
%20Machine%20Learning,de%20consumo%20de%20sus%20clientes.

4 formas en que machine learning en la banca es esencial

la tecnología machine learning o aprendizaje automático (en español) tiene la

capacidad de aumentar los aciertos de los modelos bancarios en 50%, según
afirma Elías Bethencourt, Director de la consultora AIS Group.
La adopción de machine learning es una necesidad para la banca, por un lado
está la capacidad de generar certeza en un mercado extremadamente
competitivo y variable, mientras que del otro lado está su aplicación transversal
para identificar oportunidades y agregar valor en áreas que van desde la
gestión de riesgo a servicio al cliente.
A diferencia de la Analítica, que consiste en el análisis de los datos, machine
learning es un tipo de inteligencia artificial que aprende por sí solo, sin que
exista una programación que dictamine qué analizar y cómo hacerlo. A través
de una serie de algoritmos, el sistema procesa miles de millones de datos,
estructurados y no estructurados, para identificar patrones complejos y predecir
comportamientos futuros.
Machine learning tiene una extensa aplicabilidad en la banca, debido a que se
alimenta de datos y no existe otra industria que conozca tanto a sus clientes
como la financiera. Estos son 5 aplicaciones de Machine Learning en la banca.
Modelado de Riesgo de Crédito
Cuando existe una solicitud de crédito, el banco evalúa si la persona o la
empresa está en condiciones de pagar el préstamo más los intereses en un
determinado tiempo, para esto se valen de medidas de rentabilidad,
apalancamiento y muchísimas otras variables como la liquidez para calcular el
riesgo, una tarea compleja que en ocasiones puede resultar imprecisa.
A partir de Machine Learning, la inteligencia artificial que compone el sistema
es capaz de generar modelos de riesgo de crédito, basados en los datos
financieros y el comportamiento crediticio y de consumo de sus clientes. Así
también pueden identificar cuándo incrementar o reducir la línea de crédito de
un cliente, calibrando la tolerancia del del banco al riesgo.
Detección de fraudes
A pesar de que las acciones fraudulentas solamente representan una
minúscula fracción del global de transacciones de un banco, el índice de
escalabilidad y sus efectos en la reputación de una institución financiera
pueden ser enormes . Los esquemas convencionales para identificar el fraude
responden a reglas preestablecidas, las cuales no son eficientes en tiempo
real.
A través de Machine Learning se extraen de los datos, patrones de
comportamiento, los cuales se convierten en un conjunto de parámetros o
reglas, que aplicados dentro nuevos datos, permiten identificar acciones
sospechosas y prevenir fraudes antes de que estos ocurran, de esta forma se
trabaja proactivamente.
Segmentación de clientes
Al analizar la interacción de cada cliente con el banco, es posible identificar su
nivel de afinidad y relacionamiento, posiblemente algunos tengan en mente
cambiar de institución financiera, lo que implica que en el último periodo han
dejado de utilizar servicios financieros.
Existe una infinidad de comportamientos, que al ser analizados a través de
Machine Learning, se pueden definir en grupos segmentados, sobre los cuales
establecer estrategias puntuales para buscar fidelizarlos o ampliar su cartera
de servicios o productos financieros.
Cada vez que un cliente adopte un comportamiento que encaje con un patrón,
ingresará dentro de la segmentación, para así generar una mejor experiencia
hacia el cliente.
Motor de recomendaciones
En la industria del escomerse o la televisión bajo demanda, machine learning
constantemente genera recomendaciones basadas en el comportamiento y las
interacciones de los clientes.
La misma lógica se puede aplicar en la industria financiera, ya que los canales
digitales como la aplicación de banca móvil o la banca online son espacios de
interacción del cliente, donde se pueden crear recomendaciones de productos
o servicios financieros en base al comportamiento del cliente y sus
necesidades.
Incorporar machine learning como parte del Sistema de Core Bancario de una
institución financiera es una tarea compleja de por sí, que se ve agravada por
la incompatibilidad en los lenguajes de programación y la arquitectura sobre la
cual está diseñada.
Sin embargo, la plataforma de software financiero Omnia Business Platform, al
estar desarrollada bajo una Arquitectura Orientada a Servicios (AOS) se
convierte en el integrador capaz de conectar al Core Bancario o los sistemas
Legacy con tecnologías disruptivas como la Inteligencia Artificial y Machine
Learning.
Así, reemplazar el Sistema de Core Bancario no se vuelve una necesidad para
tomar ventaja de las tecnologías emergentes y ser competitivos en uno de los
mercados más innovadores. Los resultados de utilizar Omnia Business
Platform están en un ahorro de 40% de costos y una disminución de 30% en
los tiempos de servicio.