La consultora AIS Group, especialista en el desarrollo de modelos y herramientas de inteligencia artificial (IA) para la gestión del riesgo, ha identificado cuatro grandes claves que debe contemplar esta digitalización
En un momento en el que el agregado de la cartera de crédito de las financieras (EFCs) en España crece a un ritmo del 6%, gana relevancia la digitalización de sus procesos para ofrecer servicios más rápidos a sus clientes que les reporten mayores beneficios, y también, mantener bajo control el nivel de riesgo que desean asumir.
La primera es utilizar herramientas de Open Banking. Estas herramientas recopilan automáticamente la información transaccional de las cuentas bancarias del solicitante, permitiendo a las financieras definir de forma mucho más precisa los perfiles de riesgo y otorgar los préstamos con mayor agilidad. Esta práctica está ganando aceptación entre los consumidores, ya que ahorra tiempo al evitar la necesidad de buscar y proporcionar documentos que acrediten su situación financiera y aceleran el proceso de onboarding y de evaluación del riesgo.
La segunda es implementar modelos Machine Learning. Este tipo de modelos de inteligencia artificial mejoran la precisión y la calidad de las evaluaciones de riesgo crediticio. Al tener en cuenta una amplia gama de variables, los modelos machine learning pueden generar evaluaciones de riesgo más completas y exactas, lo que ayuda a las financieras a minimizar el riesgo de impago y a mejorar la rentabilidad de sus operaciones.
La tercera es utilizar información demográfica y catastral. Si los solicitantes no facilitan sus claves bancarias para poder procesar sus datos a través de los sistemas de open banking, resulta muy útil considerar la información estadística proveniente de indicadores demográficos, económicos o relativos a la vivienda. Las bases de datos estadísticas pueden proporcionar orientación sobre el posible perfil de los solicitantes y contrastar la veracidad de la información que declaran. La tipología más probable de un solicitante de crédito se puede determinar a partir de su lugar de residencia, lo que también aporta datos como la media de ingresos de las familias que viven en la zona, el nivel de desempleo o el precio medio del metro cuadrado de los inmuebles.
Finalmente, según AIS Group, estas entidades deben contar con motores de decisión. Los motores de decisión son herramientas esenciales que permiten un «time to market» rápido. Independizan a las áreas de riesgo de las áreas de TI, lo que agiliza la implementación de políticas crediticias y permiten a los responsables definir los cambios en estas políticas.
Simulación para sostener el crecimiento
Pese al actual escenario alentador, dado el crecimiento del saldo de crédito de las financieras registrado en el último ejercicio, no se debe olvidar que la correlación entre las condiciones de la economía y el riesgo de crédito es directa, advierte el economista y director de relaciones institucionales de AIS, José Manuel Aguirre. Por ello, «todavía debemos esperar algunas consecuencias ante las recientes turbulencias y cambios producidos en los sectores financieros como resultado del aumento de los tipos de interés, la reciente quiebra de algunas entidades financieras en EEUU y Suiza y los conflictos armados en Ucrania y Oriente Medio, que influyen en abastecimientos y precios de algunas commodities».
Así, es altamente recomendable para las entidades financieras no sólo seguir la senda de la digitalización ya iniciada, pues las dota de eficiencia para impulsar su negocio y mitigar el riesgo, sino también destinar recursos a la simulación de escenarios. «De este modo, comenta Aguirre, pueden elaborar estrategias anticipándose a distintas situaciones plausibles en el devenir del entorno económico, lo que puede tornarse una destacada ventaja para lograr los resultados deseados».
Fuente Comunicae
Gracias por valorar este artículo. The post El Open Banking y el Machine Learning cambian radicalmente el negocio del crédito first appeared on Expansion y negocios.