La dada com actiu en el sector financer amb Machine Learning
Si tenim en compte els actuals avenços tecnològics, la capacitat de processament de dades en les plataformes del núvol, la potència d’interacció que ofereixen les xarxes neuronals i les tècniques de Machine Learning o aprenentatge automàtic, fa que l’explotació de les dades adquireixi un valor que no pot passar inadvertit en tots els sectors i per descomptat tampoc en el financer.
Dins la intel·ligència artificial, que tracta d’identificar patrons del comportament humà, ens trobem amb el Machine Learning, disciplina que té com a objectiu elaborar decisions òptimes mitjançant l’anàlisi de les dades. Per a recórrer el camí existent entre la dada i la decisió, és imperatiu fer les preguntes correctes a les dades per a comprendre-les i així elaborar prediccions sobre la base d’elles. En altres paraules, buscar patrons en les dades per a fer prediccions sobre què passarà en el futur.
Major eficiència i eficàcia són sinònims de Machine Learning:
Segmentar clients, detectar fraus, recomanar inversions i generar models de risc de crèdit han obtingut assoliments inimaginables pocs anys enrere. Això fa que el sector financer no tingui més remei que canviar la seva visió respecte el valor de les seves dades i la seva explotació.
Els conceptes de Business Analytics, Data Science i Business Intelligence comencen a ser habituals en les entitats. Al seu torn, aquestes tècniques són indispensables per a descobrir les necessitats de les persones i gestionar la seva connexió amb el sector financer.
Les entitats a curt-mitjà termini es veuran forçades a elaborar els seus plans estratègics utilitzant les dades com a actiu principal. A mesura que la tecnologia evoluciona i els bons algoritmes són la majoria de codi obert, és difícil imaginar el futur dels serveis financers sense Machine Learning.
La presa de decisions basades en l’aprenentatge automàtic té quatre fases ben identificades:
La seva primera fase té com a objectiu l’enteniment de les dades recopilades. Per a això cal transferir les dades de llenguatge màquina a un llenguatge humà comprensible. Tècniques com el clustering o la ACP (Anàlisi de Components Principals), fan comprensibles per a la ment humana petabytes de dades multidimensionals, la qual cosa ens permet fer les preguntes correctes per a la comprensió de les dades objecte d’anàlisi: com influeix la por a una futura crisi en les masses de diners invertits? Com puc classificar els clients en funció de la seva tipologia de moviments monetaris? Quin segment de clients comprarà el meu nou producte? Com influeixen les noves experiències bancàries en les rendibilitats de les entitats? Quant triga un nou producte tecnològic a ser rendible?
En una segona fase es tracta d’establir el comportament futur sobre la base de l’observació de les dades. La bona elecció de la multitud de tècniques existents permet optimitzar la predicció a cada situació en particular.
Per a desenvolupar models sofisticats i flexibles, on la complexitat es pugui ajustar en funció de les necessitats i ajustar els predictors a voluntat, les xarxes neuronals són el punt fort ara com ara. Models estadístics entrenats amb xarxes neuronals són l’essència de l’aprenentatge automatitzat.
Aquí és clau l’evolució dels coprocessadors per a fer costat a les CPUs (GPUs), en principi s’utilitzen per a tractament d’imatges de vídeo jocs, però resulten molt potents per a multiplicar matrius i per tant molt útils per a la retropropagació en xarxes neuronals, a un cost cada vegada més baix.
L’optimització en la fase de presa de decisions consisteix en el fet que les generades avui, aportin beneficis i ens ajudin a entendre l’entorn en decisions futures. L’èxit està en l’equilibri entre exploració (recerca per a l’obtenció de més dades) i explotació (explotar la informació que ja es té per a obtenir beneficis).
Les entitats necessiten tenir en compte, en les seves planificacions estratègiques (a llarg termini) i tàctiques (a curt termini), quines parts dedicaran a investigar i crear futurs comportaments dels clients financers i quina part poden aplicar a curt termini.
En l’última fase ens trobem amb la inferència causal, on es comprova si les decisions preses (basades en dades) han tingut els efectes previstos. En altres paraules, respondre a si va funcionar la decisió presa?
En el sector financer, avui dia, el Machine Learning ja està trencant l’statu quo en la majoria dels sistemes: milloren la detecció del frau, anticipa l’incompliment dels pagaments, optimitza les segmentacions de clients identificant necessitats homogènies i creant productes innovadors que les satisfacin, fa més eficaços els processos de credit scoring, etc.
En els pròxims anys serem testimonis de la transformació de les àrees en les entitats, en la mesura que canviaran aquestes metodologies per les actuals en els seus processos de negoci.