Inteligencia Artificial en créditos y cobranzas (parte 1) | Moonflow Academy

Hola a todos, ¿cómo están? Bienvenidos a un episodio más. Vamos a hablar de un tema muy interesante el día de hoy: la aplicación de la inteligencia artificial en los créditos y las cobranzas. Un tema muy interesante. Por ahí tenemos un vídeo introductorio sobre este tema, hablamos con Facu un poco de eso, pero en esta nueva serie vamos a estar profundizando mucho más en este tema. Te desafíos éticos, la aplicación hasta la implementación. Un tema muy interesante. José, ¿cómo estás? Entusiasmado.

Hola, Dani, ¿cómo estás? Sí, sí, entusiasmado. Es un tema que a mí me encanta, me apasiona, y además porque hoy contamos con la presencia de un experto en la materia. Está con nosotros Fede Ursi, Federico Ursi, que tiene más de 15 años de experiencia en lo que es desarrollo de modelos tradicionales y de analítica avanzada. Fede, ¿cómo estás? ¿Querés presentarte?

¿Qué tal, José? Gracias, José. Gracias, Dani. Sí, efectivamente llevo ya bastante tiempo trabajando desarrollando modelos de riesgo de crédito para el sector financiero, tanto como dijiste tradicionales, primero eran de regresión logística o modelos expertos, y en los últimos años ya con algoritmos de aprendizaje automático, de inteligencia artificial, tanto para evaluación de riesgo de crédito o para optimización de procesos de cobranza.

Bienvenido. Bueno, como decía Dani recién, este es un episodio más dentro de una serie que vamos a estar sacando, y en este episodio nos vamos a centrar en los tipos de modelos de inteligencia artificial que hay tanto para crédito como para cobranza. Primero vamos a ver un poco en general y después vamos a ahondar un poco más en algunos puntos de cobranza. Pero Fede, si tuvieras que categorizarlos o explicarnos qué tipos de modelos hay, ¿qué nos podés contar al respecto?

Sí, mira, los principales modelos además que permiten utilizar estas técnicas de inteligencia artificial son, por ejemplo, los modelos de originación, que son los que se utilizan para evaluar la capacidad crediticia de un solicitante en el momento de la originación del crédito, que se suele utilizar con datos históricos para predecir la probabilidad de default la probabilidad de que un solicitante cumpla con sus obligaciones crediticias. Una vez que ya el cliente pertenece a la organización, se suelen desarrollar modelos de comportamiento, que son modelos que analizan el comportamiento del cliente una vez que se otorgó el crédito y ayudan a predecir el riesgo futuro basándose en el comportamiento de pago actual del cliente. Por ejemplo, pagos atrasados o pagos anticipados, y suelen ser los modelos que se utilizan para la gestión de los clientes. Otros modelos que te puedo mencionar son los modelos de contactabilidad, que se utilizan para determinar la mejor manera y el mejor momento para contactar a los clientes en caso de que exista un retraso de pago o para prevenir los retrasos en los pagos. Y estos combinan tanto datos históricos del contacto como patrones de comportamiento de los clientes. Otro tipo de modelos que se suele desarrollar con técnicas de inteligencia artificial son los de propensión. Que se utilizan para predecir la probabilidad de que un cliente tome una acción específica, por ejemplo, aceptar una oferta de refinanciamiento, responder a una campaña de marketing, y en general se utilizan para segmentar a los clientes o para personalizar ofertas. Y los últimos que quiero mencionar en esta oportunidad son los de rentabilidad, que ayudan a identificar qué clientes son más rentables a largo plazo para, para la institución. Y no solo se considera la probabilidad de default o de incumplimiento, sino también el valor potencial del cliente a lo largo del tiempo.

Bien, o sea, esos serían como los mundos donde se adentra este tipo de técnica. Bueno, antes de enfocarnos por ahí puntualmente en la cobranza, si tuviéramos que ver cómo se clasifican los algoritmos propiamente de inteligencia artificial, ¿cómo serían? Entiendo que hay supervisado, no supervisado, ¿cómo sería un poco toda esa apertura?

Sí, efectivamente. En general hay una clasificación básica que se suele utilizar para el tipo de aprendizaje, de acuerdo al tipo de aprendizaje. Están los algoritmos basados en aprendizaje supervisado, que se usan cuando los datos están, como se denomina técnicamente, etiquetados para entrenarse. Es decir, vos tenés un flag o un target que querés predecir, por ejemplo, que si va a haber un default o no en una determinada ventana de tiempo, en un determinado periodo de tiempo. Y en créditos y cobranzas se pueden utilizar para predecir la probabilidad de incumplimiento de un solicitante en los modelos de generación que recién te comenté, o para evaluar el riesgo de un cliente actual en un modelo de comportamiento. Hay distintos algoritmos que se utilizan dentro del aprendizaje supervisado, como por ejemplo la regresión logística, que se viene utilizando hace más de 40 o 50 años, que es para estimar la probabilidad de un evento binario, de un incumplimiento de pago o de no pago. Luego hay herramientas de árboles de decisión que se utilizan para segmentar los datos dentro de grupos homogéneos. Y más moderno, y últimamente se viene utilizando el random forest, que es una técnica de bootstrap aggregation, como se llama, o técnicas como XGBoost, que son técnicas que se hacen muchos árboles de decisión y cada árbol va corrigiendo los errores que cometió el árbol anterior, y así se mejora la predicción. Y Y el último que se suele utilizar, que es muy importante, es la máquina de soporte vectorial, o Support Vector Machine por las siglas en inglés, que se utilizan tanto para problemas de clasificación como para problemas de regresión. Eso en cuanto a aprendizaje supervisado. En cuanto al aprendizaje no supervisado, como mencionaste antes, son datos que no requieren un etiquetado. Uno no tiene que querer predecir algo, sino que más bien busca patrones o busca segmentaciones similares o comportamientos similares dentro de los datos que uno tiene. Y estos se usan más en los modelos de propensión y de rentabilidad. Por ejemplo, te puedo mencionar algoritmos como el análisis de clúster, el k-medias o el DBSCAN, que son los más conocidos, que se utilizan para agrupar clientes en segmentos similares. Luego hay otras técnicas como análisis de componentes principales para reducir dimensionalidad de datos, es decir, cuando hay mucha gran cantidad de datos Se utilizan estas técnicas o mapas autoorganizados para visualizar datos complejos. Y además del algoritmo supervisado y no supervisado, tenemos lo que se denomina aprendizaje por refuerzo. Y este es un enfoque que se basa en la toma de decisiones secuenciales y en el aprendizaje a partir de lo que se llama feedback o retroalimentación. Es menos común en el mundo de créditos y cobranzas, pero puede utilizarse mucho para optimizar estrategias de contacto con los clientes. Es decir, en los modelos de contactabilidad que vimos antes. Algunos algoritmos pueden ser el Q-learning, que es un algoritmo que busca la política óptima para maximizar la recompensa. Luego hay otro algoritmo muy conocido que es el DQN, que utiliza Deep Q-Networks, que es una extensión del Q-learning que utiliza redes neuronales profundas. Y por último te puedo mencionar los algoritmos de política proximal, o PPO por las siglas en inglés, que sirven para encontrar políticas de toma de decisiones en entornos complejos. Estas serían las clasificaciones principales de algoritmos supervisados, no supervisados y de aprendizaje por refuerzo.

Excelente, mucho más de lo que yo conocía, qué gran mundo. Fede, volviendo un poquito para atrás, cuando hablábamos del mundo donde vamos a aplicar este tipo de modelos, si tenemos que hablar un poco sobre las fuentes de datos, los tipos de datos o los orígenes de datos, ¿cómo podemos abordarlo?

Es crucial, no solo el origen de los datos, la calidad de los datos para el éxito de los modelos, porque por más potente que sea el algoritmo, por más avanzado que sea, con datos de baja calidad no vas a poder tener un buen modelo. Y luego, de acuerdo al tipo de modelos que mencionamos antes, ya sea de originación o de comportamiento, se suele utilizar diferentes tipos de datos. Por ejemplo, para los modelos de originación se suele utilizar datos históricos crediticios de los que aplican a los créditos, información demográfica, socioeconómica, historial de empleos e ingresos. Es decir, se suelen utilizar bloques de información y a partir de esos bloques utilizar las variables más predictivas para obtener un score de originación que sea, que tenga una buena performance. Para los modelos de comportamiento, una vez que ya es cliente, se suele utilizar el historial de pagos, datos transaccionales, datos de uso de productos financieros, las interacciones previas con el servicio al cliente. Para los modelos de contactabilidad tenemos los registros de contacto anteriores, ya sea llamadas, emails, SMS, WhatsApp, o de acuerdo al país, el tipo de contactos que se utilicen, respuestas y patrones de comunicación con el cliente, datos de comportamiento en canales digitales. En cambio, en los modelos de propensión se suele utilizar Por supuesto, el historial de respuestas a las campañas de marketing. Estos son modelos más difíciles porque en general las tasas de respuesta suelen ser bajas y los datos suelen estar desbalanceados. El comportamiento de compra, la utilización de productos, datos sociodemográficos, psicográficos. Y por último, para los modelos de rentabilidad se suelen utilizar datos de ingresos, de gastos, historial de uso de productos y servicios financieros, y luego las proyecciones de valor a largo plazo del cliente, que es lo que queremos obtener con este tipo de modelos de rentabilidad.

Buenísimo, Dani. Déjame hacer una pregunta más y ya te dejo para que tomes un poco vos la palabra también. Fede, nosotros en alguno de los vídeos que tenemos en Academy hablamos sobre segmentaciones, nos parece muy importante al momento de separar carteras para tratarlos de formas diferenciadas, para no tratar, digamos, a todos los clientes por igual. ¿Cómo es en este mundo de de los algoritmos de inteligencia artificial. ¿Qué opinás vos sobre el uso de segmentaciones? ¿Qué tipo de segmentaciones existen?

Sí, para, por supuesto, la segmentación es fundamental en las cobranzas porque te va a permitir adaptar las estrategias de contacto y de recuperación de deudas según las características y comportamientos de los grupos de clientes. Hay segmentaciones, pueden ser expertas y otras que son estadísticas, para los cuales sí se utilizan algoritmos de inteligencia artificial. Ahí te voy a mencionar los principales tipos de segmentación. Tenemos por un lado, por ejemplo, la segmentación demográfica, que agrupas a los clientes de acuerdo a características demográficas como edad, género, ingresos, nivel educativo. Por supuesto, esto tiene que estar en línea con las regulaciones en el país donde se hace el tipo de segmentación, porque bueno, en algunos sitios está prohibido segmentar por edad o por género. Luego tenemos la segmentación geográfica, que nos sirve para clasificar a los clientes de acuerdo a la ubicación geográfica. Esto también es importante tener en cuenta dónde se está operando, porque en algunos países como EE.UU. no se puede utilizar la segmentación por código postal, y esto puede influir en las estrategias de contacto y en las preferencias de comunicación, además, de los clientes. Un tipo más moderno es la segmentación psicográfica, que se basa en características psicológicas como el estilo de vida, los valores o las actitudes. Y ayuda a entender las motivaciones detrás del comportamiento del cliente. Y luego, la más moderna de todas, que está hace unos años, que se utiliza bastante, es la segmentación conductual, que se enfoca en el comportamiento del cliente con hábitos de pago, frecuencia de compras, respuesta a campañas anteriores. Y este tipo de segmentación sí es particularmente útil en las cobranzas. Hay una variación del que se denomina segmentación conductual modernizada, utiliza datos detallados sobre el comportamiento del cliente para crear segmentos dinámicos y muy específicos. Y esto lo podemos combinar con el tema que tratamos antes, como los algoritmos de aprendizaje no supervisado. Acá se utilizan técnicas como el K-Means o el clustering jerárquico, y son herramientas clave para definir este tipo de segmentación. Por ejemplo, un modelo de segmentación conductual podría identificar a un grupo de clientes que consistentemente pagan tarde, pero por ejemplo responden bien a un recordatorio por SMS 2 días antes del vencimiento. Entonces te permite adaptar tus tácticas de cobro en consecuencia a este tipo de segmentación.