– Gracias a la tecnología Machine Learning
– AIS Group lanza en Perú sus scorings de cobranzas, unos modelos que operan con inteligencia artificial y que logran multiplicar la eficiencia de las acciones de recobro, reduciendo los costes de gestión de las entidades y aumentando la productividad.
– Los modelos Machine Learning permiten realizar un mejor seguimiento de las carteras y detectar, con mayor antelación, señales de un posible impago antes de que se produzca.
La consultora multinacional AIS Group lanza este mes en Perú un modelo de scoring de cobranzas basado en técnicas machine learning, una herramienta que está llamada a multiplicar la eficiencia de las áreas de recuperación de impagados de los bancos.
AIS lleva 15 años en el mercado peruano colaborando con las entidades financieras del país a implementar las mejores prácticas internacionales en materia de gestión de riesgo de crédito, en todas sus fases, desde la admisión hasta la recuperación, tanto a nivel de consultoría como de construcción de modelos estadísticos e implantación de herramientas informáticas que automatizan los procesos de la banca.
José Manuel Aguirre, economista y director comercial de AIS, afirma que “ganar eficiencia en cobranzas es algo que todas las entidades peruanas deben contemplar, teniendo en cuenta las variables macroeconómicas y las previsiones del Banco Central”. Aguirre comenta que “en el último Reporte de Estabilidad Financiera del Banco Central de la Reserva del Perú, se publicaba que la ratio de morosidad de la banca era en marzo 2017 del 4,6%. Podríamos considerar que no es una tasa muy alta, pero según BCRP la tendencia es alcista tanto en un escenario base, pudiendo llegar al 5,2%, como lógicamente en uno estresado, donde la ratio podría alcanzar el 6,4% en 2018. Esto denota la importancia de lograr mayor eficiencia, optimizando estrategias para reducir costes.”
Esa es precisamente la finalidad del scoring de cobranzas. Este modelo, comenta Aguirre, “no sólo considera los aspectos clásicos del recobro, es decir, importe, producto y días deudores, sino que añade una visión 360 grados del cliente con muchas más variables.
A través de la explotación de técnicas machine learning, se favorece la optimización de todas las acciones posibles de cobranza en cada perfil de deudor. El logro con este modelo ya no es simplemente recuperar, sino recuperar con el menor coste posible. Eficacia y eficiencia combinadas.”
Machine Learning vs Modelos Tradicionales
“Las técnicas de Machine Learning aportan un mayor poder de predicción en los modelos de riesgo de crédito de la banca, tanto en captación, como en seguimiento y en cobranzas”, afirma Leandro Fernández, gerente general de AIS Group para Chile y la Región Andina.
Según Fernández, los resultados obtenidos en proyectos recientes revelan que el nivel de acierto en los modelos de concesión y seguimiento del riesgo de crédito mejoran entre un 25% y un 50% al usar algoritmos de machine learning frente a las técnicas tradicionales.
Estos resultados quedan reflejados en el Índice Gini, la medida de exactitud más utilizada en este campo, “que –señala Fernández- pasa del 50% o 60% a situarse en rangos superiores al 90%, “lo que es un porcentaje de acierto altísimo”. Lo mismo ocurre en la fase de recuperación, pues el uso de estas técnicas multiplica la efectividad de las acciones de cobranzas.
Aplicar algoritmos y técnicas de Inteligencia Artificial -como Machine Learning- a los modelos de riesgo multiplica la capacidad de acierto y permite que estos modelos, importantísimos para la banca porque gestionan la captación de negocio, se ajusten a los “niveles de riesgo” que defina cada entidad.
Estas técnicas permiten además realizar un seguimiento de las carteras y detectar, con mayor antelación, señales de un posible impago antes de que se produzca, “lo que es especialmente útil –afirma el gerente de AIS Group- en el nuevo marco que impone la normativa internacional IFRS 9 (NIIC 9 con las siglas en español), pues un cambio en el estado de las operaciones puede impactar negativamente en la cuenta de resultados, al provocar un la obligación de aumentar el nivel de reservas”.
Otra consecuencia que deriva del uso de estos modelos es un aumento en la productividad de las áreas de Riesgos.
Acerca del autor
