Los motores de toma de decisiones, a veces denominados árboles de decisión, son plataformas de software que automatizan las reglas comerciales o las decisiones comerciales, lo que te ayuda a optimizar los procesos comerciales que requieren toma de decisiones sin tener que pensar en ello. Un motor de toma de decisiones automatiza estas decisiones comerciales en función de tus necesidades comerciales y los criterios particulares que establece el propietario de la plataforma, ahorrándote el trabajo manual y centralizando el proceso de toma de decisiones.

¿Qué necesita un motor de toma de decisiones para funcionar? Además de un conjunto de reglas (lógica), también conocido como flujo de trabajo de toma de decisiones, estos motores necesitan datos. Montones y montones de datos. Al acceder e integrar los datos de múltiples fuentes y aplicar estas ‘reglas’ de acuerdo con tus criterios, puedes automatizar la toma de decisiones. En particular en el mundo de las finanzas, los motores de toma de decisiones se utilizan a menudo para ayudarte a determinar a quién otorgar préstamos y para determinar qué tipo de productos puedes ofrecer a tus clientes. Estos motores automatizados también permiten asignar precios y ofertas de manera personalizada (es decir, condiciones financieras y tasas de interés), los cuales pueden ser personalizados según tus necesidades exclusivas. Algunos ejemplos populares en el mundo de las fintech y los servicios financieros incluyen: préstamos al consumidor, originación de préstamos, aprobaciones de tarjetas de crédito, financiamiento de automóviles, préstamos en el punto de venta como compra ahora paga después (BNPL), préstamos a PYMEs, aprobaciones de pólizas de seguro, ofertas de ventas adicionales y cruzadas, estrategias champion/challenger, auditorías, cobros y mucho más.

Los motores de toma de decisiones pueden ayudar a dotar de información a varios tipos de decisiones comerciales, desde operaciones básicas del día a día hasta decisiones comerciales estratégicas de más alto nivel.

• Decisiones estratégicas: Las decisiones estratégicas son de alto nivel y tienden a ser más complejas, afectan a una porción mucho más grande de la organización y, a menudo, se aplican durante un plazo más largo (es decir, cambiar las estructuras de costos o planificar el crecimiento organizacional a más largo plazo). Los motores de toma de decisiones y los procesos de toma de decisiones automatizados pueden acelerar y optimizar varios procesos, mejorar la eficiencia y permitirte tomar decisiones más inteligentes en general. En el caso de los servicios financieros, esto podría significar un cambio en la decisión de a quién puedes otorgar un préstamo para expandir tu base general de clientes y planificar el crecimiento. Ten en cuenta que la ejecución de decisiones más complejas normalmente requiere una gran cantidad de datos, proporcionados por una variedad de fuentes. El uso de motores de toma de decisiones y procesos de toma de decisiones automatizados puede ayudar a una organización a acceder, analizar y tomar acción en una gran variedad de datos, lo que permite una toma de decisiones más inteligente.
• Decisiones tácticas: Las decisiones tácticas se enfocan mucho más en los procesos comerciales y tienden a ser menos complejas y a más corto plazo. Algunos ejemplos incluyen el lanzamiento de nuevos productos, el cambio de precios de productos, la gestión del control de inventario, la cadena de suministro y la logística. Con los motores de toma de decisiones, puedes analizar más fácilmente los datos de rendimiento y ayudar a determinar nuevas estrategias de precios para tus productos de servicios financieros o buscar estratégicamente a qué grupo demográfico o región apuntar a continuación.
  
  
• Decisiones operativas: Centradas en las operaciones diarias de una empresa, las decisiones operativas son de escala mucho menor. Tienden a estar relacionadas con la producción diaria global y, por lo general, se ejecutan en consonancia con la visión estratégica general de una organización. En el mundo de los servicios financieros, los motores de toma de decisiones pueden mejorar la eficiencia y ayudar a automatizar o agilizar las distintas decisiones diarias, incluidas las aprobaciones de préstamos, las ofertas de tasas de interés, el asesoramiento sobre cobros, la incorporación de comerciantes, la optimización de precios, los procesos de cumplimiento, la verificación de identidad, la prevención de fraudes y más.

Entonces, ¿cómo funciona realmente un motor de toma de decisiones? ¿Y cómo funcionan los motores de toma de decisiones en una empresa? Si bien depende de cada organización individual (y de sus reglas comerciales internas) determinar cómo se ejecutarán sus decisiones empresariales, hay algunos pasos básicos que son comunes en todos los procesos.

1. Establecer los resultados deseados: Analiza cuáles son tus metas. ¿Para qué reglas comerciales específicas necesitas utilizar el motor de toma de decisiones o los flujos de trabajo?
2. Determinar los criterios para la toma de decisiones: ¿Cuáles son los estándares o requisitos con los que efectúas las evaluaciones o tomas las decisiones? Por ejemplo, en el caso de muchas aplicaciones de crédito, algunos criterios particulares a menudo incluyen los ingresos, el estado laboral, la edad, el estado civil, el coeficiente de endeudamiento, etc.
3. Organizar las fuentes de datos: ¿Qué tipo de fuentes de datos necesitas para procesar estas decisiones comerciales basadas en tus resultados deseados y tus criterios determinados? ¿Necesitas datos tradicionales de oficinas de crédito y de terceros, o datos alternativos como información de alquileres, presencia en los medios sociales y datos web, etc.?
4. Crear los flujos de trabajo para la toma de decisiones: ¿Cuáles son los pasos necesarios en tu proceso de toma de decisiones? Utiliza las herramientas de configuración dentro del motor de toma de decisiones para establecer los flujos de trabajo y las reglas comerciales a fin de habilitar las decisiones automatizadas.
5. Probar e iterar: Crea, prueba e implementa tus tarjetas de puntuación de modelado y el proceso de toma de decisiones, y observa qué sucede cuando ingresas a un cliente típico en el sistema. Por ejemplo, si un cliente solicita una tarjeta de crédito, su información se ingresa en el motor de toma de decisiones, el cual luego extrae los datos necesarios (verificación de identidad, KYC, verificación de ingresos, fraude) y rechaza o aprueba la solicitud según los criterios iniciales determinados. ¿Falta algo? ¿Puede tu proceso de negocio ser más fluido? ¡Iterar!
6. Determinar los siguientes pasos a seguir: ¿Cuál es tu umbral para aplicaciones complejas? ¿Qué aplicaciones requieren una intervención manual? El procesamiento directo te permite tomar decisiones instantáneas para las solicitudes de crédito y préstamos más simples, mientras que un proceso de toma de decisiones impulsado por reglas te ayudará a identificar y redirigir las excepciones que requieren un mayor grado de intervención manual.
7. Monitorear y optimizar: ¿Ofrece el motor de toma de decisiones un valor real para tu negocio? Usa la información que te proporciona el motor para supervisar el rendimiento de las decisiones. Identifica las oportunidades para mejorar aún más el proceso de toma de decisiones y habilita una toma de decisiones más eficiente, lo que fomentará el crecimiento del negocio.

Como hemos demostrado, hay una gran variedad de formas en las que los motores de toma de decisiones pueden ayudar a dotar de información a los procesos comerciales. Pero, ¿cómo funciona esto exactamente? En el caso de los servicios financieros, piensa en todas las decisiones manuales que requieren intervención humana. Por ejemplo, si una persona necesita un préstamo para un automóvil, ¿cómo determina un prestamista si esa persona es solvente o no? Y si lo es, ¿qué tasa de interés o plazos de pago deberían ofrecerse? Tener un motor de toma de decisiones automatizadas permite agilizar el proceso de solicitudes, aprobaciones y financiación para garantizar una experiencia superior y eficiente para los clientes.

En el ejemplo de la financiación de automóviles, las solicitudes pueden pasar de formularios manuales con mucho papel y horas de espera en un concesionario a solicitudes en línea simplificadas. Una persona puede completar fácilmente una solicitud y proporcionar una identificación, lo que luego permite que un motor de toma de decisiones mueva a esa persona rápida y fácilmente a través del flujo de trabajo de toma de decisiones a lo largo de una serie de pasos predeterminados, de acuerdo con los criterios iniciales. En este caso, esos criterios podrían comenzar con el análisis de datos para la verificación de identidad (¿es esta persona realmente quien dice ser? ¿Qué edad tiene? ¿Tiene una licencia de conducir válida?), y luego continuar con los distintos factores que determinan la solvencia. ¿Tiene esta persona un ingreso que está por encima de nuestro umbral? ¿Cuál es su puntaje crediticio? ¿Cuánta deuda acumula esta persona y cuál es su relación deuda-ingresos? ¿Tiene incumplimientos de préstamos anteriores en su historial?

A medida que el motor de toma de decisiones accede y analiza automáticamente todos los datos requeridos de acuerdo con las reglas comerciales, mueve esa solicitud a través del flujo de trabajo en función de las respuestas. ¿Licencia de conducir? Verificado. ¡Siguiente paso! ¿Tiene edad suficiente para tener un automóvil? Claro. ¿Tiene trabajo? Sí. ¡Continúa! Pero luego viene un puntaje de crédito inaudito y un historial de numerosos préstamos que han pasado a cobros. La pelota se detiene aquí y el motor de toma de decisiones (según las «instrucciones» iniciales al momento de establecer el flujo de trabajo original) detiene la aplicación y determina que esta persona NO es un riesgo que este prestamista quiere correr.

Por supuesto, no todas las situaciones son tan claras como ese ejemplo, pero la belleza de automatizar los procesos comerciales con un motor de toma de decisiones es que puedes optimizar y mejorar la eficiencia para muchas situaciones y tipos de solicitantes, mientras el foco está en ese recurso más preciado, los humanos, en los casos más complejos que requieren intervención manual.

A pesar de todas las formas maravillosas en las que se pueden mejorar los procesos comerciales utilizando motores de toma de decisiones, no puede haber una ejecución de decisiones automatizada sin una gran cantidad de datos. Los datos, preferentemente variados y provenientes de una amplia gama de fuentes, son fundamentales para el proceso de toma de decisiones. Todas las organizaciones de servicios financieros utilizan los datos para tomar decisiones informadas a lo largo del ciclo de vida del cliente, pero tener que acceder e integrar manualmente las fuentes de datos puede ser toda una pesadilla. El consumo de datos ha evolucionado, junto con los motores de toma de decisiones que se alimentan de dichos datos. Es imposible tomar decisiones precisas basadas en las necesidades comerciales sin los datos correctos que se alinean con los criterios particulares establecidos. Piensa en los ejemplos analizados anteriormente: ¿dónde obtienes información sobre pagos de préstamos, puntajes de crédito, índice de ingresos a deuda, verificación de edad, etc.? Todo tiene que ver con tus fuentes de datos.

Llamado a la acción: Descubre cómo la integración de datos simplificada, a través de una sola API, permite tomar decisiones más inteligentes. Botón: Dile hola a los datos

Actualmente cada vez más prestamistas están analizando una gama más amplia de fuentes de datos que incluyen datos alternativos, como el pago de alquileres, la interacción en las redes sociales, información de sitios web, datos de viajes y mucho más, para garantizar:

• Una visión más precisa de la verificación de identidad
• Una visión más holística del riesgo y la solvencia
• Una mejor prevención de fraudes

Para ayudar a garantizar decisiones automatizadas más precisas que proporcionen valor a una empresa, es necesario acceder a estos datos y analizarlos para actuar de manera adecuada. Como dijo The Financial Brand: “Los datos, por sí mismos, no son un activo valioso. Lo que haces con ellos es lo que importa”. Tener una variedad de datos disponibles a pedido resulta esencial para que puedas mejorar la toma de decisiones automatizada. Los proveedores de datos de terceros, conectados a través de una plataforma o sitio de mercadeo centralizados con una API única, puede facilitar el uso de los datos, proporcionándote la capacidad para acceder a numerosos datos e integrarlos en tan solo minutos. Utiliza los datos para probar los flujos de trabajo de toma de decisiones, y después repite y adapta fácilmente el proceso.

El uso de la inteligencia artificial y el aprendizaje automatizado están creciendo. La IA en los servicios financieros se considera una oportunidad de $450.000 millones. Pero, ¿cómo puedes usar la IA de manera más efectiva en tus motores de toma de decisiones? El uso de inteligencia artificial y aprendizaje automatizado para potenciar tu proceso de toma de decisiones permite lo siguiente:

• Precisión mejorada en la toma de decisiones
• Detección de fraude superior
• Relaciones enriquecidas con los clientes
• Mayor satisfacción de los clientes
• Ampliación de base de clientes
• Fijación de precios optimizada
• Mayores ingresos

McKinsey señaló que “Los continuos avances en big data, tecnología digital y análisis están creando nuevas oportunidades para que los bancos mejoren los modelos de toma de decisiones crediticias que sustentan sus procesos de préstamo… los bancos (y las empresas fintech) que han implementado nuevos modelos ya han aumentado sus ingresos, han reducido sus tasas de pérdida de crédito y han obtenido ganancias significativas en materia de eficiencia gracias a una toma de decisiones automatizada y más precisa”.

Puede parecer abrumador tratar de implementar IA en tus procesos de toma de decisiones, pero no necesitas científicos de datos en tu equipo para que la IA tenga impacto. Con una plataforma tecnológica que incorpora fuentes de datos y aprendizaje automatizado avanzado en tu motor de toma de decisiones, puedes aprovechar la toma de decisiones avanzada y obtener todos los beneficios enumerados anteriormente. La IA te permite hacer cosas que pueden resultar un desafío para los motores de toma de decisiones tradicionales, incluida la habilitación de más aprobaciones para los consumidores no bancarizados, la adaptación a las tendencias del mercado y a las demandas de los consumidores que cambian rápidamente sin sacrificar la experiencia del cliente y el establecimiento de relaciones en tus datos (¿ves? ¡Los datos mandan!) que de otro modo serían invisibles. Si tienes la suerte de tener científicos de datos en el equipo y necesitas encontrar una manera de utilizar toda su experiencia en tu motor de toma de decisiones o aplicaciones comerciales, busca un socio tecnológico que pueda migrar fácilmente los modelos existentes a una plataforma fácil de usar.

Mientras hablamos de integraciones de datos, flujos de trabajo automatizados, científicos de datos, aprendizaje automatizado… ¿por qué tomarse tantas molestias? Hay un inmenso valor en el uso de motores de toma de decisiones para los servicios financieros en lugar de intentar tomar decisiones manualmente en torno a tus procesos comerciales. Algunos de los beneficios incluyen:

• Rendimiento mejorado: toma decisiones de manera más rápida y efectiva, lo que permite un rendimiento comercial optimizado
• Mayores ganancias: otorga préstamos a más clientes sin aumentar tu riesgo, lo que permite mejorar los márgenes de ganancia
• Eficiencia mejorada: ahorra tiempo y recursos, con menos necesidad de intervenciones humanas y con la capacidad de tomar decisiones más rápido
• Flexibilidad: cambia tus criterios de decisión sin tener que rehacer todo tu flujo de trabajo
• Escalabilidad: agrega fácilmente más integraciones de datos y nuevos criterios o parámetros de decisión a tus flujos de trabajo a medida que tu negocio crece o cambian las necesidades de tus consumidores o del mercado
• Recursos enfocados: ahorra la atención y la intervención manual para tus suscriptores en los casos más complejos
• Coherencia: asegura la coherencia y la estabilidad en tus procesos de toma de decisiones, lo que permite mejorar las relaciones con los clientes y la confiabilidad en el desempeño comercial
• Transparencia: obtén una visibilidad completa de lo que tu motor de toma de decisiones está haciendo y mide el rendimiento para que puedas optimizarlo fácilmente
• Capturar información: la suscripción manual requiere la captura manual de información. Con un motor de toma de decisiones automatizado, puedes llevar al día fácilmente información sobre tus clientes, tus decisiones y tu rendimiento general, que luego puedes retroalimentar a tu motor de toma de decisiones para una mayor optimización.

La experiencia del cliente es más importante que nunca. En una época en la que todo está disponible bajo demanda (programas de televisión, atracciones, entrega de alimentos, entrenamientos), tus consumidores esperan velocidad. Además de eso, valoran la personalización. Queremos que Netflix sepa exactamente qué tipo de programa queremos ver a continuación o apreciamos cuando nuestro feed de Facebook está lleno de anuncios que resuenan. Según PwC, el 80 % de los consumidores considera que la velocidad es un factor de compra clave y Salesforce dice que el 76 % de los consumidores esperan ofertas personalizadas. ¿Quién tiene tiempo para eso si estás ocupado tomando todas tus decisiones comerciales manualmente?

¿Qué depara el futuro para los motores de toma de decisiones? Desde nuestra perspectiva, el panorama es brillante. ¿Sabías que Forrester agregó recientemente plataformas digitales de toma de decisiones a su informe de tendencias? Según Forrester, las plataformas de toma de decisiones digitales (DDP) son “una evolución de los sistemas expertos, los sistemas basados en el conocimiento, los sistemas de gestión de reglas comerciales y los sistemas de gestión de decisiones». Es una afirmación ambiciosa, pero está claro que la trayectoria es positiva cuando automatizas tus decisiones comerciales. Y con la mayor aceptación que tiene la inteligencia artificial y el aprendizaje automatizado, las formas en las que podemos automatizar las decisiones serán cada vez más interesantes (y rentables).

¿Estás listo para descubrir cómo una plataforma de toma de decisiones impulsada por IA puede ayudarte en tu proceso de toma de decisiones? Consulta nuestro libro electrónico.

Lecturas adicionales:

• Cinco características clave para crear el ecosistema óptimo de toma de decisiones sobre riesgos
• Cómo funcionan juntos los árboles de decisión y los motores de reglas
• El desafío del algoritmo: usar IA para la toma de decisiones sobre riesgos
• Automatización: Impulsando decisiones crediticias más eficientes y efectivas

Una cantidad cada vez mayor de prestamistas está adoptando modelos de Aprendizaje Automatizado (Machine Learning, ML) para alimentar información al proceso de toma de decisiones crediticias. Los modelos ML (como Random Forest, XGBoost, LightGBM y Neural Networks) tienen una capacidad predictiva y de precisión que supera el estándar de la industria de Regresión logística, ya que permiten capturar relaciones no lineales altamente complejas. No obstante, sin una configuración meticulosa durante la capacitación, tanto la explicabilidad como la generalización del modelo pueden verse afectadas. Este aspecto resulta esencial porque los modelos de toma de decisiones crediticias deben cumplir con un criterio doble de:

• Explicabilidad: los impulsores del modelo son transparentes para los usuarios y proporcionan conclusiones ejecutables para los clientes a quienes se les ha denegado crédito. 
• Generalización: los modelos no sobreajustan los datos de capacitación y se desempeñan correctamente con datos (de producción) nuevos.

Este artículo explica la importancia de aplicar limitaciones tanto monotónicas como de interacción cuando se capacitan los modelos ML a fin de cumplir con estos criterios.

Transparencia y posibilidad de ejecución

Muchas jurisdicciones exigen que los prestamistas expliquen cómo y por qué han denegado una solicitud de crédito, estipulando que los prestamistas proporcionen Códigos de acción adversa que indiquen las razones principales por las que se denegó el crédito. Las explicaciones correctas por las que la predicción de un modelo lleva a un prestamista a denegar una solicitud de crédito convierten a los modelos ML en transparentes (no existe una ambigüedad de “caja negra” relacionada con los impulsores de la predicción del modelo) y ejecutables (el crédito denegado al cliente está acompañado de medidas claras y tangibles que puede tomar el solicitante para mejorar su probabilidad de obtener un crédito). En un ejemplo concreto de explicabilidad, si la característica de un modelo con el impacto más negativo para el solicitante al que se le ha denegado un préstamo es “la cantidad de consultas crediticias realizadas en los últimos seis meses”, el Código de acción adversa podríaser “la cantidad de consultas crediticias de los últimos seis meses es demasiado alta”. Esta cualidad ofrece transparencia con respecto al impulsor principal y una acción clara para los clientes que indica que para mejorar su solvencia, es necesario que reduzcan la cantidad de consultas crediticias. De esta manera, es más sencillo para los solicitantes conocer los factores que evitan que alcancen calificaciones superiores y mejoren su solvencia.

La transparencia además les garantiza a los prestamistas que las decisiones crediticias se basen en motivos posibles de explicar y defender, y no en atributos protegidos tales como género, religión o etnia. 

Existen numerosos métodos de explicabilidad que ayudan a interpretar los impulsores de modelos complejos, pero dos de ellos han cobrado popularidad:

1. Explicaciones de Modelo Agnóstico Local Interpretable (Local Interpretable Model-Agnostic, LIME)
2. Explicaciones Aditivas de SHapley (SHapley Additive exPlanation, SHAP)

LIME aproxima modelos ML complejos con un modelo local más simple que es más sencillo de explicar. Como LIME utiliza un modelo proxy que se concentra en el impacto local de las características, no puede utilizarse para generar Códigos de acción adversa, los cuales deben obtenerse específicamente usando el modelo ML adoptado para la toma de decisiones crediticias (y no un proxy).

SHAPcuantifica la contribución de cada característica a una predicción que efectúa el modelo ML (las características que tienen mayor incidencia en la predicción del modelo tienen un SHAP mayor), lo cual transparenta las predicciones del modelo. Pero la transparencia basada en el uso de valores SHAP no da lugar directamente a la posibilidad de ejecución que es necesaria para utilizar en Códigos de acción adversa. Para poder usar valores SHAP en la obtención de códigos de acción adversa, se necesitan las siguientes limitaciones de capacitación:

1. limitaciones de interacción monotónica, y
2. limitaciones monotónicas de interacción.

¿Por qué son necesarias las limitaciones al modelo?

Para entender el motivo por el cual se requieren tales limitaciones al modelo, resulta útil observar un diagrama de dependencia de SHAP que muestra el efecto que tiene una sola característica en las predicciones que efectúa el modelo (el siguiente gráfico se obtuvo a partir de un árbol de decisión de potenciación del gradiente, el cual se capacitó con un conjunto de datos de riesgo crediticio con el objetivo de estimar la probabilidad de insolvencia de distintos solicitantes de crédito)

Figura 1 – Diagrama de dependencia de SHAP para la Característica1         

La primera observación es que el patrón es no monotónico: a medida que los valores de la Caracterísitca1 aumentan, también lo hace la solvencia, hasta el punto previsto de deterioro.

La primera acción que se necesita es imponer las limitaciones monotónicas, las cuales aumentan o reducen monotónicamente las predicciones del modelo con respecto a una característica cuando todas las demás características se mantienen sin cambio. En el ejemplo anterior, los valores más altos de la Característica1 corresponderían a una solvencia superior. Las desviaciones de la monotonicidad (que pueden ocurrir con frecuencia cuando no se aplican las limitaciones monotónicas a la característica) raramente representan un patrón genuino; más bien pueden indicar un sobreajuste de la relación dentro de la muestra, reduciendo así la generalización del modelo.

La aplicación de limitaciones monotónicas no es suficiente para utilizar los valores SHAP para obtener Códigos de acción adversa. De hecho, puede existir una correlación entre las características en cierta medida: cuando las características interactúan unas con otras en un modelo ML, la predicción no puede expresarse como la suma de los efectos de las características, debido a que el efecto de una característica depende del valor de otras.

El siguiente diagrama de dependencia de SHAP muestra la manera en que la Característica1 depende del efecto de la Característica2: la interacción entre la Caracterísitica1 y la Característica2 aparece como un patrón vertical evidente de color.

Figura 2 – El diagrama de dependencia de SHAP muestra la interacción entre la Característica1 y la Característica2

La segunda acción que debe tomarse es imponer las limitaciones de interacción, lo que le permite al modelo aislar el comportamiento de cada características de manera independiente de las demás características, haciendo posible obtener una imagen clara de la forma en que una característica individual predice el riesgo: como resultado, una predicción del modelo se corresponde con la suma de cada efecto individual.

Cuando se aplican ambos tipos de limitaciones, monotónicas y de interacción, los valores SHAP pueden usarse para obtener Códigos de acción adversa (algunos beneficios adicionales incluyen procesos de capacitación más veloces, una mejor generalización del modelo y una mayor facilidad para interpretar los cálculos de importancia de las características). El siguiente diagrama de dependencia de SHAP muestra el efecto de la Característica1 en la predicción del modelo después de que se aplican ambos tipos de limitaciones: puede observarse que existe una relación uno a uno monotónica entre los valores de las características y los valores SHAP.

Figura 3 – Diagrama de dependencia de SHAP de la Característica 1 después de aplicar las limitaciones monotónicas y de interacción.

La IA de Provenir adopta un enfoque metódico con respecto al desarrollo de modelos ML al garantizar que se evite el sobreajuste y al crear modelos totalmente transparentes y ejecutables, lo cual favorece el acceso de los clientes al financiamiento y, al mismo tiempo, permite a los prestamistas cumplir con las regulaciones financieras.