Mejorando la Experiencia del Cliente con Modelos de Previsión

Mauricio Ciprian CRM&Advice

Las tarjetas de débito y crédito han facilitado la vida de muchas personas. Nos han permitido ahorrar tiempo y dolores de cabeza, y nos han ayudado a financiar bienes que superan nuestro poder adquisitivo mensual. A veces, también han creado situaciones en las que los pagos imprevistos se han producido en un momento inesperado con un saldo bajo y el pago pendiente implica una penalización.

Para resolver este problema, BBVA ha lanzado recientemente un Calendario Financiero que forma parte de sus aplicaciones web y móviles. Llamado “Expense and Income Forecast”, ayuda a los clientes a ganar control sobre su cuenta al proporcionar estimaciones de futuros ingresos y gastos recurrentes. Esta función ya está disponible como parte de la gestión de Personal Finance Manager (PFM) de BBVA denominada “My Day to Day”, que actualmente utilizan un millón de clientes al mes.

 

 

El algoritmo central, su motor de predicción, fue desarrollado por BBVA Data & Analytics utilizando herramientas Big Data como Apache Spark e implementando una combinación de algoritmos de Aprendizaje Automático para la predicción de series cronológicas. Es otro ejemplo más de cómo BBVA Data & Analytics aplica la Ciencia de Datos para mejorar la vida financiera de los clientes de BBVA, proporcionando información útil para la toma de decisiones.

Los clientes pueden ver dos tipos de previsiones. Por un lado, la cantidad total de gastos e ingresos esperados en un conjunto de categorías financieras (como comestibles, educación, o tiempo libre) para el mes en curso. Por otra parte, para las operaciones que presentan un fuerte patrón temporal recurrente, éstas se asocian con datos tentativos y se muestran en un calendario. Por lo tanto, los clientes pueden hacerse una idea de cuándo recibirán en el futuro un pago o un débito directo de la compañía eléctrica o una hipoteca, y pueden prepararse para otros pagos extraordinarios que pueden afectar el saldo de su cuenta.

 

 

Marco Analítico y Fuentes de Datos

La nueva función lee los datos históricos de las transacciones de la cuenta para identificar categorías de ingresos y pagos recurrentes y determinar una cantidad y fecha aproximada para los próximos 2 meses, combinando métodos de análisis de la serie temporal y un conjunto de modelos de aprendizaje automático.

Este modelo genera alrededor de 30 millones de predicciones al mes, con una precisión del 85%. Los importes previstos difieren en un 12% o menos con el valor real para la mitad de los casos. Para cada predicción, el modelo proporciona una “etiqueta de confianza” que permite a los clientes saber qué cantidad de predicciones se espera que sean más precisas que otras.

Esta función es solo un paso más en un proceso de investigación continuo, algunos resultados previos de esta investigación se mostraron en un poster titulado Evaluating uncertainty scores for deep regression networks in financial short time series forecasting que fue presentado en el Workshop on Machine Learning for Spatiotemporal Forecasting como parte de NIPS 2016

 

Resultados

Tras algunos meses de pruebas con los empleados de BBVA, el motor está abierto a todos los clientes de BBVA en España. Este es un ejemplo del aprendizaje automático en la etapa de producción, también es un caso aplicado a la Tecnología Financiera (Fintech) para mejorar la experiencia entre personas y bancos.