Un banco quería mejorar su capacidad de detectar de forma temprana clientes susceptibles a sufrir problemas financieros en un futuro. Este tema despertaba mucho interés, ya que los organismos reguladores del Reino Unido y de otros países se preocupan cada vez más por las cuestiones relacionadas con la identificación y el apoyo a los clientes vulnerables. Identificar de manera temprana a los clientes en situación de riesgo para evitar que se endeuden tiene también un valor comercial. Por último, el banco estaba interesado en explorar en mayor profundidad el valor de los datos de sus clientes y buscaba utilizarlo como un ejemplo práctico del potencial del análisis de datos.

Ver los problemas financieros a través de los ojos de los clientes

Primero, trabajamos con el banco para definir el concepto de problema financiero a través de la perspectiva del cliente. En este caso, desarrollamos una descripción que incorporaba tanto la duración del uso como la cantidad prestada a través de descubiertos no acordados. A continuación, nos propusimos contestar tres preguntas clave sobre la investigación:

1. ¿Cómo de predecibles son los problemas financieros y hasta qué punto se deben a crisis inesperadas?

2. ¿Cuáles son los principales indicadores tempranos de los problemas financieros?

3. ¿Podemos mejorar el uso de las calificaciones crediticias con el fin de predecir problemas financieros?

 Nuestro estudio puso de manifiesto lo siguiente:

En función de las medidas relevantes que el banco deseara tomar (y según el coste de los falsos positivos), fuimos capaces de identificar correctamente hasta el 90 % de los clientes que tendrían problemas financieros.

Identificamos las fuentes de datos adicionales más fiables (p. ej., pagos mediante tarjeta) que podían incrementar la precisión y el potencial previsor del modelo.

Aprendizaje automatizado para el éxito futuro

El proyecto destapó el valor potencial de la integración de técnicas de aprendizaje automático en las funciones centrales del banco (p. ej., evaluaciones del riesgo crediticio).

El nuevo equipo creado por el banco para centrarse en Machine Learning continuó avanzando con el trabajo realizado, intentando aplicar los conocimientos conseguidos a los datos obtenidos en tiempo real y mediante intervenciones específicas.