¿Cómo pueden las instituciones financieras emplear la inteligencia Artificial y el Machine Learning para mejorar la calidad de sus datos?

Aunque las empresas de servicios financieros han estado adoptando la Inteligencia Artificial (IA) y el Machine Learning (ML) para mejorar la forma en que manejan los datos, el ritmo al que se hace todavía es bastante tímido. En esta publicación, presentamos los hallazgos clave de un nuevo estudio realizado por LSEG Labs que demuestra cómo las organizaciones pueden llenar los vacíos relacionados con los datos.

1. Un número creciente de instituciones financieras está recurriendo a datos alternativos, lo que trae una serie de desafíos relacionados con la integración y potencialización de estos elementos.
2. El nuevo estudio de LSEG Labs destaca que solo el 45% de las empresas de servicios financieros utilizan Inteligencia Artificial (IA) y Machine Learning (ML) en más de un área de la organización. Dada esta imagen, vemos que la industria todavía tiene mucho que aprovechar los recursos de IA y ML –especialmente para la gestión de datos.
3. Las instituciones financieras están recurriendo a un modelo híbrido de core-satellite al adoptar IA y ML.

Cada vez más, notamos que existe un abismo entre organizaciones capaces de entender el mundo a través de los datos y aquellos que no tienen esta característica.

Las empresas con datos de mejor calidad y una forma eficaz de integrarlos en sus operaciones tienen una visión más clara de las oportunidades disponibles y pueden actuar sobre la base de ese conocimiento.

Y, si en la última década ya ha habido un interés creciente en el uso de datos en tiempo real para ayudar en los procesos de toma de decisiones, Covid-19 ha hecho que esta tendencia gane impulso y urgencia. Después de todo, obtener insights sobre el comportamiento de los consumidores, las cadenas de suministro y las respuestas comerciales a la crisis requería una estrategia basada en datos.

Recientemente lanzamos la edición 2021 de nuestro estudio sobre Inteligencia Artificial y Machine Learning , basado en una encuesta anual detallada de cientos de científicos de datos que trabajan en empresas de servicios financieros. Y, entre muchos descubrimientos sorprendentes, uno se quedó en mi cabeza: el 55% de las empresas encuestadas están usando Machine Learning solo en una de sus áreas (o simplemente no lo usan), mientras que el otro 45% ya ha implementado la tecnología en más de un sector de la organización, están contratando equipos más grandes y resolviendo una serie de problemas en el front, middle y back office.

Pero, después de todo, ¿cómo este último grupo está haciendo esto? ¿Y podrán seguir el ritmo otras empresas más atrasadas?

Todo el mundo quiere utilizar el Machine Learning, pero pocos lo hacen bien. Lea el resumen de nuestro nuevo informe y descubra qué es fundamental para las instituciones que intentan escalar su uso de IA y ML

Cómo unirse al grupo de IA y ML en 2022

Afortunadamente, no es demasiado tarde y usted no está solo. De hecho, en muchos sentidos, la IA y el ML se han vuelto más fáciles de adoptar en comparación con dos o tres años atrás.

1. ¿De qué etapa está partiendo?

Para empezar, es importante ser completamente honesto acerca de sus habilidades actuales.

Descubrimos que, cuando se trata de recursos de IA y ML, las empresas tienen una visión particularmente favorable de sí mismas: en promedio, el 63% de los encuestados ven a su organización en una posición de liderazgo en relación con IA y ML, y solo el 2% se consideran a sí mismos rezagados en este sentido.

Pero en la práctica, la situación es diferente; pocas empresas están a la vanguardia en este ámbito. Todo está por definirse.

2. Obtenga ayuda

Hace unos años, las instituciones creían que necesitaban investigadores de IA y ML para desarrollar modelos personalizados. Sin embargo, estamos viendo cada vez más la subcontratación de servicios de IA y ML, con una mayor demanda de proveedores externos que se integran con sistemas internos.

Todas las empresas encuestadas (excepto el 1%) utilizan proveedores de nube externos.

Esto puede funcionar para tareas genéricas, como servicio al cliente, análisis de ventas y marketing digital. En estos casos, las herramientas estandarizadas desarrolladas por los proveedores son utilizadas por empresas de diferentes sectores de la economía y ya están más consolidadas.

Las herramientas prediseñadas nunca han sido las mejores porque es probable que muchos de los problemas de su empresa sean específicos. Entonces, ¿cómo es posible crear una solución a la medida que satisfaga sus necesidades?

3. Adopte el proceso

Como responsable de innovación en London Stock Exchange Group (LSEG), he visto muchos proyectos para implementar Inteligencia Artificial y Machine Learning en diferentes áreas de grandes corporaciones financieras. Y me doy cuenta de que cuando se trata de predecir si un equipo es capaz o no de lograr un objetivo de IA, el predictor clave es su voluntad de adoptar ML como un proceso iterativo.

Un proceso reproducible, donde los resultados se entregan, monitorean y ajustan continuamente, tiene muchas más probabilidades de tener éxito que una “solución mágica” y no más.

Sería genial si su primer proyecto fuera el mejor modelo de generación de Alfa del sector financiero. Pero seamos realistas, este es un resultado muy poco probable. En su lugar, recuerde: los procesos que se prueban repetidamente, de un extremo a otro, son los que tienen visiones de IA y ML que realmente se pueden lograr.

Y más adelante, sus experimentos iniciales pueden incluso contribuir a otras áreas del negocio. Por lo tanto, es recomendable incluir a científicos e ingenieros de datos, así como a profesionales de MLOps, en las primeras discusiones sobre cómo integrar AI y ML en estas otras áreas.

4. Asóciese con expertos

Los expertos en la materia y los datos son ahora más importantes que la tecnología.

Las organizaciones están adoptando un modelo híbrido para sus equipos de ciencia de datos: un equipo central asociado con varios más pequeños integrados en las unidades de negocio.

En la edición 2020 de nuestra encuesta, solo el 8% de los entrevistados informaron que sus empresas operaban con este sistema. Este año, ese número ha aumentado al 25%.

No es una coincidencia que los bancos de inversión estén liderando el camino en la implementación del Machine Learning. Los casos de uso clave y los beneficios se concentran en los departamentos de datos nativos, sobre todo riesgo operativo, informes y cumplimiento, así como gestión de la cartera.

Todas estas son áreas del negocio que tradicionalmente tienen empleados centrados en datos, como quants y analistas senior. Y, para identificar rápidamente las ventajas que ofrece ML, siempre es mejor comenzar con los departamentos con mayor competencia en la gestión de datos internos y el flujo de información.

5. Los datos siguen siendo lo primero

La calidad de los datos es una disciplina en sí misma, no un problema que los científicos de datos deben solucionar. Si tiene una estrategia de Machine Learning pero no una estrategia de calidad de datos, deténgase y reconsidere.

Los problemas persistentes en el área de datos son una fuente de estrés para las instituciones que implementan ML. Tareas como vincular conjuntos de datos, cruciales para obtener nuevos insights, también suelen ser un desafío común (informado por el 44% de los encuestados), aún más con la creciente adopción de datos alternativos.

Para obtener más información sobre cómo las empresas abordan las dificultades relacionadas con los datos e invierten en recursos de Machine Learning, descargue nuestro informe. ¡Espero que sea útil para planificar el 2022!