Inicio Título de página Lograr la seguridad financiera de comunidades con bajos ingresos Lograr la seguridad financiera de comunidades con bajos ingresos
Un motor de recomendaciones basado en IA capitaliza los datos para ayudar a los asesores financieros a compartir productos fintech inclusivos y equitativos más relevantes para los objetivos de los clientes
Mujeres trabajando desde casa en el sofá con su hija

La inseguridad financiera es una realidad abrumadora a la que las personas con ingresos bajos deben enfrentarse.Las barreras sistémicas a la inclusión financiera son reales, especialmente para las mujeres negras y de tez oscura.Change Machine, una organización tecnológica sin fines de lucro, aborda estos problemas.

Su misión es crear seguridad financiera para las comunidades de bajos ingresos a través de la tecnología impulsada por personas.Change Machine hace su trabajo a través de una plataforma de software como servicio (SaaS) que puede transformar la forma en que las personas alcanzan sus objetivos financieros.Utilizada por asesores financieros de organizaciones de servicios sociales y organismos públicos, la plataforma cuenta con una herramienta de colaboración social para profesionales, un portal educativo sobre diversos temas de asesoramiento financiero y una aplicación de gestión de casos en Salesforce AppExchange para ayudar a los asesores en sus consultas con los clientes.

La plataforma contiene una gama de productos y servicios de tecnología financiera que Change Machine ha examinado para que sean inclusivos, seguros y eficaces. La plataforma está impulsada por personas en el sentido de que refleja los conocimientos y la experiencia de los asesores financieros y los clientes, e incluye una función que utiliza el análisis de inteligencia artificial de los datos de los clientes para recomendar productos de tecnología financiera relevantes.

No siempre fue así.A principios de 2020, Change Machine desarrolló un conjunto de estándares para evaluar la asequibilidad, la inclusión y la seguridad de los productos de tecnología financiera, así como la forma en que cada producto pretendía generar seguridad financiera.La primera versión del motor de recomendaciones, llamada Marketplace Relief, se lanzó para mitigar la inseguridad financiera en medio de la creciente recesión económica resultante de la pandemia de Covid.Se crearon criterios para filtrar productos y servicios relevantes y seleccionados para satisfacer las necesidades de los clientes.Si las necesidades eran aumentar el ahorro y mejorar el crédito, por ejemplo, el motor de recomendaciones recomendaba productos y servicios de ahorro y crédito.

Aunque el sistema funcionó bien, el enfoque era limitado.“Nuestro motor de recomendaciones original fue diseñado por un pequeño grupo de asesores en lugares concretos y en un momento determinado”, dice David Bautista, director de desarrollo de productos en Change Machine.“Para ampliar el alcance de sus conocimientos y los productos que podría recomendar, queríamos que el motor de recomendaciones pudiera actualizarse conforme iba avanzando”.

Las reglas de recomendación plantearon otra preocupación.“Los asesores identificaron las reglas basándose en sus conocimientos y experiencia de trabajo con los clientes, pero no sabíamos cómo aprovechar también los datos de los clientes almacenados en nuestros sistemas, como qué servicios utilizaban más habitualmente los clientes y qué umbrales adicionales son necesarios en función de las situaciones financieras más comunes“, explica Robert Zarate-Morales, Director adjunto de desarrollo de productos.“El uso de los datos podría proporcionar una mejor información sobre las necesidades de los clientes“.

El motor de recomendaciones tampoco tenía en cuenta si los clientes aceptaban o rechazaban los productos y servicios recomendados, lo que indica el impacto de la función.

Mayor uso

 

El uso continuo de productos fintech aumentó del 60 % al 98 %

Ciclo de desarrollo más corto

 

El equipo del proyecto necesitó solo 6 semanas de sprints ágiles para desarrollar modelos de clasificación de aprendizaje automático

Los asesores identificaron reglas basadas en su experiencia y experiencia trabajando con los clientes, pero no sabíamos cómo aprovechar también los datos de los clientes. Robert Zárate-Morales Director adjunto de desarrollo de productos Change Machine
Aplicación del aprendizaje automático para mejorar las recomendaciones

Estaba claro que el motor de recomendaciones podría mejorarse utilizando análisis de datos de IA.Para obtener ayuda en el desarrollo, en marzo de 2021 Change Machine contrató al equipo de IBM® Data Science and AI Elite.IBM® trabajó bajo el programa IBM® Data and AI for Social Impact, una colaboración de formación en la que IBM® ayuda a las organizaciones sin ánimo de lucro a utilizar la ciencia de datos y la IA para ampliar su misión.

El proyecto comenzó con el intercambio de conocimientos y la definición de requisitos entre el personal de IBM® y Change Machine.El objetivo era racionalizar los datos organizacionales en un todo coherente y desarrollar modelos de clasificación mediante el aprendizaje automático que personalizaran las recomendaciones.Los modelos serían de autoaprendizaje y se basarían en una IA fiable, lo que significa que el razonamiento detrás de las recomendaciones sería explicable.

La escalabilidad permitiría al motor manejar el crecimiento esperado en socios y usuarios. Además, los paneles operativos mostrarían datos en directo para obtener información sobre las operaciones.

Para desarrollar los modelos de datos e IA, el equipo de IBM® eligió IBM® Cloud Pak for Data as a Service, que vincularía todos los datos en una función de datos centralizada.Los desarrolladores utilizaron la solución IBM® watsonx Studio con su función AutoAI para facilitar el desarrollo.La solución IBM® Cognos Dashboard Embedded basada en API impulsaría paneles escalables.Todas las herramientas residen en IBM® Cloud Pak suministradas desde IBM® Cloud.

El compromiso con IBM® nos enseñó cómo aprovechar nuestros datos de manera diferente y cómo construir un marco para crear y gestionar modelos de aprendizaje automático. David Bautista Director de desarrollo de productos Change Machine
Desarrollo rápido con la metodología ágil de IBM®

El desarrollo continuó rápidamente utilizando la metodología de compromiso IBM® Data Science and AI Elite de tres sprints ágiles en seis semanas:

  • En el primer sprint de dos semanas, los desarrolladores trabajaron con Change Machine para comprender los datos conectados a todas sus fuentes.
  • El segundo sprint se centró en desarrollar modelos de aprendizaje automático de referencia para ver si los datos realmente podían hacer predicciones.
  • El tercer sprint finalizó con éxito los modelos, enriqueciéndolos con nuevas funciones e implementándolos en producción.

A continuación, los modelos se integraron en la aplicación Salesforce que los asesores financieros utilizan con los clientes.El equipo de IBM® también apoyó al equipo de Change Machine en el desarrollo de paneles de gestión.Y como parte de la colaboración de formación, IBM® transfirió el conocimiento al equipo de Change Machine sobre la estrategia de datos y las herramientas de IA que seguirán utilizando en el futuro.

“El compromiso con IBM® nos enseñó a aprovechar nuestros datos de manera diferente y cómo construir un marco para crear y gestionar modelos de aprendizaje automático”, dice Bautista. “El proyecto también sirvió como trampolín para nuestra participación en soluciones avanzadas en la nube y nos ayudó a implementar una aplicación real de IA, algo que antes consideramos que era años de mejor”.

Nuestra asociación con IBM® nos permite pensar en los datos de forma más estratégica. David Bautista Director de desarrollo de productos Change Machine
Las recomendaciones de calidad ayudan a superar las barreras financieras

Ahora el análisis de IA de los datos de Change Machine impulsa el motor de recomendaciones en Salesforce. La solución es tan innovadora que fue designada para el premio a la innovación en IA de VentureBeat en la categoría AI for Good.

Con el antiguo motor de recomendaciones, los clientes utilizaban activamente solo el 60 % de los productos fintech recomendados por sus asesores. Con la nueva versión, la cifra ha aumentado al 98 %, lo que indica que las recomendaciones son más relevantes.

“La mejora de la calidad de las recomendaciones de refuerza nuestra misión de ayudar a las personas a superar las barreras financieras”, afirma Bautista. “No solo aumentan la captación de productos, sino que ayudan a garantizar el acceso a los productos que más necesitan.Y ayudan a consolidar las relaciones entre nuestros socios y las personas a las que asesoran”.

Otra ventaja se deriva de la conexión del motor de recomendación con datos dinámicos sobre clientes y ofertas de tecnología financiera. A medida que se actualiza este conjunto de datos, también se actualizan las recomendaciones del motor.

Los paneles de control son valiosos en toda la organización.Ayudan a los gerentes de Change Machine a visualizar datos operativos dinámicos donde “los números solos no cuentan toda la historia”, dice Zarate-Morales.Los desarrolladores están creando paneles adicionales impulsados por un data mart en IBM® Cloud Pak for Data.

De cara al futuro, el compromiso de IBM® seguirá impulsando la innovación en Change Machine a medida que su personal aplique lo aprendido.

“Para mí, fue emocionante entender tanto las capacidades como la relativa facilidad de uso de esta tecnología”, explica Bautista.“Anteriormente, los datos eran algo que utilizábamos de forma reactiva.Si había alguna pregunta, preguntábamos: “¿Dónde están los datos?”Pero hoy empezamos a integrar los datos de forma proactiva en las decisiones estratégicas.Nuestra asociación con IBM® nos permite pensar en los datos de forma más estratégica”.

Logotipo de Change Machine
Acerca de Change Machine

Fundada en 2005, Change Machine crea seguridad financiera para comunidades de bajos ingresos a través de tecnología impulsada por personas. Más de 8000 profesionales han utilizado la plataforma de Change Machine para amplificar su impacto, hasta poner 45 millones de dólares en los bolsillos de sus clientes.

De el siguiente paso
IBM® se asocia con organizaciones en una incubadora de IA para el impacto social Blog Los investigadores de Luxemburgo aceleran la innovación con IA Caso de éxito Preservando la tradición con un toque innovador Caso de éxito
Notas a pie de página

© Copyright IBM Corporation 2022 IBM Corporation, New Orchard Road, Armonk, NY 10504

Producido en los Estados Unidos de América, agosto de 2022.

IBM®, el logotipo de IBM®, ibm.com, Cognos, IBM® Cloud, IBM® Cloud Pak e IBM® watsonx son marcas comerciales de International Business Machines Corp., registradas en muchas jurisdicciones del mundo Los demás nombres de productos y servicios pueden ser marcas registradas de IBM® u otras empresas.Puede consultar una lista actual de marcas comerciales de IBM® en la web en "Información sobre derechos de autor y marcas comerciales" en www.ibm.com/es-es/legal/copytrade.

La información contenida en este documento es la vigente en la fecha de su publicación original y está sujeta a cambios por parte de IBM. No todas las ofertas mencionadas en este documento están disponibles en todos los países en los que IBM está presente.

Los datos de rendimiento y ejemplos de clientes mencionados se presentan únicamente con fines ilustrativos. Los datos reales de rendimiento pueden variar en función de las configuraciones y condiciones de funcionamiento específicas. LA INFORMACIÓN DE ESTE DOCUMENTO SE OFRECE "TAL CUAL ESTÁ" SIN NINGUNA GARANTÍA, NI EXPLÍCITA NI IMPLÍCITA, INCLUIDAS, ENTRE OTRAS, LAS GARANTÍAS DE COMERCIALIZACIÓN, ADECUACIÓN A UN FIN CONCRETO Y CUALQUIER GARANTÍA O CONDICIÓN DE INEXISTENCIA DE INFRACCIÓN. Los productos de IBM están sujetos a garantía según los términos y condiciones de los acuerdos bajo los que se proporcionan.