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.

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”.