Por revistaeyn.com
Las entidades financieras en Latinoamérica enfrentan una presión creciente para aumentar la rentabilidad de sus carteras crediticias sin asumir mayores niveles de riesgo.
Ante este escenario, la inteligencia artificial (IA) y los modelos analíticos avanzados de optimización comienzan a consolidarse como herramientas estratégicas para transformar la forma en que las entidades financieras pueden tomar sus decisiones de otorgación de crédito.
De acuerdo con Omara González, Customer Advisory de SAS, uno de los principales desafíos de la banca actual dentro de sus procesos de otorgamiento de créditos consiste en encontrar el equilibrio entre crecimiento, rentabilidad, gestión del riesgo y cumplimiento regulatorio, especialmente cuando las decisiones continúan apoyándose en esquemas tradicionales de segmentación.
“La banca enfrenta hoy retos importantes relacionados con la rentabilidad por cliente, la eficiencia operativa y la capacidad de adaptarse rápidamente a cambios económicos y regulatorios. En muchos casos, las instituciones siguen utilizando modelos que agrupan clientes muy diferentes bajo una misma categoría de riesgo, lo que limita la capacidad de capturar oportunidades de negocio y gestionar adecuadamente la exposición al riesgo”, explicó González.
Señaló que esta situación se vuelve especialmente relevante en momentos en que las entidades financieras deben enfrentar fenómenos como incertidumbre económica, cambios en las tasas de interés, inflación, conflictos geopolíticos y modificaciones regulatorias que pueden afectar tanto la capacidad de pago de los clientes como la rentabilidad de los productos financieros.
Frente a este panorama, la IA permite analizar el comportamiento individual de cada cliente mediante modelos de optimización, incorporando los resultados de los modelos de machine learning capaces de procesar grandes volúmenes de información y detectar de forma anticipada patrones de pago, capacidad de endeudamiento, entre otros.
No obstante, la especialista considera que el verdadero valor de la optimización de los procesos crediticios se mide en puntos de rentabilidad ganados, en mora que no ocurre y en políticas que se cumplen.
“El proceso que SAS habilita, transforma la asignación de crédito en un ciclo inteligente de dos fases que operan de forma nativa e integrada. La inteligencia artificial permite en una primera fase entender mejor a cada cliente, mitigando riesgos con inteligencia e identificando patrones de comportamiento. Como segunda fase la optimización, permite decidir con precisión cuál es la mejor acción para maximizar el valor de toda la cartera respetando al mismo tiempo las políticas comerciales, de riesgo y regulatorias de la institución”, señaló González.
De acuerdo con datos presentados por SAS, la migración desde esquemas tradicionales de asignación hacia modelos de optimización puede generar de forma conservadora entre un 8 % y un 15 % adicional de ingreso neto por ciclo de colocación crediticia. Asimismo, puede contribuir a reducir el incumplimiento evitable y mejorar significativamente la capacidad de las entidades para administrar el riesgo.
La vocera explicó que estos beneficios no necesariamente dependen de incorporar más clientes ni de flexibilizar las políticas de crédito, sino de tomar decisiones estratégicas y precisas sobre los clientes existentes.
Otro de los beneficios asociados a este enfoque es la incorporación del cumplimiento regulatorio desde el diseño mismo de la decisión crediticia. En lugar de realizar ajustes posteriores o reprocesos manuales para verificar el cumplimiento de políticas internas y normativas externas, los modelos de optimización pueden integrar estas restricciones desde el inicio del proceso.
Para González, esta capacidad adquiere una relevancia creciente en un entorno donde las entidades financieras deben responder simultáneamente a exigencias regulatorias, objetivos comerciales y una gestión cada vez más sofisticada del riesgo.
