Sistema financiero peruano usa IA para gestionar el riesgo crediticio

El sector financiero peruano se ha transformado en los últimos años con la integración de ecosistemas digitales de Inteligencia Artificial (AI) que les facilita a las entidades resolver problemas complejos de los servicios financieros en este entorno actual, además de tomar decisiones acertadas e introducir novedosos productos que respondan adecuadamente a la demanda del mercado nacional logrando mejorar los servicios para los clientes finales y  por tanto hay un impacto positivo en las entidades en aspectos relacionados a la liquidez, gestión del riesgo crediticio y su rentabilidad.

Al respecto, según SAS, actualmente, el 41% de entidades financieras (bancos y cajas municipales) utilizan las nuevas tecnologías emergentes y se prevé que, al cierre del 2023, el 70% de entidades ya apliquen estas tecnologías.

“El ingreso del Machine Learning como parte de tecnología para predecir ha generado que la Inteligencia Artificial sea capaz de responder a la actual demanda del mercado financiero con modelos de riesgo crediticio fundados en los datos financieros, en el comportamiento de crédito y de consumo de los clientes, logrando unificar su data, analizarla al detalle y generar nuevos focos de rentabilidad” explicó Iván Domínguez, Gerente de Asesoría al Cliente, Riesgos y Servicios Financieros de SAS.

Asimismo, señaló que las tendencias en tecnología para el sistema financiero como los datos, las fábricas de datos, la democratización de la Inteligencia Artificial, las decisiones inteligentes, entre otros permiten a las entidades tomar decisiones más acertadas, tomando en cuenta ciertos parámetros que les permita implementar soluciones de manera gradual y adaptada a sus necesidades y presupuestos.

“La democratización de datos causa un impacto positivo para el sistema financiero y entidades en general porque les permite acceder a herramientas poderosas como las que ofrecemos en SAS para gestión de riesgo, prevención de fraude y cumplimiento para delitos financieros, entre otros que mejoran sus operaciones y les ayuda a tomar decisiones más informadas. Esta tendencia tecnológica puede ser utilizada por todo tipo de usuarios como desarrolladores, tomadores de decisión y responsables de negocios; de esta manera, en SAS hacemos que sea más entendible para el usuario y de fácil aplicación para el regulador”, sostuvo.

Tendencias en tecnología para soluciones financieras

Por su parte, Saby Celestino, consultora de analítica avanzada de SAS, explicó que tras la pandemia las entidades financieras vienen acelerando la aplicación de estas tendencias en tecnología, principalmente el sistema de fábrica de modelos, el Intelligent Decisioning y el Model Risk Management o Gestión del Riesgo de Modelos; este último, luego de la resolución de la Superintendencia de Banca, Seguros y AFP (SBS) que establece lineamientos mínimos para mitigar los riesgos derivados del uso de modelos y cuya adaptación debe inició este año.

La especialista precisó que, en el Perú, actualmente el 41% de bancos tradicionales y el 36% de cajas municipales han adoptado estas nuevas tecnologías, como el sistema Machine Learning para sus unidades de riesgo crediticio, con el fin de evaluar con mayor precisión a sus clientes y ser más exactos al momento de otorgar un crédito. Además, dado que el mercado peruano tiene una población con alto índice de informalidad complica la toma de decisiones cuando se trata de otorgar un crédito, y es por ello que  las entidades financieras están explorando metodologías de modelamiento novedosos como Machine learning  para sus áreas de Riesgos porque cuando los implementan ven una ganancia significativa en su performance versus a los modelos tradicionales, y siempre teniendo en cuenta el enfoque regulatorio como la transparencia, la explicabilidad y trazabilidad del desarrollo de estos modelos.

“El control de fraude y la gestión del riesgo crediticio son los puntos más importantes para las entidades financieras, donde la Inteligencia Artificial ha podido mejorar los procesos, detectar patrones de comportamiento y extraer datos tradicionales y alternativos de manera continua para identificar en el menor tiempo posible acciones sospechosas y prevenir fraudes antes que ocurran. Los sistemas son cada vez más seguros, auditables y se han convertido en una pieza fundamental al momento de tomar decisiones”, dijo Celestino.

Como se recuerda, las metodologías de Machine Learning operan de forma significativamente más precisa que los métodos de modelamiento tradicionales en la calificación crediticia, lo cual ofrece mayor valor agregado y puede reducir considerablemente el riesgo crediticio en las entidades financieras.  SAS tiene soluciones analíticas que permiten interpretar modelos de machine learning de "caja negra", ya sea a nivel global o local. También SAS tiene soluciones de fábrica de modelos que genera modelos para Riesgos que cubre todas las fases del ciclo analíticos del modelo desde la integración de datos, generación de variables, desarrollo del modelo de machine learning, la puesta en producción, su habilitación para la elaboración de pautas de negocio y estrategias, así como el monitoreo del repositorio de todos modelos; todo esto bajo los criterios de gobernanza y control de las entidades financieras.

Normativa de la SBS “Reglamento de Gestión de Riesgos de Modelo”

A inicios de enero del 2023, la SBS aprobó, mediante Resolución N° 053-2023, el Reglamento de Gestión de Riesgos de Modelo que establece lineamientos mínimos para mitigar los riesgos derivados del uso de modelos empleados en la gestión de riesgos de crédito, mercado, liquidez operacional, lavado de activos y del financiamiento del terrorismo de las empresas del sistema financiero y de seguros. Su aplicación será gradual hasta enero de 2026, considerando los riesgos que se gestionan con los modelos y la categorización de los modelos empleados.

Para responder a este nuevo reglamento de la SBS, SAS cuenta con el sistema Model Risk Management o Gestión del Riesgo de Modelos, que permite a las organizaciones financieras tener gobernabilidad sobre todos los modelos, inventarios y gestionarlos por cada portafolio que la entidad maneje (tarjetas de crédito, crédito de consumo o vehicular, hipotecario, entre otros) o gestionarlos por el nivel de criticidad de los modelos u otras dimensiones o vistas.

“Gracias a este sistema, la entidad reguladora podrá conocer todos los modelos con los que cuenta la entidad financiera, y por cada modelo a quién lo diseñó, lo aprobó, lo validó, y cómo se elaboró, para así detectar la etapa en que se encuentra, el versionamiento del modelo que está en producción y otras funcionalidades que permitirán tener la Gobernanza Integral de los modelos que proveerán una buena Gestión de Riesgo de los Modelos”, finalizó Saby Celestino.