¡Los robots llegaron para quedarse! Esta afirmación no proviene de una película de ciencia ficción, sino de observar una tendencia global de los últimos años y que atraviesa a todas las industrias.
Un dato interesante al respecto, es que si bien la palabra “robot” es relativamente reciente (fue acuñada en 1920 por el escritor checo Karel Čapek), la creación de máquinas automatizadas obsesiona a los humanos desde la época de los antiguos egipcios.
Avancemos cuatro mil años y nos encontramos con un mercado de la robótica que moverá más de 300.000 millones de dólares para el 2030. Su crecimiento exponencial viene dado, en gran medida, porque sus beneficios tienen un impacto real e inmediato: aumentar la productividad, reducir costos y errores, mejorar el servicio al cliente, y estos son solo algunos de ellos.
Pasando en concreto al rol (presente y futuro) de los robots en el sector bancario, ya se afirma que son la pieza angular de la llamada “Teslaficación” de las Finanzas.
Este nuevo concepto, la “Teslaficación”, es definido por Aldo Valadez (Chief Analytics Officer, Banregio) como “el uso de robots, scripts, automatizaciones y algoritmos para que la vida de los usuarios, tanto intermedios como finales, sea lo más fácil posible dentro de nuestros procesos”.
Valadez sabe muy bien de lo que habla. Es un experto con 22 años de experiencia que ha ayudado a crear el departamento de analítica desde cero para 2 bancos, 2 startups y una multinacional. Actualmente, sus esfuerzos se centran en optimizar la vida de los científicos de datos a través de pipelines automáticos en la nube y en generar interés en las empresas sobre el gobierno del dato.
Desde su punto de vista, para implementar este nuevo paradigma de Transformación Digital hay muchas opciones disponibles, pero todo comienza entendiendo dos tecnologías principales:
Apasionado por la innovación, estuvo presente en FATV Week 2022 para contarnos más sobre las diferencias entre RPA, Machine Learning e Inteligencia artificial y su uso en la industria financiera.
A continuación, compartimos sus principales pensamientos sobre el tema.
Qué es Robotic Process Automation (RPA o Automatización Robótica de Procesos)
La Automatización Robótica de Procesos es como si tuviéramos un empleado virtual que hace tareas rutinarias, que se repiten una y otra vez a través del tiempo. Son muy buenos ejecutando cosas en el día a día.
Los beneficios que tienen los robots RPA es que son rápidos, no necesitan mucha inversión o demasiada infraestructura, ya que trabajan dentro de las mismas aplicaciones que ya tenemos. Por lo tanto, es fácil ponerlos en producción.
Lo único malo que tienen es que no aprenden cosas nuevas a través del tiempo, pero son sumamente eficaces en quitarnos el trabajo pesado y repetitivo del día a día, que consume muchas horas y esfuerzo.
Para qué se usan los robots RPA en bancos
Robotic Process Automation es una tecnología que tiene muchos y muy diversos usos en el sector bancario y financiero.
Para monitoreo, podemos poner a un robot RPA a monitorear un website de algún servicio de acciones que se actualiza constantemente o chequear cómo están modificándose los stocks.
En lo que respecta a minería, pueden extraer información de webservices que van cambiando a lo largo del tiempo.
Podemos usarlos también para que validen datos o que generen reportes con la información que están extrayendo. Es de destacar que pueden capturar esa información mediante OCR (Optical Character Recognition) y que la vayan inyectar a alguna base de datos.
En qué se diferencia Machine Learning de RPA
La principal diferencia con ML, para empezar, es que aquí necesitamos un equipo con skills especializados para poder realizar o generar productos analíticos que tengan Machine Learning y poderlos llevar a producción.
Llevar a producción este tipo de softwares es mucho más complicado que RPA porque tenemos que hacer algo que cumpla bien la parte matemática, pero que también lo haga ante la parte ejecutiva del negocio.
En lo que respecta a la arquitectura o infraestructura, con Machine Learning se requiere mucha más potencia que con RPA. Posiblemente, vamos a necesitar también algo de nube para que pueda correr bien la parte matemática del entrenamiento de estos algoritmos. Entonces, aquí si se va requiriendo ya más infraestructura y, obviamente, más dinero para ponerlos en producción y mantener a futuro.
Otra de las grandes diferencias es que los algoritmos con Machine Learning aprenden con el tiempo y, por lo tanto, se van desarrollando productos analíticos mucho más certeros y con mejor uso de los recursos que con RPA.
Cuáles son los principales usos de algoritmos con Machine Learning en bancos
En lo que respecta a la implementación de Machine Learning en bancos, desde la perspectiva de Aldo hay usos mucho más variados que los que ofrece la automatización RPA.
En ventas, por ejemplo, pueden mejorar la situación de las campañas de cross selling.
Los algoritmos con Machine Learning también pueden ayudar a recortar costos. Por ejemplo, sirven para mejorar los forecasts del monto que debe tener en cualquier momento un cajero automático, durante los próximos, supongamos diez días. Y esto va a permitir recortar los costos de movimiento del dinero o de tener dinero parado y, obviamente, ofrecerle un mejor servicio al usuario final, que tendrá efectivo siempre disponible en esa terminal.
Otro de los usos del Machine Learning en bancos, y uno de los más comunes, son las predicciones. Por ejemplo, predecir quién de nuestros clientes va a caer en mora en los próximos 30, 60, 90 días, es muy útil.
Y no quiero olvidarme de mencionar que el Machine Learning se puede usar para prevenir fraudes financieros, ya que hay varios algoritmos que ayudan a detectarlos muy rápido, incluso en tiempo real.
¿Es más conveniente usar automatización RPA o Machine Learning en la industria bancaria?
No es necesario que las personas empiecen con RPA, pero si ya tienen Robotic Process Automation en su organización, normalmente, se recomienda arrancar con triggers manuales.
De ahí, ya se pasa a triggers digitales automáticos y luego vamos empezando a construir (con lo que ya tenemos) analítica descriptiva, predictiva, prescriptiva, con productos analíticos, para después sí, ya pasar a productos analíticos con inteligencia artificial.
Mientras más vayamos avanzando, vamos a necesitar gente con skills mucho más especializados y una infraestructura más grande. Obviamente, los costos de manutención van subiendo también.
Conclusiones sobre automatización RPA (Robotic Process Automation), Machine Learning y la “Teslaficación” de las finanzas
Para finalizar el encuentro, Aldo Valadez puntualizó los principales aspectos que sintetizan su visión sobre estas nuevas tecnologías y la “Teslaficación” de las finanzas:
- Los RPAs son excelentes para tareas rutinarias.
- Los productos con Machine Learning son muy buenos para tratar de predecir el futuro a partir de variables e históricos.
- Los RPA no aprenden con el paso de las generaciones, cosa que sí hacen los productos de Machine Learning.
- Si se tienen recursos dedicados, el costo de manutención puede ir bajando, pero si no tenemos gente dedicada, el costo va a subir porque deberemos depender de terceros.
- Las tecnologías de automatización RPA y Machine Learning tienen casos distintos de negocio, no es que una sustituya a la otra.
- En cuanto al desarrollo: los RPAs no exigen recursos especializados, cosa que sí necesitamos en la parte de productos con Machine Learning.
- En términos de ROI, un producto analítico que tenga Machine Learning va a tener un retorno de inversión mucho más alto que uno con RPA.
Conoce más sobre Robots RPA, Automatización y Machine Learning
Para estar al día con todas las tendencias y temas que más importan a la banca, te esperamos los próximos 4 y 5 de Mayo en ¡Fintech Americas Miami 2023! Este año contamos con más de 80 sesiones y 150 speakers internacionales que hablarán sobre RPA, Machine Learning, Inteligencia Artificial, Blockckain, Embedded finance y mucho más.
COMPRA TU ENTRADA
Fintech Americas: 19/03/2024 16:44:24
