Construir un sistema de Next Best Action (NBA) basado en inteligencia artificial requiere dominar un ecosistema completo de herramientas, desde el almacenamiento de datos hasta la visualización de resultados. Además, exige conformar un equipo multidisciplinario capaz de llevar cada fase del proyecto a buen puerto. A continuación se desglosan las tecnologías, el flujo de análisis descriptivo y las decisiones organizativas que hacen viable este tipo de proyecto en el sector bancario.
¿Qué herramientas se necesitan para un proyecto de NBA con IA?
El punto de partida es decidir dónde almacenar la información de los clientes [0:17]. Las tres plataformas principales son Amazon Web Services, Google Cloud y Azure de Microsoft. Cualquiera de ellas ofrece la infraestructura necesaria para gestionar grandes volúmenes de datos de forma segura.
Una vez almacenados los datos, el siguiente paso es analizarlos. Para ello se utilizan lenguajes como Python, R y SQL [0:33]. SQL permite extraer subconjuntos específicos de la base de datos, mientras que Python y R se emplean para procesamiento estadístico y modelado.
Para la visualización se puede trabajar directamente con Python o R, o recurrir a herramientas especializadas en dashboards dinámicos como Tableau o Power BI [0:45]. Estas permiten comunicar hallazgos de forma clara a equipos no técnicos.
Después viene el desarrollo del algoritmo predictivo propiamente dicho [0:55]. Ya no se trata solo de describir datos, sino de predecir tendencias, personalizar mensajes y determinar el momento óptimo de contacto con cada usuario. Todo esto ocurre en tiempo real.
Finalmente, se necesitan herramientas de medición del impacto como Google Analytics [1:17], plataformas de Marketing Automation para ejecutar campañas de forma automática, y un CRM —como el de Salesforce— para gestionar la relación con cada cliente [1:30].
¿Cómo se realiza un análisis descriptivo con datos bancarios?
El ejercicio práctico parte de una tabla con variables de clientes: nombre, género, edad, ciudad, ingresos mensuales en dólares, último producto adquirido, fecha de alta, nivel de satisfacción, ocupación, estado civil, nivel educativo, número de hijos y canal de contacto [1:47].
¿Qué revelan las variables numéricas?
Usando Google Colab con Python [2:32], se importa la base de datos y se aplica una función descriptiva sobre las variables numéricas. Los resultados muestran que la edad promedio de los usuarios es de 38 años, con un rango entre 21 y 60 años [2:50]. En cuanto a hijos, el promedio es menor a uno, con un máximo de tres. Esta función entrega recuento, promedio, desviación estándar, valores mínimos, cuartiles y máximo.
¿Qué información aportan las variables categóricas?
El recuento por ciudades revela que Buenos Aires, Santiago, Asunción, Bogotá y Lima son las más populares [3:15], mientras que Bucaramanga, Managua y Celaya tienen menor presencia. Sin embargo, el objetivo del NBA es ofrecer una resolución personalizada para cada usuario, sin dejar a nadie fuera, incluyendo valores atípicos [3:35].
- El histograma de edades muestra picos entre los 20 y 35 años, con una caída en edades adultas que luego repunta [3:44].
- La distribución por género es prácticamente equitativa, con una proporción ligeramente mayor de mujeres [4:00].
- Los productos más adquiridos son cuenta de ahorros y tarjeta de crédito [4:14].
Un scatterplot permite visualizar la correlación entre edad e ingresos [4:27]. En este caso, la correlación es positiva: a mayor edad, mayores ingresos. Las personas entre 50 y 60 años perciben entre 4,000 y 5,000 dólares mensuales. La correlación solo puede establecerse entre variables numéricas, por lo que se plantea como ejercicio pensar qué otra variable numérica podría correlacionarse con la satisfacción [4:52].
¿Cómo se define el equipo ideal y el modelo de desarrollo?
Cada proyecto de datos necesita identificar a quién afecta y convocar a esas personas [5:18]. El equipo mínimo incluye:
- Ingeniero de datos: responsable de la infraestructura y recolección.
- Analista de datos: procesa información con SQL y crea visualizaciones.
- Científico de datos: desarrolla modelos predictivos.
- Equipo de marketing: define la comunicación hacia los clientes.
- Equipo operativo de negocio: aporta la visión estratégica [5:45].
El liderazgo del proyecto puede recaer en el director de negocio, tecnología o marketing. Lo fundamental es que sea alguien con pensamiento crítico, que entienda la utilidad de los datos y conozca la función de negocio donde se aplicará [6:15].
Respecto al modelo de desarrollo, existen dos caminos: interno o externo [6:40]. El desarrollo interno ofrece control absoluto, confidencialidad y flexibilidad. La consultoría externa aporta velocidad, talento especializado y cumplimiento de plazos. El costo depende de los recursos disponibles internamente [7:05].
En el caso de Bancocontigo, se opta por el desarrollo interno porque se cuenta con recursos técnicos, presupuesto y tiempo suficientes, y se prioriza la privacidad de los datos y la mejora continua del algoritmo en tiempo real [7:30].
¿Quién crees que debería liderar este tipo de proyecto: el área de marketing, tecnología o negocio? Comparte tu perspectiva y argumenta tu elección.
