A medida que las industrias financieras y de telecomunicaciones pasan de modelos reactivos a modelos de riesgo predictivos, las perspectivas de los arquitectos de estos sistemas se vuelven críticas para navegar por la transición. Las industrias financieras y de telecomunicaciones están experimentando una transformación fundamental en la forma en que manejan el riesgo.Traditionalmente una disciplina reactiva, la gestión del riesgo de crédito está cambiando cada vez más hacia un modelo proactivo impulsado por la analítica predictiva e inteligencia artificial. Esta evolución permite a las organizaciones anticipar y mitigar las pérdidas potenciales antes de que se materializen, moviéndose más allá de los datos históricos para predecir el comportamiento del cliente futuro.Con más de 19 años de experiencia en tecnología de la información y riesgo, Surbhi Gupta ha estado en la vanguardia en el diseño de estos sofisticados marcos. Su trabajo en grandes corporaciones como Morgan Stanley y T-Mobile demuestra una profunda experiencia en la construcción de soluciones escalables de nivel empresarial que identifiquen y aborden los riesgos en sus etapas más tempranas. De la resistencia a los resultados La implementación de marcos proactivos de gestión de riesgos a menudo se enfrenta a una resistencia interna significativa.Los responsables de la toma de decisiones pueden tener dudas en adoptar nuevos protocolos de evaluación, temendo que el proceso sea demorado o exponga vulnerabilidades previamente ocultas. "Al principio, era muy difícil hacer la evaluación de riesgos porque los propietarios no estaban listos para tomar la evaluación debido al tiempo que tomó y temer que pudiera abrir un recipiente de gusanos delante de su alta dirección", explica. Para navegar por esto, su equipo desarrolló un marco automatizado que se integró directamente con las herramientas de gestión de activos. Es un cambio de paradigma fundamental que requiere una gestión cuidadosa. Evaluación del riesgo de crédito predictivo Los resultados de este enfoque proactivo demostraron un valor claro a lo largo del tiempo. “Durante un período de tiempo, pudimos mostrar una reducción del riesgo de casi 5% por trimestre en promedio por activo, aunque surgirían nuevas vulnerabilidades, pero se notaron a tiempo debido a la toma de decisiones proactiva”, señala Gupta. para construir la resiliencia organizacional y asegurar el buy-in para nuevos procesos orientados hacia el futuro. Cambio de estrategias de gestión Diseño a escala empresarial El verdadero test de un marco de riesgo es su capacidad de escalar en una organización grande y compleja.Un sistema que funcione para una clase de activos debe ser lo suficientemente adaptable como para proporcionar una visión holística del riesgo en toda una empresa.El trabajo de Gupta en Morgan Stanley comenzó con un alcance específico pero se expandió rápidamente. “Durante mi mandato en Morgan Stanley, mi alcance inicial fue la evaluación del riesgo sólo para las aplicaciones, pero después de dos cuartos de la finalización de la evaluación Proactiva, hubo una oportunidad significativa para cubrir otros activos también”, dice. , un patrón arquitectónico que centraliza datos de fuentes dispares en una capa de alto rendimiento. Hub de Integración Digital “Este esfuerzo finalmente llevó a cubrir más de 3.000 activos en diferentes clases de activos de Morgan Stanley”, afirma Gupta. , que empodera al liderazgo con una visión unificada del riesgo organizacional. Plataforma única para análisis en tiempo real Eliminación de los obstáculos técnicos y organizativos Para Gupta, uno de los principales obstáculos técnicos era crear una lógica de puntuación versátil. “El objetivo era desarrollar un modelo de puntuación que cubriría casi el 95% de los activos que pertenecen a la misma clase de activos, y garantizar que los datos redundantes, incluso si se extraen, no impacten en la puntuación”, dice. Esta complejidad a menudo se complica por la necesidad de integrar con los sistemas legados, un desafío común en las grandes instituciones financieras. puede ayudar a gestionar esto mediante la sustitución gradual de módulos viejos por nuevos microservicios.Sobre el lado organizacional, la clasificación de datos inconsistente constituyó otro obstáculo. “El patrón de Strangler-Fig” “Morgan, siendo una empresa de gran escala, no marcó todos los activos en las clases correctas, lo que influyó en el riesgo inherente inicial”, explica Gupta. a menudo revela tales inconsistencias de datos, lo que requiere una planificación cuidadosa para garantizar la integridad del marco de evaluación de riesgos. Integración con sistemas legados Conectar la experiencia con la innovación del futuro El trabajo de Gupta en el riesgo empresarial en Morgan Stanley influyó directamente en su posterior desarrollo de los sistemas de puntuación comportamental en T-Mobile, particularmente en la comprensión de la seguridad de los datos y los primeros indicadores de riesgo. “Mi experiencia en Morgan Stanley fue una experiencia de primera mano de lo que realmente significaba el riesgo y cuáles podrían ser las consecuencias potenciales para las empresas que tienen un montón de PII de sus clientes, y asegurar el sistema de las amenazas”, refleja. en el comportamiento del cliente, como los patrones de pago o el uso del servicio. Predecir la delincuencia mediante el análisis de cambios Esta comprensión le permitió pensar de forma proactiva sobre la mitigación de los problemas potenciales. “No solo estaba iluminado hacia la seguridad de los datos, sino también cuáles deberían ser los atributos potenciales que pueden conducir a riesgos, que pueden mitigarse en una etapa temprana”, añade Gupta. – tales como el historial de transacciones y el uso del dispositivo – para mejorar las decisiones de riesgo de crédito para los solicitantes que pueden tener archivos de crédito limitados. Utilización de datos de comportamiento Identificación Proactiva de Clientes de Riesgo. El modelo predictivo permite a las empresas identificar a los clientes de alto riesgo antes de que se conviertan en delincuentes.El marco que Gupta ayudó a desarrollar en T-Mobile sintetiza numerosos puntos de datos para crear un perfil de riesgo completo en tiempo real para cada cliente, ya sea nuevo o existente. Para un nuevo cliente, el sistema aprovecha extensamente las fuentes de datos externas. “Actualmente estamos vinculados con 19 oficinas para obtener [su] historial de crédito anterior, historial de delincuencia y otros factores que atribuyen a [su] límite de línea y límite de elegibilidad”, explica Gupta. Se ha demostrado que aumenta significativamente las aprobaciones de préstamos al mismo tiempo que reduce el riesgo. Datos de crédito alternativos Para los clientes existentes, los datos internos proporcionan una poderosa herramienta de predicción.Gupta señala, “Si hay un cliente existente cuya puntuación de comportamiento anterior no ha sido buena, el límite de préstamo / arrendamiento, junto con la línea de crédito, tendrá un impacto significativo”. precisión en comparación con los modelos tradicionales. Mejora del 31,7% en la predicción por defecto Adaptación a las condiciones dinámicas Un modelo predictivo es tan eficaz como su capacidad de adaptarse a un entorno en constante cambio.El comportamiento del cliente, las condiciones del mercado, los lanzamientos de nuevos productos y la evolución de las regulaciones requieren actualizaciones continuas de los modelos de puntuación para garantizar su relevancia y exactitud. Gupta subraya que estos modelos están lejos de ser estáticos. “Estos modelos predictivos se actualizan regularmente y se mejoran para cubrir muchos factores, incluidos los lanzamientos de nuevos productos, la implicación de Deepfraud en la IA y los clientes que adoptan más servicios”, afirma. optimizar su toma de decisiones en tiempo real. Evaluación del riesgo de crédito impulsado por AI Los criterios para ajustar estos modelos son extensos y responden a los eventos del mundo real. “Los criterios de exclusión que cambian arriba son algunos de los muchos criterios enumerados que son responsables de los cambios frecuentes en el modelo de Estrategias para la puntuación”, añade. Informe de una reducción significativa en los déficits de préstamos en comparación con los que se basan en evaluaciones estáticas tradicionales. Sistemas de monitoreo continuo del crédito El resultado de una disciplina predictiva El cambio de una disciplina reactiva a una predictiva produce beneficios tangibles que van más allá de la simple identificación de riesgos, fortalece la postura de seguridad de una organización, protege los datos de los clientes y afecta directamente a la línea de fondo al prevenir la pérdida de ingresos. "Con la gestión proactiva del riesgo, se reducen las posibilidades de posibles riesgos", afirma Gupta simplemente.Esta reducción de la vulnerabilidad es un resultado crítico.La investigación muestra que los modelos de aprendizaje automático pueden lograr una precisión significativamente mayor en la predicción por defecto, con , en comparación con los 0,65-0,75 típicos para las puntuaciones tradicionales de las agencias de crédito. AUC de ROC de 0,80 a 0,90 Como señala Gupta, “el sistema es menos vulnerable a los ataques, los datos de los clientes son más seguros, y también ayuda a ahorrar ingresos reduciendo la deuda mala del mercado”. , demostrando un claro caso financiero para la intervención temprana. Coste por préstamo El futuro de la gestión del riesgo de crédito La rápida evolución de la inteligencia artificial presenta enormes oportunidades y nuevos desafíos para el futuro de la gestión del riesgo de crédito. para construir sofisticados modelos predictivos, pero también crea nuevas vías para el fraude sofisticado. Ofrece herramientas poderosas “Con la rápida adopción de la IA, la gestión del riesgo de crédito está sentada sobre una espada de dos puntas. la IA está demostrando ser una gran ayuda en la generación de modelos futuristas basados en el análisis de datos y la detección automática de anomalías”, dice Gupta. en el sector bancario confirma su importante papel en la mejora de la evaluación del riesgo de crédito. Adopción de la inteligencia artificial Sin embargo, la misma tecnología puede ser explotada. “Pero al mismo tiempo, más fraudes profundas están ocurriendo a medida que el robo de identidad está aumentando, y la identidad puede ser fácilmente imitada usando herramientas de IA, lo que puede conducir a malas prácticas”, advierte. Crear sistemas más seguros y transparentes para la detección de fraudes. Integración con Blockchain El paso hacia la gestión de riesgos proactiva y predictiva representa una evolución crítica para cualquier organización que maneje los datos de crédito y los clientes.Este cambio, impulsado por la analítica avanzada y la IA, permite a las empresas no solo proteger sus activos, sino también construir marcos operativos más resilientes y seguros. A medida que esta tendencia continúa, la experiencia de quienes han arquitectado estos sistemas complejos será inestimable en la navegación por los desafíos y oportunidades que están por delante.

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Este audio es producido en el idioma original de la historia!

Anticipar el riesgo antes de que ocurra: Surbhi Gupta sobre el futuro del análisis predictivo

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Telegram: el puente de Crypto Island hacia el continente

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Telegram: el puente de Crypto Island hacia el continente

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps