Desde 2019 que Itaú viene vinculándose con el mundo de las FinTech -empresas que combinan tecnología con finanzas- y emprendimientos. Comenzaron realizando FinTech Day -eventos donde startups presentan sus productos al banco- y posteriormente, a través de acercamientos directos y modelos de innovación abierta, empezaron a desarrollar proyectos.
En noviembre de 2020 dieron un paso más y, en conjunto con la aceleradora de Innspiral y su plataforma Binnario, lanzaron el primer desafío Data Science para desarrollar un modelo predictivo que pueda anticipar y simular la propensión de compra de productos bancarios y buscar nuevos talentos, el que culminó con tres ganadores que se repartieron un premio de US$ 25 mil.
El gerente de Digital & Analytics de Itaú, Marco Cauduro, comenta que las startups y las FinTech presentan posibilidades de colaboración potentes para encontrar nuevas formas de abordar problemáticas y responder a las necesidades de los clientes.
Entre las startups que a la fecha han desarrollado proyectos con Itaú, se cuentan Synaptic -que agiliza la creación de nuevos productos, Celmedia -enfocada en fidelización de clientes- y Nearway -plataforma que gestiona procesos operativos en terreno- a las que esperan ir sumando más en los próximos años.
‘Durante el 2020 vimos un incremento en el número de proyectos concretados y la experiencia de este desafío en particular nos abre las puertas para seguir explorando en esta línea, por lo que esperamos mantener esa tendencia en 2021’, dice Cauduro, adelantando que ya hay conversaciones internas para nuevos desafíos a futuro. Agrega que al Desafío Data Science postularon cerca de mil científicos de datos. ‘Además del modelo, que nos ayudará a entregar a nuestros clientes una experiencia cada vez más personalizada, ha sido una enorme oportunidad para relacionarnos con la comunidad de científicos de datos, profundizar nuestro conocimiento en esta disciplina y apoyar el desarrollo de jóvenes talentos’, dice Cauduro.
Los ganadores
Las iniciativas de data science fueron calificadas en función de la factibilidad de implementación e impacto potencial, donde se observaron aspectos como asertividad en la predicción de los modelos, solidez técnica del equipo y plan de trabajo propuesto para su implementación.
1 LUGAR
Fue para el ingeniero y profesor de machine learning, Alfonso Tobar, que ganó US$ 20 mil para su modelo basado en árboles de decisión. Su solución ‘investiga’ datos de los clientes relacionados con su comportamiento de compra y va aprendiendo por sí solo para ofrecer productos personalizados.
El modelo está en proceso de implementación y será parte del back office del banco, con algoritmos que actuarán ofertando productos financieros específicos a los clientes en base a su proyección de compra, como carteras de inversión.
El ingeniero renunció a su trabajo para dedicarse de lleno a este proyecto. Está estudiando una especialización en inteligencia artificial en la Universidad de Stanford y piensa utilizar parte del dinero del premio para matricularse en un magíster sobre el mismo tema.
2 LUGAR
Lo obtuvo el equipo conformado por un chileno y un holandés, que participaron desde Corea del Sur con un modelo para la predicción de días restantes desde el comienzo del mes hasta la primera transacción de un consumidor, ganando US$ 3 mil. Se trata de Paul Bertens, estudiante de doctorado en Brain & Cognitive Engineering y el chileno Rodrigo Hormazábal, estudiante de doctorado en Inteligencia Artificial en el Korea Advanced Institute of Science and Technology (Kaist). Su solución está basada en un ensamble de árboles de decisión (Gradient Boosting) y es capaz de realizar predicciones para cada producto financiero por separado.
Tras obtener estas predicciones, genera un ranking de los productos a contratar para un consumidor.
3 LUGAR
Se otorgó al equipo integrado por los académicos de la Universidad de Santiago, Malen Antillanca y Joaquín Villagra, quienes ganaron US$ 2 mil con un modelo para predecir mes a mes la probabilidad de contratación de productos financieros.
Esta solución apuesta por una clasificación por cada producto, utilizando una lógica de camadas y el algoritmo XGBoost -una biblioteca de software de código abierto- para predecir mensualmente la contratación de los productos, y luego generar una priorización en el ordenamiento de la predicción por medio de series de Fibonacci.
