Itaú trabaja en modelo para anticiparse a próximas transacciones de clientes
Claus Narr Rubio 
Hace unos días concluyó el Primer Desafío de Data Science, organizado por banco Itaú junto a la aceleradora de innovación Innspiral mediante Binnario, en el cual más de 1.000 participantes analizaron datos y desarrollaron proyectos para determinar cuál serían las próximas transacciones de clientes bancarios.
El primer lugar se lo llevó el viñamarino Alfonso Tobar, ingeniero, autodidacta y apasionado por las matemáticas. Tobar se enfrentó durante un mes a más de 1.000 especialistas en data science de Chile y el mundo, los que tuvieron que desarrollar modelos que anticiparan la propensión a la compra de productos bancarios, coronándose con el primer lugar, un premio de US$20.000 y la oportunidad de desarrollar su modelo en conjunto con el banco.
“Mi modelo se basa en la investigación de los datos de un potencial cliente, su comportamiento de compra, y en base a ello se crean muchos árboles de decisión. Es como el ‘Akinator’, aprende por sí solo, inventa preguntas y entrega resultados con probabilidades de certeza”, comentó el egresado de ingeniería civil y oriundo de la Quinta Región.
El gerente de Digital & Analytics de Itaú, Marco Cauduro, se mostró muy orgulloso con los resultados del concurso que busca conocer las próximas transacciones de clientes bancarios.
“además del modelo que nos ayudará a entregar a nuestros clientes una experiencia cada vez más personalizada, significó 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”.
Desafío para conocer próximas transacciones de clientes bancarios
“El concurso me pareció muy desafiante. Tuve que dedicar tiempo a diario, generalmente en las madrugadas. Lo pasé súper bien, fue una muy buena experiencia y un gran e inesperado resultado. Mi modelo se basa en la investigación de los datos de un potencial cliente, su comportamiento de compra, y en base a ello crea muchos árboles de decisión. Es como el “Akinator”, aprende por sí solo, inventa preguntas y entrega resultados con probabilidades de certeza”, comentó Alfonso Tobar, ganador del desafío.
Durante el periodo, el ingeniero tuvo algunos inconvenientes: de un momento a otro su computador dejó de funcionar y estuvo 10 días sin poder avanzar en su proyecto. Además, decidió renunciar a su trabajo tras enterarse de los resultados: “el prestigio de este triunfo y de lo que quiero hacer hacia adelante son más importantes”, sostuvo.
Con el impulso que le da haber ganado este desafío, Tobar, quien además es profesor de machine learning, evalúa dedicarse de lleno a la ciencia de datos: está estudiando una especialización en Inteligencia Artificial en Stanford y piensa utilizar parte del dinero del premio para matricularse en un magíster sobre el mismo tema.
Otros reconocimientos de Data Science en el desafío de próximas transacciones de clientes bancarios
El segundo lugar lo obtuvo un equipo conformado por un chileno y un holandés, que participaron desde Corea. Se trata de Paul Bertens y el chileno Rodrigo Hormazábal, estudiante de doctorado en Brain & Cognitive Engineering, y estudiante de doctorado en Inteligencia Artificial de la Kaist (Korea Advanced Institute of Science and Technology), respectivamente, con un proyecto basado en un ensamble de árboles de decisión. Recibieron un premio de US$3.000.
El tercer lugar lo obtuvo el equipo conformado por los académicos de la Universidad de Santiago, Malen Antillanca y Joaquín Villagra, quienes apostaron por una lógica de camadas y el algoritmo de predicción XGBoost. Recibieron un premio de US$2.000.
Indicar que todos los finalistas tuvieron que someterse a un pitch day, en el que explicaron y defendieron sus proyectos ante una comisión evaluadora compuesta por expertos de diferentes áreas de Itaú. Las iniciativas de data science presentadas ante este equipo de evaluadores fueron calificadas en función de la factibilidad de implementación e impacto potencial. Se observaron aspectos como asertividad en la predicción de los modelos, solidez técnica del equipo detrás de la solución y plan de trabajo propuesto para su implementación y conocer datos acerca de las próximas transacciones de clientes bancarios.
