“Empezamos a modelar a Nequi como una red social, como cuando una persona interactúa con otra o con muchas más. Empezamos entonces a identificar qué tipo de relaciones existían a través de sus transacciones”, explicó Milena Correa, gerente de Evolución Analítica e Inteligencia Artificial de Nequi, durantesu intervención en el Digital Trends Summit, en Bogotá.
Esta perspectiva metodológica transformó el análisis tradicional de datos al estudiar las interacciones y los flujos financieros entre los usuarios. De este modo, la plataforma logró identificar perfiles específicos, como proveedores o microempresarios de barrio, que usualmente operaban en la informalidad y carecían de registros en el sistema bancario convencional.
Correa explicó durante su intervención cómo la estrategia tecnológica de Nequi se estructuró sobre tres pilares fundamentales que guiaron el desarrollo de sus algoritmos: la rentabilidad, el acceso al crédito y la optimización del servicio al cliente.
Índice de temas
Los tres pilares de Nequi
“Tenemos un modelo de negocio con un núcleo gratuito para los usuarios, donde no cobramos comisiones por transferencias, cash-in ni cash-out. Nosotros asumimos esos costos desde que empezamos a trabajar en esto hace ya diez años. Gracias a ello, alcanzamos una masa de usuarios muy importante; sin embargo, al registrar tanta actividad, lógicamente empezamos a tener problemas de rentabilidad”, dijo Correa.
Para enfrentar estos desafíos, las herramientas de analítica predictiva y Machine Learning evaluaron variables de comportamiento de los usuarios para determinar el producto óptimo que debía ofrecerse en cada caso. La aplicación de estos modelos permitió incrementar la efectividad de las campañas mediante comunicaciones hiperpersonalizadas.
Por su parte, el otorgamiento de crédito representó una de las áreas de mayor adopción de Inteligencia Artificial para mitigar barreras de acceso en poblaciones con ingresos no regularizados. De esta forma, los modelos de machine learning procesaron información relacional interna para establecer puntajes crediticios alternativos, facilitando la expansión del portafolio de colocación hacia zonas de mayor riesgo, mientras se mantuvo el control sobre la calidad de la cartera de la entidad.
Como resultado, Correa destacó que, al cierre del periodo, Nequi reportó una base de 22,5 millones de usuarios activos, definidos como aquellos que realizaron al menos una transacción monetaria mensual. Del total de usuarios, 12 millones consumieron servicios de valor agregado que generaron ingresos por comisiones o intereses para la empresa. Estos servicios complementarios incluyeron el recaudo de servicios públicos, pasarelas de pago y recargas de sistemas de transporte urbano.
Adicionalmente, los modelos predictivos se extendieron al área de cobranza mediante el uso de canales automatizados. La plataforma utilizó un sistema de notificaciones personalizadas con una efectividad del 70 %, complementado por agentes de voz basados en Inteligencia Artificial que alcanzaron un 80 % de efectividad en la gestión de cartera.
Equipos y objetivos de negocio
Para desplegar estas soluciones, la organización adoptó una cultura basada en la experimentación y la segmentación. Estructuralmente, coexistieron dos tipos de equipos: uno centralizado, encargado de proveer las plataformas tecnológicas y brindar soporte transversal, y equipos descentralizados con un conocimiento profundo de áreas específicas, como riesgo.
La viabilidad de estos desarrollos tecnológicos dependió estrictamente de su retorno financiero y de su alineación con la rentabilidad general de la compañía. Las iniciativas técnicas que no demostraron un beneficio directo sobre los indicadores de la empresa fueron descartadas por los comités de evaluación.
Al respecto, Correa concluyó: “Nuestra prioridad siempre es el negocio, siempre. Si hay algo que nos parece muy básico, pero eso no impacta los números ni resulta importante para la compañía, simplemente no lo hacemos”.
