En comparación con los modelos de ML tradicionales, los modelos de base de NeoSpace con tecnología de NVIDIA ofrecieron mejores resultados en todos los segmentos de clientes, modalidades de datos y periodos. NeoSpace alcanzó una precisión al menos un 30 %–50 % mayor, lo cual permitió a sus clientes de servicios financieros ampliar los casos de uso de IA sin tener que rediseñar la arquitectura de su infraestructura.

En una implementación emblemática, NeoSpace colaboró con otra importante institución financiera latinoamericana para desarrollar una solución de modelado de propensión basada en datos tabulares a gran escala con el fin de identificar a los clientes con mayor probabilidad de contratar un crédito a plazos. 

El modelo se evaluó utilizando Kolmogorov-Smirnov (KS), la tasa de contratación y la tasa de conversión por deciles. Esta implementación afectó a 6 millones de clientes en producción y permitió aprovechar más de 10 TB de datos que abarcan más de 50 millones de clientes, como almacenes de características de gestión de las relaciones con los clientes (CRM), variables de elegibilidad, historial de comportamiento de contratación, datos transaccionales y mucho más.

En comparación con los datos de referencia existentes del banco, NeoSpace aportó una mejora de 10 a 20 puntos porcentuales en KS. La tasa de contratación en el decil superior aumentó entre 20 y 30 puntos porcentuales, lo cual demuestra que una mayor proporción de clientes que contrataron la oferta de crédito a plazos del banco se concentraron en el segmento de mayor propensión. Estas mejoras en el rendimiento permitieron al banco contactar con menos clientes, al mismo tiempo que lograba mayores resultados generales, lo cual aumentó la eficiencia por interacción y facilitó la realización de campañas de gran impacto.

En general, la estrategia de propensión optimizada se tradujo en un aumento del 10 % en las ofertas de crédito a plazos, propiciado por una mejor clasificación de los clientes de alta propensión y una interacción más precisa. Estos modelos de base son la nueva capa predictiva básica de la institución que provee predicciones más estables, un tiempo de generación de valor más rápido y una mejora de la eficiencia empresarial.

NeoSpace está probando un modelo fusionado que combina el modelo tabular actual con datos transaccionales basados en eventos, como transacciones con tarjeta de crédito, actividad de cuentas corrientes y pagos de facturas, y se prevé que aporte aproximadamente 5 puntos porcentuales de incremento adicional en las ofertas de crédito a plazos. 

El banco ya está ampliando la aplicación de este marco de modelado de propensión desde un solo producto hasta casi 50 productos financieros, creando una plataforma que entiende a cada cliente, se anticipa a sus necesidades y escala una interacción personalizada.

Al crear NeoData en la plataforma NVIDIA Blackwell y la pila de software CUDA, NeoSpace implementó modelos de base de servicios financieros a nivel de producción que vinculan los datos con las decisiones de algunas de las mayores instituciones financieras de Latinoamérica.