En comparación con los modelos de ML tradicionales, los modelos fundacionales de NeoSpace impulsados por NVIDIA ofrecieron resultados mejorados en todas las poblaciones de clientes, las modalidades de datos y el tiempo. NeoSpace logró una precisión al menos entre un 30 % y un 50 % mayor, lo que permitió a sus clientes de servicios financieros expandir casos de uso de IA sin rediseñar su infraestructura.

En una implementación insignia, NeoSpace trabajó con otra institución financiera importante de América Latina para desarrollar una solución de modelado de propensión sobre datos tabulares a gran escala para identificar a los clientes con más probabilidades de contratar crédito a plazos. 

El modelo se evaluó mediante Kolmogorov–Smirnov (KS), la tasa de contratación y la tasa de conversión entre deciles. Esta implementación afectó a 6 millones de clientes en la producción y aprovechó más de 10 TB de datos que cubren más de 50 millones de clientes, incluidos los almacenes de características de CRM, las variables de elegibilidad, el comportamiento de contratación histórico, datos transaccionales y más.

En comparación con la línea de base existente del banco, NeoSpace ofreció 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 que muestra que una parte más grande de los 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 comunicarse con menos clientes y, al mismo tiempo, lograr resultados generales más altos, lo que aumentó la eficiencia por interacción y permitió más campañas de alto impacto.

En general, la estrategia de propensión mejorada se tradujo en un aumento del 10 % en las ofertas de crédito a plazos, impulsado por una mejor clasificación de clientes de alta propensión y una participación precisa. Estos modelos fundacionales son la nueva capa predictiva central de la institución que ofrece predicciones más estables, un tiempo de generación de valor más rápido y una mejora en la eficiencia empresarial.

NeoSpace está probando un modelo fusionado que combina el modelo tabular actual con datos transaccionales basados en eventos, como transacciones con tarjetas de crédito, actividad de cuentas corrientes y pagos de facturas, y se espera que agregue aproximadamente 5 puntos porcentuales de aumento de oferta de crédito a plazos adicional. 

El banco ya está ejecutando en paralelo este framework de modelado de propensión desde un solo producto hasta casi 50 productos financieros, lo que crea una plataforma que entiende a cada cliente, anticipa las necesidades y escala la participación personalizada.

Al desarrollar NeoData en la plataforma NVIDIA Blackwell y la pila de software CUDA, NeoSpace implementó modelos fundacionales de servicios financieros de nivel de producción que vinculan datos con decisiones para algunas de las instituciones financieras más grandes de América Latina.