Cómo Discovery Bank ofrece una banca hiperpersonalizada a escala: IA del comportamiento, datos gobernados y toma de decisiones en tiempo real

¿Cómo puede un banco hacer que cada interacción con el cliente se sienta personal y, al mismo tiempo, cumplir con las expectativas de escala, velocidad, seguridad y gobernanza de los servicios financieros?

La hiperpersonalización en la banca es la capacidad de hacer que cada interacción con el cliente sea relevante para esa persona específica, en ese momento, en función de su comportamiento real en lugar de un segmento demográfico. Es la diferencia entre enviar un aviso de ahorro a todos los clientes menores de 35 años y mostrar una sugerencia específica a un cliente que acaba de recibir un pago de nómina, tiene un depósito a plazo fijo por vencer y ha navegado por la sección de inversiones de la aplicación tres veces esta semana. A la escala en la que operan las instituciones financieras, esto requiere una infraestructura de AI gobernada, no una configuración manual.

La relación de un cliente con un banco genera un flujo continuo de señales: desde pagos y patrones de gasto hasta comportamientos de ahorro, interacción digital, decisiones de préstamo y conversaciones de servicio. El desafío es convertir esas señales en siguientes pasos útiles mientras se mantienen conectadas la personalización, la protección contra el fraude, la atención al cliente y la gobernanza.

Para Discovery Bank, lanzado en 2019 para transformar la banca en Sudáfrica, la respuesta no ha sido un único modelo o aplicación. Ha sido construir el banco en torno a productos de datos basados en la ciencia del comportamiento y la AI, para luego integrar esos productos en todo el negocio. Esta base respalda el bienestar financiero, las experiencias personalizadas, la protección contra el fraude, la asistencia a los asesores bancarios, la AI generativa y las acciones controladas a través de agentes. Para los equipos que desarrollan estas capacidades, la toma de decisiones reutilizable mantiene la coherencia de las definiciones y los controles en el marketing, las experiencias digitales, la atención al cliente y las iniciativas de cambio de comportamiento.

La experiencia de Discovery Bank ofrece una lección práctica para los líderes de servicios financieros. La AI se vuelve más valiosa cuando está conectada a:

• Datos de confianza
• Productos analíticos reutilizables
• Servicios deterministas
• Gobernanza que permanece presente a medida que los sistemas pasan de la información a la acción

Vea cómo Stuart Emslie, director de datos de Discovery Bank, comparte cómo se asociaron con Databricks para lograrlo.

Construir el banco en torno a un valor compartido

Discovery Bank aplica el propósito central de Discovery Group (hacer que las personas estén más saludables y mejorar y proteger sus vidas) al comportamiento financiero a través de su modelo de banca de valor compartido. Cuando los clientes mejoran su comportamiento financiero, pueden ahorrar más, administrar el crédito de manera más eficaz y volverse más resilientes financieramente. Eso crea valor para el cliente, reduce el riesgo para el banco y contribuye a una sociedad más resiliente.

Cumplir con este modelo requiere una comprensión detallada y en constante evolución del comportamiento de cada cliente. Los clientes tienen diferentes perfiles de gasto, objetivos financieros y formas de pensar sobre la salud financiera. Es por eso que Discovery Bank convirtió los datos, la ciencia actuarial, la ciencia del comportamiento y la AI en pilares fundamentales del banco.

Convertir los datos de comportamiento en productos reutilizables

Discovery Bank reúne datos demográficos, comportamiento transaccional y de gasto, interacción digital, indicadores de ahorro y préstamo, señales de riesgo crediticio, participación en recompensas e información relacionada con el estilo de vida.

Discovery Bank utiliza Databricks Data and AI Platform para unificar esta información bajo una sola plataforma gobernada y crear productos de datos reutilizables, que incluyen características de ingeniería, indicadores de comportamiento, puntuaciones de modelos, tendencias, pronósticos y recomendaciones. El motor de ciencia de datos de Discovery Bank combina modelos predictivos y de regresión, regresión cuantílica, segmentación avanzada y búsquedas de similitud para crear perfiles en constante evolución del comportamiento de los clientes.

Estos productos de datos gobernados y reutilizables respaldan la adquisición y fijación de precios, la gestión de riesgos, la personalización de productos y experiencias, la mejora del servicio, la capacitación de los asesores bancarios, la detección de actividades inusuales y la protección contra el fraude. La misma inteligencia subyacente puede crear valor en diferentes áreas al tiempo que aplica los permisos y controles requeridos para cada caso de uso.

Este enfoque también mejora la forma en que trabajan los equipos. En lugar de crear versiones separadas de inteligencia de clientes para cada aplicación, los profesionales pueden basarse en activos compartidos y gobernados. Delta Lake, MLflow y Unity Catalog respaldan los patrones de datos, modelado y gobernanza necesarios para operar esos activos como capacidades de producción.

Hacer que la siguiente mejor acción sea útil para el cliente

Una de las aplicaciones iniciales de Discovery Bank fue la siguiente mejor acción (NBA). El objetivo no es identificar algo que el banco quiera comunicar. Es determinar qué acción es relevante y valiosa para un cliente en particular, en un contexto particular, en un momento específico.

Esa distinción cambia el papel de la personalización. Una siguiente mejor acción debería respaldar el camino del cliente hacia la salud financiera, en lugar de simplemente aumentar la comunicación saliente. La misma inteligencia puede impulsar interacciones entrantes y salientes, experiencias digitales y servicios asistidos por asesores bancarios.

El modelo NBA de Discovery Bank ha producido un incremento del 40% en el impacto de la interacción con el cliente. También ha cambiado la forma en que trabajan los equipos de datos: el desarrollo de pipelines se ejecuta 20 veces más rápido y la creación de productos de datos es 5 veces más rápida, porque los equipos se basan en activos gobernados compartidos en lugar de comenzar desde cero para cada canal.

Para los equipos de datos, analítica, actuariales, ML y de producto que desarrollan estas capacidades, el principio de diseño es claro: mantener la toma de decisiones reutilizable y separada del canal donde se activa. Una capa de toma de decisiones compartida puede respaldar el marketing, las experiencias digitales, la atención al cliente y las iniciativas de cambio de comportamiento, al tiempo que mantiene la coherencia de las definiciones y los controles.

Usar el contexto de comportamiento para proteger a los clientes

La misma inteligencia que respalda la personalización puede fortalecer la seguridad. Los controles de fraude tradicionales preguntan si una transacción coincide con un patrón conocido. La alerta TRUST™ de Discovery Bank añade una pregunta complementaria: ¿tiene sentido la transacción para este cliente específico?

Las alertas TRUST™ evalúan las interacciones financieras en función de las normas y patrones de comportamiento de un cliente. Discovery Bank ha procesado cientos de millones de interacciones financieras y ha aplicado modelos predictivos, clustering, regresión cuantílica y detección de anomalías para cuantificar qué tan inusual es una interacción.

El resultado es una evaluación de riesgos en lugar de una respuesta binaria. Una interacción con un riesgo moderado puede activar una alerta que explica por qué la actividad parece inusual y permite al cliente decidir cómo proceder. Una interacción de alto riesgo puede dar lugar a una intervención más enérgica, incluido el bloqueo de la cuenta del cliente.

Este enfoque gradual equilibra la protección con la experiencia del cliente. También hace que la explicabilidad sea esencial: una puntuación de riesgo por sí sola no es suficiente. Los clientes y los equipos operativos necesitan contexto para comprender por qué se marcó una interacción. Los modelos se ponen en funcionamiento a través de una arquitectura de servicio basada en Azure personalizada que devuelve decisiones a escala en menos de unos pocos cientos de milisegundos.

Superponer la AI generativa sobre bases de confianza

El principio de Discovery Bank para la AI generativa es que no debe reemplazar las capacidades fundamentales de datos y ML. Es más potente cuando trabaja en conjunto con ellas.

Los productos de datos tradicionales proporcionan un contexto de confianza. Los modelos de ML proporcionan predicciones, pronósticos y recomendaciones. La AI generativa puede hacer que esa inteligencia sea más fácil de acceder, explicar y aplicar.

La arquitectura descrita por Discovery Bank reúne cuatro capas:

• Una capa de datos gobernada que contiene información seleccionada de clientes, productos y transacciones
• Una capa analítica donde los modelos generan pronósticos, información sobre el comportamiento, recomendaciones y las siguientes mejores acciones
• Herramientas y servicios de control que exponen la información y la funcionalidad principal necesarias para la experiencia de AI
• Una capa generativa que utiliza modelos de lenguaje grandes especializados, procesos y agentes para determinar la acción y la respuesta

Discovery Bank lanzó Discovery AI en mayo de 2025 con la visión de democratizar la banca privada. No recreando a un asesor de banca privada humano con una interfaz de chat, sino cambiando la experiencia de servicio a través de una inteligencia actuarial y de comportamiento más profunda.

Discovery AI puede responder preguntas de servicio, ayudar a los clientes a navegar por sus recorridos bancarios, analizar aspectos de su comportamiento financiero, mostrar información personalizada, ofrecer recomendaciones y asistir con acciones seleccionadas. En lugar de buscar el menú o formulario correcto, el cliente puede describir el resultado que necesita y el sistema puede ayudar a coordinar el recorrido adecuado.

Mejorar el servicio asistido por humanos

Discovery Bank aplica la misma inteligencia al autoservicio, a los chats de texto con asesores y a las llamadas dentro de la aplicación. Para el servicio asistido por humanos, Discovery Bank también utiliza un asistente de AI orientado al asesor que recupera y genera información relevante sobre el cliente y la consulta de servicio. Otra función incorpora recomendaciones y las mejores acciones a seguir en la interacción, explicando por qué cada recomendación es relevante y proporcionando información de respaldo.

La AI también ayuda a analizar las interacciones de servicio. Sujeto a controles de gobernanza, privacidad y calidad, puede identificar problemas recurrentes de los clientes, dificultades de servicio emergentes, brechas de calidad y oportunidades para mejorar los recorridos. Un análisis más amplio ayuda a los equipos a realizar un seguimiento de las tendencias de rendimiento y a capacitar a los agentes para lograr mejores resultados.

Esto lleva a la AI más allá de la eficiencia operativa. Puede mejorar la calidad de la interacción y ayudar a la organización a aprender de un conjunto más amplio de conversaciones con los clientes.

Colocar a los agentes dentro de flujos de trabajo gobernados

El patrón agéntico de Discovery Bank combina servicios deterministas, modelos de ML tradicionales, procesos orquestados basados en LLM y agentes. Los agentes no reemplazan el entorno de control, sino que operan dentro de él.

En los casos de uso agénticos, los clientes pueden proporcionar texto, voz, imágenes o documentos para realizar pagos, completar compras o llevar a cabo acciones relacionadas. Los controles existentes siguen formando parte del flujo. Las alertas de TRUST™ y, por ejemplo, continúan evaluando el riesgo de fraude, mientras que Unity Catalog proporciona una capa de gobernanza consistente en todos los datos bancarios estructurados, características de comportamiento, resultados de modelos, documentos, grabaciones, contenido recuperado e información disponible para aplicaciones generativas.

El mismo principio se aplica a los recorridos con gran volumen de documentos. Un sistema multimodal puede clasificar un documento, extraer campos, contrastar la información con datos conocidos, identificar inconsistencias y guiar al cliente sobre lo que se requiere a continuación. En áreas como el crédito y Vitality Money (el programa de recompensas de Discovery Bank), esto puede hacer que la administración manual sea un proceso más rápido y útil.

De la inteligencia de comportamiento a la acción gobernada

El recorrido de datos y AI de Discovery Bank ha sido acumulativo. Comenzó con una plataforma de datos gobernada y productos de datos reutilizables. Luego, el banco creó modelos de comportamiento y toma de decisiones para la personalización y la prevención del fraude. La AI generativa facilitó el acceso a esa inteligencia tanto para clientes como para asesores, mientras que los agentes comenzaron a orquestar acciones controladas y a rediseñar recorridos complejos.

Los equipos de datos pueden utilizar pipelines directos y un framework de ML integrado, lo que elimina las conversiones de SQL (el proceso de cambiar datos de un tipo de datos a otro) y simplifica la gestión del código. Los tiempos de procesamiento de datos son 20 veces más rápidos y los tiempos de creación e implementación de productos de datos son 5 veces más rápidos. Aprovechando la colaboración entre equipos, la menor complejidad y las ganancias de alta eficiencia, Discovery Bank también ha aumentado su capacidad de creación de modelos a más de 300 modelos por día.

La plataforma de datos y AI de Databricks ha transformado la capacidad del banco para crear el ecosistema centralizado que necesita para impulsar el valor compartido, al integrar diferentes componentes en una sola plataforma consolidada y sin dependencias. Estas eficiencias permitieron acelerar el tiempo de obtención de insights y el tiempo de producción, lo que generó un importante retorno de la inversión de más del 500%.

Para los equipos de servicios financieros, las lecciones prácticas son sencillas:

• Crear inteligencia reutilizable en torno a los resultados del negocio, con propiedad y definiciones claras
• Hacer explícita la capacidad de acción: un perfil o puntuación debe guiar una decisión, recomendación, intervención o siguiente paso
• Diseñar la explicabilidad dentro de la experiencia para que los clientes, asesores y equipos operativos entiendan por qué actuó el sistema
• Agregar AI generativa y agentes a una base de confianza, manteniendo los servicios deterministas, el ML, los permisos y la gobernanza en el proceso

La experiencia de Discovery Bank demuestra que los productos de datos reutilizables pueden conectar la personalización, la protección contra el fraude, el servicio y la AI en todo el banco. Comience con datos, modelos, controles y gobernanza de confianza, y luego agregue AI generativa y agentes para transformar los insights en acciones seguras y útiles.

¿Listo para saber más? Vea nuestro Financial Services Industry Forum: Financial Intelligence beats General Intelligence para aprender cómo puede operacionalizar la AI a escala.

FAQ

¿Cómo pueden las instituciones financieras utilizar la plataforma de datos y AI de Databricks?

Unifica datos bancarios gobernados, analítica, machine learning y AI para personalización, riesgo, protección contra el fraude y servicio. Los equipos pueden crear indicadores, puntuaciones, pronósticos y recomendaciones reutilizables en todas las aplicaciones.

¿Cómo respalda Unity Catalog la gobernanza de los servicios financieros?

Unity Catalog proporciona una base de gobernanza unificada en todos los datos bancarios estructurados y no estructurados, características de comportamiento, resultados de modelos, documentos, grabaciones y activos de AI. Junto con Unity Gateway, extiende controles de acceso consistentes, aplicación de políticas, auditoría y visibilidad a las aplicaciones generativas y agentes que utilizan esos activos.

¿Cómo puede MLflow respaldar el machine learning bancario?

MLflow gestiona el desarrollo, el control de versiones, el ajuste y la promoción de modelos, ayudando a los equipos a trasladar los modelos predictivos desde la experimentación a la producción con controles consistentes.

¿Cómo respalda Databricks la AI gobernada en la banca?

Databricks permite a los equipos de servicios financieros crear, gobernar y operacionalizar la AI en una plataforma unificada, conectando datos de comportamiento, modelos de ML, AI generativa y flujos de trabajo agénticos, al tiempo que ayuda a las organizaciones a minimizar el movimiento innecesario y la duplicación de datos confidenciales de los clientes a través de una gobernanza centralizada y un acceso seguro a los datos.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original