Prescriptive Decision AI para Banca
Banca
Retención de Clientes (Churn)

Los modelos de churn identifican clientes con riesgo de abandonar el banco. El problema es que la predicción llega sin el contexto que el gestor necesita para actuar: no sabe por qué ese cliente específico está en riesgo, qué intervención concreta lo retendría, ni si el presupuesto de retención se está gastando en los clientes que realmente se van a ir. AyGLOO convierte esa predicción en cuatro beneficios concretos: las acciones de retención para casos de alta certeza se lanzan automáticamente; el gestor se concentra en los casos donde su criterio añade valor real; cada cliente recibe la intervención exacta que cambiaría su decisión; y el análisis de red detecta patrones de abandono coordinado antes de que se materialicen.

1
Las reglas con 100% de fiabilidad permiten lanzar acciones de retención automáticamente. El gestor solo interviene donde la certeza es menor.
2
El análisis contrafactual (CF) genera la intervención mínima que retendría a cada cliente: no una campaña genérica, sino la acción concreta que cambia la predicción.
3
El análisis de red detecta cuando varios clientes vinculados están en riesgo coordinado de abandono, antes de que cada uno lo manifieste individualmente.
4
El ISA detecta segmentos donde el modelo predice mal el abandono, evitando gastar presupuesto de retención en clientes que no se iban a ir.
Hoy, lo que un gestor de retención suele recibir
Cliente #CLI-00847291 Probabilidad de abandono: 0.87 Segmento: banca personal · Sin contexto adicional
Con AyGLOO. Misma predicción, completamente enriquecida
Cliente #CLI-00847291 · 7 años de antigüedad Probabilidad de abandono: 0.87 · Ventana estimada: 30–45 días
XAI Explicación de la predicción Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo por segmento CF Intervención mínima que retiene al cliente What-if Sensibilidad por variable Graph Análisis de red Action Acción recomendada
1. Por qué este cliente está en riesgo de abandono. Twin model (profundidad 7 · fidelidad 95.8%)
100%IF consultas_competidor_app ≥ 3 en 30 días AND reducción_saldo_principal > 40% en 60 días → Riesgo de abandono inminente. Fiabilidad total: lanzar acción de retención automáticamente.
82%IF última_interacción_gestor > 90 días AND producto_nómina_activo = false → Cliente desvinculado emocionalmente. Contacto personalizado antes de que tome la decisión.
59%IF reducción_transacciones_mensuales > 30% sin otros factores → Señal débil aislada. No lanzar acción de retención solo con esta regla.
Las reglas con 100% de fiabilidad se ejecutan automáticamente: el sistema lanza la acción de retención sin esperar al gestor. Solo las reglas con fiabilidad menor requieren intervención humana.
XAITwin
2. CF. Intervención mínima accionable que retiene al cliente
Ofrecer producto nómina con bonificación del primer mes: probabilidad baja de 0.87 a 0.31 · Asignar gestor personal con contacto en los próximos 7 días: baja a 0.52 · Combinar ambas acciones: baja a 0.18 · Ofrecer mejora de tipo sin vinculación: impacto marginal (0.79), no recomendado
La retención es económicamente viable: el valor estimado de la relación en los próximos 3 años supera el coste de la bonificación en 4.2×
El contrafactual no es sensibilidad: es la acción mínima concreta que invierte la predicción. El gestor no tiene que adivinar qué oferta funciona: ve el impacto de cada intervención antes de actuar, incluyendo cuáles no valen la pena.
CF
3. Análisis de red. Patrón de abandono coordinado
3 clientes vinculados a este por referencias directas también muestran señales de riesgo en las últimas 2 semanas · Patrón de reducción de saldo simultáneo en los 4 clientes · Posible efecto de arrastre: si este cliente abandona, la probabilidad de abandono de los otros 3 aumenta un 34%
Analizando cada cliente de forma aislada el patrón no es visible. El análisis de red permite anticipar un abandono en cascada y actuar sobre el grupo antes de que se materialice.
Graph
4. Doble check del modelo en este segmento (ISA)
Micro-segmento: "banca personal, antigüedad 5–10 años, sin producto nómina" · Precisión del modelo en este segmento: 89% · Tasa de falsos positivos: 11% · Sin deriva detectada en las últimas 8 semanas · Alta fiabilidad: actuar con confianza.
El ISA confirma que el modelo predice bien el abandono en este segmento. Si el semáforo fuera amarillo, significaría que el presupuesto de retención podría estar gastándose en clientes que no se iban a ir.
ISA
5. What-if. Sensibilidad de variables sobre la probabilidad de abandono
Si la última interacción con el gestor hubiera sido hace 30 días en vez de 90: probabilidad baja de 0.87 a 0.61 · Si el saldo principal no hubiera caído: probabilidad baja a 0.54 · La reducción de saldo es la señal con mayor peso; la falta de contacto es secundaria pero relevante.
El what-if cambia una variable manteniendo el resto igual. Ayuda al gestor a entender qué señal está impulsando el riesgo de abandono antes de decidir qué intervención lanzar.
What-if
6. Acción recomendada
Contacto personalizado del gestor en los próximos 7 días · Propuesta: producto nómina con bonificación del primer mes · Incluir en campaña de retención coordinada junto con los 3 clientes vinculados · Revisar en 14 días si no hay respuesta
La acción no es genérica: está calibrada para este cliente concreto, con el impacto cuantificado de cada paso y el contexto de red que lo rodea.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Decisiones de Crédito Explicables

Los modelos de scoring crediticio producen una puntuación y una decisión. Los equipos de riesgo y cumplimiento tienen dificultades para explicar esas decisiones al cliente, justificarlas ante el regulador y detectar si el modelo trata a algunos segmentos de forma sistemáticamente diferente. El crédito al consumo está clasificado como sistema de IA de alto riesgo bajo el EU AI Act Anexo III. AyGLOO convierte ese proceso en cuatro beneficios concretos: decisiones automáticas en los extremos claros; el analista se concentra en la zona gris; el cliente recibe los pasos exactos para conseguir la aprobación; y el Fairness detecta activamente si el modelo introduce sesgos.

1
Las reglas con 100% de fiabilidad permiten aprobar o denegar automáticamente en los casos claros. El analista solo interviene en la zona gris.
2
El ISA detecta segmentos donde el modelo tiene menor precisión o comportamiento anómalo, haciendo un doble check de la decisión.
3
El análisis contrafactual (CF) genera los pasos concretos que el cliente puede dar para que su solicitud sea aprobada, reduciendo reclamaciones.
4
El Fairness detecta activamente si variables del modelo tienen impacto desproporcionado sobre colectivos protegidos, cubriendo EU AI Act, EBA y GDPR Art. 22.
Hoy, lo que un analista de riesgo suele recibir
Solicitud #APP-20260218-7741 Puntuación: 612 · DENEGADA Préstamo personal · €18.000 · Sin contexto adicional
Con AyGLOO. Misma decisión, completamente enriquecida
Solicitud #APP-20260218-7741 Puntuación: 612 · DENEGADA · Préstamo €18.000
XAI Explicación de la decisión Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo por segmento Fairness Detección de sesgos CF Cambio mínimo que aprueba la solicitud What-if Sensibilidad por variable Action Acción recomendada PDF Trazabilidad regulatoria
1. Por qué se denegó esta solicitud. Twin model (profundidad 7 · fidelidad 97.4%)
100%IF ratio_deuda_ingresos > 0.65 AND pagos_impagados_90d ≥ 1 → Denegar. Fiabilidad total: actuar sin revisión manual.
84%IF ratio_deuda_ingresos entre 0.55 y 0.65 AND antigüedad_laboral < 12m → Zona gris: revisión recomendada. El analista debe evaluar el contexto antes de denegar.
61%IF antigüedad_laboral < 12m sin otros factores → Señal débil aislada. No denegar solo con esta regla.
Las denegaciones claras se procesan automáticamente. El analista se concentra en la zona gris, donde su criterio añade valor real.
XAITwin
2. Doble check del modelo en este segmento (ISA) y detección de sesgos (Fairness)
Micro-segmento: "ratio deuda/ingresos medio-alto, antigüedad laboral corta" · Precisión del modelo en este segmento: 91% · Sin deriva detectada en las últimas 12 semanas · Alta fiabilidad: decisión respaldada.
Alerta Fairness: la variable "antigüedad laboral" está bajo revisión por posible impacto desproporcionado en jóvenes, inmigrantes recientes y trabajadores en economía informal. Revisión activa conforme a EU AI Act Anexo III.
El ISA confirma que el modelo es fiable en este segmento. El Fairness detecta activamente si alguna variable introduce un sesgo que el equipo de riesgo puede no estar viendo.
ISAFairness
3. CF. Cambio mínimo accionable que convierte el no en sí
Si el importe solicitado fuera €13.500 en vez de €18.000: ratio deuda/ingresos baja al 54%, puntuación sube a 643, aprobado · Si además se cancela una tarjeta con €2.100 de límite: puntuación 651, aprobado con margen · El cliente puede conseguir financiación hoy con un ajuste del importe.
El contrafactual no es sensibilidad: es la acción mínima concreta que invierte la decisión. Convierte una denegación en una oferta alternativa, reduciendo reclamaciones y manteniendo la relación comercial.
CF
4. What-if. Sensibilidad de variables sobre la puntuación
Si el ratio deuda/ingresos fuera del 52% en vez del 67%: puntuación sube a 644, aprobado · Si la antigüedad laboral fuera de 14 meses en vez de 8: puntuación sube a 631, aún denegado · El ratio deuda/ingresos es la variable determinante; la antigüedad laboral es secundaria.
El what-if cambia una variable manteniendo el resto igual. Ayuda al analista a entender qué factor es realmente determinante antes de proponer al cliente una acción concreta.
What-if
5. Acción recomendada y explicación lista para el cliente
Denegar con guía estructurada de revisión · Ofrecer cita con asesor financiero · Explicación conforme a GDPR Art. 22 lista para enviar: "Su solicitud no ha sido aprobada principalmente por su ratio de deuda sobre ingresos actual y un pago reciente impagado. Reducir su saldo de crédito pendiente y mantener los pagos al día mejoraría significativamente su perfil."
La comunicación al cliente se genera automáticamente en el formato que exige el GDPR. El analista revisa y envía, no redacta.
ActionPDF

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Fraude en Transacciones

Los modelos de detección de fraude bloquean transacciones en tiempo real. El problema no es solo detectar el fraude: es evitar bloquear operaciones legítimas que generan fricción con el cliente y coste reputacional. Cuando el modelo bloquea, el analista recibe una puntuación, no el contexto para saber si el bloqueo es correcto o un falso positivo. AyGLOO convierte ese proceso en cuatro beneficios concretos: las transacciones con reglas de alta fiabilidad se gestionan automáticamente; las simulaciones what-if y CF muestran qué señal sostiene el bloqueo y qué cambiaría la decisión; el ISA detecta segmentos con tasas de error sistemáticas; y la acción recomendada distingue entre bloqueo definitivo y verificación suave.

1
Las reglas con 100% de fiabilidad permiten bloquear o aprobar automáticamente. El analista solo interviene en los casos con incertidumbre real.
2
El ISA detecta segmentos con tasas de falso positivo sistemáticas y la acción recomendada distingue entre bloqueo definitivo y verificación suave.
3
El análisis de red detecta patrones de fraude coordinado entre cuentas, dispositivos o beneficiarios vinculados, invisibles transacción a transacción.
4
Las simulaciones what-if y CF muestran exactamente qué señal está sosteniendo el bloqueo y qué tendría que cambiar para que la decisión se invierta.
Hoy, lo que un analista de fraude suele recibir
Transacción #TXN-847291 Puntuación de riesgo: 0.91 · BLOQUEADA Sin tarjeta presente · €1.847 · Sin contexto adicional
Con AyGLOO. Misma decisión, completamente enriquecida
Transacción #TXN-847291 · €1.847 Puntuación de riesgo: 0.91 · BLOQUEADA
XAI Explicación de la decisión Twin Reglas con nivel de fiabilidad ISA Evaluación de falso positivo CF Cambio mínimo que desbloquea What-if Sensibilidad por señal Graph Análisis de red Action Acción recomendada PDF Trazabilidad regulatoria
1. Por qué se bloqueó esta transacción. Twin model (profundidad 7 · fidelidad 96.1%)
100%IF velocidad_3min ≥ 3 AND categoría_comercio_inusual = true AND dirección_facturación_mismatch = true → Bloquear. Fiabilidad total: actuar sin revisión manual.
79%IF dispositivo_no_visto_180d = true AND velocidad_3min ≥ 2 → Probable acceso desde dispositivo nuevo. Considerar verificación adicional antes de bloquear definitivamente.
58%IF categoría_comercio_inusual = true sin otros factores → Señal débil aislada. No bloquear solo con esta regla.
Las reglas con 100% de fiabilidad se ejecutan automáticamente. El analista solo interviene en las reglas con fiabilidad menor, donde el criterio humano añade valor real.
XAITwin
2. Doble check por segmento. Evaluación de falso positivo (ISA)
Micro-segmento: "sin tarjeta presente, dispositivo nuevo, noche" · Tasa histórica de falsos positivos: 22% · Patrones de velocidad similares confirmados como legítimos en el 61% de casos con este perfil · Riesgo de falso positivo: ALTO.
El ISA revela que este tipo de transacción se bloquea incorrectamente con más frecuencia de lo esperado. Eso cambia la acción recomendada.
ISA
3. Análisis de red vinculada
El dispositivo implicado ha realizado 4 transacciones bloqueadas en otras 3 cuentas distintas en las últimas 6 horas · 2 cuentas comparten el mismo beneficiario en un comercio de alto riesgo · Patrón consistente con fraude organizado de tarjeta
Analizando esta transacción de forma aislada parece un caso individual. El análisis de red revela que forma parte de un patrón más amplio, lo que cambia tanto la prioridad como la acción recomendada.
Graph
4. CF. Cambio mínimo accionable que desbloquea la transacción
Si el cliente completa la verificación por SMS (OTP): transacción aprobada · La autenticación adicional resuelve la anomalía de dispositivo y normaliza el patrón de velocidad · Sin necesidad de intervención manual del analista
El contrafactual no es sensibilidad: es la acción mínima concreta que invierte la decisión. Convierte un bloqueo en una verificación rápida, reduciendo la fricción con el cliente sin comprometer la seguridad.
CF
5. What-if. Qué señal sostiene el bloqueo
Eliminar señal de velocidad: puntuación baja a Media (0.58) · Eliminar solo anomalía de dispositivo: sigue siendo Alta (0.79) · La señal de velocidad es la que sostiene el bloqueo; las demás son secundarias.
El what-if cambia una variable manteniendo el resto igual. Ayuda al analista a entender qué señal es determinante antes de decidir si revertir o escalar.
What-if
6. Acción recomendada
Rechazo suave con verificación adicional (SMS OTP) · Mensaje al cliente: "Hemos detectado actividad inusual en tu cuenta. Por favor, verifica para continuar" · No bloquear definitivamente: la probabilidad de falso positivo es demasiado alta para este perfil · Trazabilidad exportable conforme a GDPR Art. 22 y EBA
La comunicación al cliente y el tipo de intervención se generan automáticamente en función del perfil de riesgo real, no de una regla genérica de bloqueo.
ActionPDF

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Prevención de Blanqueo de Capitales (AML)

Los sistemas de AML generan un gran volumen de alertas que los equipos de cumplimiento tienen dificultades para investigar en profundidad. Cuando el modelo señala una alerta, el analista recibe una puntuación de riesgo, no una explicación. AyGLOO convierte ese proceso en cuatro beneficios concretos: las alertas con reglas de fiabilidad total se escalan automáticamente; el ISA detecta dónde el modelo tiene incertidumbre para que el analista centre su atención; el análisis de red detecta patrones invisibles por cliente individual; y la trazabilidad regulatoria se genera sin esfuerzo adicional del equipo.

1
Las reglas con 100% de fiabilidad permiten escalar alertas automáticamente. El analista solo interviene donde la fiabilidad es menor.
2
El análisis de red detecta patrones de blanqueo coordinado entre cuentas vinculadas, invisibles si se analiza cada cliente por separado.
3
El ISA detecta micro-segmentos donde el modelo tiene alta incertidumbre o genera falsos positivos sistemáticos, para ajustar umbrales y priorizar.
4
El borrador del informe regulatorio y la trazabilidad completa se generan automáticamente, cubriendo SEPBLAC, EBA y GDPR Art. 22.
Hoy, lo que un analista de AML suele recibir
Alerta #AML-49271 Puntuación de riesgo: 0.94 15 transferencias marcadas · Sin contexto adicional
Con AyGLOO. Misma alerta, completamente enriquecida
Alerta #AML-49271 · Prioridad: Alta Puntuación de riesgo: 0.94
XAI Explicación de la alerta Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo por segmento Graph Análisis de red What-if Análisis de simulación Action Acción recomendada PDF Trazabilidad regulatoria
1. Por qué se generó esta alerta. Twin model (profundidad 7 · fidelidad 96.3%)
100%IF fraccionamiento > 10 transacciones en 72h AND jurisdicción_alto_riesgo = true → Escalar inmediatamente. Fiabilidad total: actuar sin revisión manual.
81%IF cambios_KYC_30d ≥ 3 AND volumen_salidas > media_segmento × 3 → Posible cuenta instrumental. Verificar antes de escalar.
63%IF jurisdicción_alto_riesgo = true sin otros factores → Señal débil aislada. No escalar solo con esta regla.
Las reglas con 100% de fiabilidad permiten escalar automáticamente sin intervención del analista. Solo las reglas con fiabilidad menor requieren su criterio.
XAITwin
2. Análisis de red vinculada
7 cuentas vinculadas comparten 3 beneficiarios en 4 jurisdicciones · Patrón de envíos escalonados consistente con estratificación · 2 posibles cuentas instrumentales: inactivas 11 meses, reactivadas con salidas de alto volumen
Este patrón no es visible analizando cada cliente por separado. El análisis de red lo detecta porque conecta entidades por sus relaciones, no solo por sus valores individuales.
Graph
3. Doble check del modelo en este segmento (ISA)
Micro-segmento: "alto volumen de fraccionamiento, flujos UE hacia no-UE" · Tasa de conversión a informe regulatorio: 73% · Tasa de falsos positivos: 8% · Sin deriva detectada en las últimas 12 semanas · Alta fiabilidad: actuar con confianza.
El ISA evalúa si el modelo se comporta bien o mal en este segmento concreto. Si el semáforo fuera amarillo, el analista debería revisar antes de escalar aunque la puntuación sea alta.
ISA
4. Análisis de simulación. Qué señal impulsa la alerta
Eliminar señal de fraccionamiento: puntuación baja a Media (0.61) · Eliminar señal de jurisdicción: sigue siendo Alta (0.82) · La alerta se sostiene incluso sin el factor principal.
El análisis de simulación evalúa la sensibilidad de la alerta señal a señal: ayuda al analista a entender qué factor es determinante y cuáles son secundarios antes de escalar.
What-if
5. Acción recomendada
Escalar a analista de nivel 2 · Borrador de informe regulatorio (SAR) pre-rellenado con narrativa y evidencias · Trazabilidad completa exportable en PDF/CSV · Conforme a SEPBLAC, EBA y GDPR Art. 22
El tiempo de preparación del informe regulatorio se reduce de horas a minutos. El analista revisa y firma, no redacta desde cero.
ActionPDF

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

-->