Su misión es construir seguridad financiera para las comunidades de bajos ingresos a través de tecnología impulsada por las personas. Change Machine hace su trabajo a través de una plataforma de software como servicio (SaaS) que puede transformar la forma en que las personas alcanzan sus objetivos financieros.Utilizada por asesores financieros de organizaciones de servicios sociales y organismos públicos, la plataforma cuenta con una herramienta de colaboración social para profesionales, un portal educativo sobre diversos temas de asesoramiento financiero y una aplicación de gestión de casos en Salesforce AppExchange para ayudar a los asesores en sus consultas con los clientes.

La plataforma incluye una variedad de productos y servicios de tecnología financiera que Change Machine ha analizado y determinado que son inclusivos, seguros y eficaces. La plataforma está impulsada por personas en el sentido de que refleja los conocimientos y la experiencia de los asesores financieros y los clientes, e incluye una función que utiliza el análisis de IA de los datos de los clientes para recomendar productos de tecnología financiera relevantes.

No siempre fue así.A principios de 2020, Change Machine desarrolló un conjunto de estándares para evaluar la asequibilidad, la inclusión y la seguridad de los productos de tecnología financiera, así como la forma en que cada producto intenta generar seguridad financiera.La primera iteración del motor de recomendaciones, llamada Marketplace Relief, se lanzó para mitigar la inseguridad financiera en medio de la recesión económica derivada de la pandemia de Covid.Se crearon criterios para filtrar productos y servicios pertinentes y examinados para satisfacer las necesidades de los clientes.Si las necesidades fueran para impulsar el ahorro y mejorar el crédito, por ejemplo, el motor de recomendaciones recomendaría productos y servicios de ahorro y crédito.

Aunque el sistema funcionó bien, el enfoque era limitado. “Nuestro motor de recomendaciones original fue diseñado por un pequeño grupo de asesores de lugares concretos y en un momento determinado”, afirma David Bautista, director de Desarrollo de Productos de Change Machine.“Para ampliar el alcance de sus conocimientos y los productos que podía recomendar, queríamos que el motor de recomendaciones pudiera actualizarse sobre la marcha”.

Las normas de recomendación suscitan otra preocupación. “Los asesores identificaron reglas basadas en sus conocimientos y experiencia trabajando con clientes, pero no sabíamos cómo aprovechar también los datos de los clientes que estaban almacenados en nuestros sistemas, como qué servicios utilizan con más frecuencia y qué umbrales adicionales se necesitan en función de situaciones financieras comunes”, dice Robert Zarate-Morales, subdirector de Desarrollo de Productos.“Los datos podrían proporcionar una mejor comprensión de las necesidades de los clientes”.

El motor de recomendaciones tampoco consideró si los clientes aceptaron o rechazaron los productos y servicios recomendados para obtener una indicación del impacto de la función.

El desarrollo avanzó rápidamente utilizando la metodología de participación IBM Data Science y AI Elite de tres sprints ágiles durante seis semanas:

• En el primer sprint de dos semanas, los desarrolladores trabajaron con Change Machine para comprender los datos conectados a todas sus fuentes.
• El segundo sprint se centró en el desarrollo de modelos básicos de aprendizaje automático para comprobar si los datos podían realmente hacer predicciones.
• El tercer sprint concretó con éxito los modelos, enriqueciéndolos con nuevas características y desplegándolos en producción.

A continuación, los modelos se integraron en la aplicación de Salesforce que los asesores financieros usan con los clientes.El equipo de IBM también apoyó al equipo de Change Machine en el desarrollo de paneles de gestión.Además, como parte de la colaboración de aprendizaje, IBM transfirió conocimientos al equipo de Change Machine sobre estrategia de datos y herramientas de IA que seguirán utilizando en el futuro.

“El compromiso con IBM nos enseñó a aprovechar nuestros datos de nuevas maneras y cómo construir un marco para crear y gestionar modelos de aprendizaje automático”, dice Bautista. “El proyecto también sirvió como trampolín para nuestra implicación en soluciones avanzadas en la nube y nos ayudó a desplegar una aplicación de IA en el mundo real, algo que antes considerábamos que tardaría años, en el mejor de los casos”.