Cómo diseñar un sistema explicable de recomendación Next‑Best‑Product para banca en AWS

Introducción

Las entidades financieras cuentan con grandes volúmenes de datos: historiales de transacciones, productos contratados, perfiles demográficos y señales de comportamiento. Transformar esa información en recomendaciones personalizadas —qué producto ofrecerle a cada cliente a continuación— es un desafío crítico para la retención y el crecimiento de ingresos. Los métodos tradicionales basados en reglas o filtrado colaborativo suelen quedar cortos ante la complejidad temporal y heterogeneidad de los datos bancarios.

Este artículo describe una arquitectura de Next‑Best‑Product (NBP) que combina una red neuronal profunda multil‑torre con un mecanismo de atención aprendida. La solución usa servicios gestionados de AWS (principalmente Amazon SageMaker AI, Amazon S3 y AWS Glue) y PyTorch como marco de deep learning, buscando alta precisión y explicabilidad por cliente.

El reto en la banca y su relevancia para América Latina

En mercados latinoamericanos, la oferta de productos financieros es amplia y heterogénea —cuentas, tarjetas, créditos, seguros, hipotecas— y los recorridos de adopción de producto tienen patrones temporales y contextuales complejos. Además, los bancos afrontan exigencias regulatorias sobre transparencia y trazabilidad de decisiones automatizadas. Un recomendador que entregue no solo una predicción sino también una explicación por cliente ayuda a cumplir requisitos regulatorios y a mejorar la confianza del cliente.

Arquitectura multil‑torre con atención explicable

La propuesta central es una arquitectura de deep learning con cuatro torres especializadas, cada una procesando un aspecto distinto de la información del cliente (por ejemplo: historial transaccional secuencial, estados de productos actuales, características demográficas y señales de comportamiento). Las salidas de estas torres se combinan mediante un mecanismo de atención aprendido que decide la contribución de cada torre para la predicción final.

Ese mecanismo de atención sirve doble propósito: mejora la precisión al ponderar dinámicamente fuentes de información y provee explicabilidad a nivel de cliente, ya que permite identificar qué tipo de información (qué torre) influyó más en la recomendación.

Técnicamente, PyTorch se usa para manejar secuencias de longitud variable (por ejemplo con pack_padded_sequence), experimentar rápidamente con arquitecturas y aprovechar GPUs en entrenamiento y despliegue.

Componentes clave y por qué fueron elegidos

• Amazon SageMaker AI: orquesta entrenamiento en instancias potentes, registro de modelos, pipelines y endpoints para inferencia batch o en tiempo casi real. El ejemplo usa instancias ml.g5.12xlarge (192 GB RAM, 4× NVIDIA A10G GPUs) para entrenamientos exigentes.
• PyTorch: gráficos dinámicos que facilitan el manejo de secuencias variables y permiten iteración rápida entre fases de investigación y producción.
• Amazon S3 con Parquet (Snappy): almacenamiento de datos en formato columnar comprimido que facilita lectura eficiente (column pruning, predicate pushdown) y reduce costos de I/O frente a CSV.
• AWS Glue (PySpark): ETL serverless y escalable para unificar datos, mapear servicios, generar features y preparar las secuencias necesarias para el modelo.
• Librerías de procesamiento: pandas, dask y pyarrow para ingeniería de features; scikit‑learn para transformaciones ML (label encoding, escalado, splits y métricas).

Flujo general y puesta en producción

1. Ingesta y catalogación: datos almacenados y versionados en S3, con metadatos y tablas administradas en el AWS Glue Data Catalog.
2. ETL y feature engineering: jobs de Glue (PySpark) producen datasets Parquet comprimidos preparados para entrenamiento: secuencias, ventanas temporales y agregados.
3. Entrenamiento: SageMaker ejecuta jobs con contenedores que alojan el código PyTorch; el modelo entrenado se registra en el Model Registry de SageMaker para control de versiones y aprobaciones.
4. Inferencia: se soporta inferencia por lotes (Batch Transform) y endpoints para uso en línea. Monitoreo de métricas y latencias se realiza con Amazon CloudWatch.
5. Orquestación: SageMaker Pipelines permite automatizar desde la preparación de datos hasta el despliegue y tests de regresión.

Requisitos técnicos y operativos

Para implementar esta arquitectura se requieren: una cuenta AWS con permisos para SageMaker AI, S3, AWS Glue y CloudWatch; un rol de ejecución IAM con permisos mínimos para los recursos necesarios; y familiaridad con Python 3.11+ y PyTorch. Las dependencias reportadas incluyen PyTorch 2.9+, pandas 2.3+, NumPy 2.3+, scikit‑learn 1.7+ y Dask 2025.11+. Se recomienda usar entornos virtuales y auditar dependencias con herramientas como pip‑audit.

Importante: el despliegue genera recursos facturables (instancias GPU para entrenamiento, endpoints, almacenamiento S3 y jobs Glue). Planifiquen limpieza y control de costos.

Buenas prácticas y consideraciones regulatorias para LATAM

• Explicabilidad operativa: el uso de atención aprendida facilita explicar por qué se sugiere un producto a un cliente, lo que ayuda frente a requerimientos regulatorios locales y auditorías internas.
• Privacidad y soberanía de datos: revisen las políticas de residencia y tratamiento de datos en su país y, si es necesario, ajusten la arquitectura para cumplir normativas locales (por ejemplo mediante regiones AWS locales o cifrado y controles de acceso estrictos).
• Trazabilidad y gobernanza: mantener un catálogo de datos, versiones de modelos en el Model Registry y pipelines reproducibles facilita auditorías y procesos de aprobación interna.
• Validación continua: monitoricen drift de datos y métricas de negocio con CloudWatch y procesos automáticos que disparen reentrenamientos o investigaciones.

Conclusión

Un sistema de recomendación Next‑Best‑Product basado en una arquitectura multil‑torre con atención aprendida ofrece un balance entre precisión y explicabilidad, dos requisitos fundamentales para la banca. Integrar PyTorch con los servicios gestionados de AWS (SageMaker, S3, Glue y CloudWatch) permite llevar prototipos de investigación a entornos productivos con control de versiones, pipelines y monitoreo.

Para equipos en América Latina, estas arquitecturas ayudan a abordar la heterogeneidad de productos y recorridos del cliente, además de facilitar la adopción responsable mediante explicaciones por cliente y buenas prácticas de gobernanza. Si su institución considera personalizar recomendaciones, esta propuesta arquitectónica sirve como punto de partida para diseñar soluciones interpretables y escalables en la nube.