Cómo Plum convierte los datos bancarios en decisiones financieras

La capacidad para ahorrar de los usuarios es uno de los aspectos más relevantes para obtener una buena salud financiera. Tradicionalmente se identifica como una disciplina de carácter personal que requiere fijar un presupuesto, controlar los gastos y reservar una parte de los ingresos cada mes. Sin embargo, una nueva generación de aplicaciones fintech plantea un enfoque que deja a un lado la voluntad del usuario para utilizar algoritmos capaces de analizar hábitos financieros y automatizar el proceso de ahorro.

La creciente aplicación de tecnologías como la inteligencia artificial, el análisis de datos o el Open Banking está transformando la forma en que las empresas diseñan servicios financieros personalizados, una evolución que también está impulsando la demanda de perfiles especializados en estas disciplinas a través de programas como nuestro Máster en Data Strategy y Business Analytics, centrado en convertir los datos en decisiones estratégicas de negocio.

Plataformas como Plum se apoyan en Open Banking, el análisis de datos y los modelos predictivos para calcular cuánto dinero puede apartarse sin comprometer el equilibrio de las finanzas personales. El objetivo no es hacer desaparecer el esfuerzo humano por ahorrar, sino reducir la fricción que suele impedir que ese ámbito se mantenga en el tiempo. Pero ¿qué ocurre realmente desde que se conecta una cuenta bancaria hasta que el algoritmo decide mover dinero?

Todo empieza con el Open Banking

El primer paso no lo da el algoritmo, sino el usuario. Para que herramientas como Plum puedan automatizar el ahorro es necesario conectar la cuenta bancaria mediante Open Banking, un sistema regulado en Europa por la directiva PSD2 que permite compartir información financiera con terceros autorizados a través de APIs seguras.

El acceso a la cuenta es limitado, el usuario concede permisos específicos para consultar información como el saldo disponible y el historial de transacciones, mientras que la autenticación sigue realizándose a través del propio banco. La aplicación no puede realizar operaciones fuera del consentimiento otorgado.

El reto no es leer los datos, sino entenderlos

Una vez recibida la información bancaria comienza el verdadero trabajo del algoritmo.

Los bancos registran miles de movimientos con descripciones poco intuitivas. En lugar de aparecer como “suscripción a Netflix” o “compra en supermercado”, muchas transacciones incluyen únicamente códigos, abreviaturas o nombres comerciales que varían entre entidades.

El primer desafío consiste en clasificar automáticamente cada movimiento. El sistema identifica si corresponde a un salario, un recibo, una compra puntual, una suscripción o un gasto recurrente. Esa categorización permite construir un mapa bastante preciso de los hábitos financieros del usuario.

Este tipo de aplicaciones suele combinar reglas de negocio con modelos de análisis de datos capaces de reconocer patrones repetitivos y asignar automáticamente cada transacción a una categoría.

Construir un modelo del comportamiento financiero

Clasificar los movimientos es solo el principio. El verdadero valor aparece cuando el algoritmo empieza a detectar patrones.

Plum analiza entre tres y doce meses de historial bancario para comprender cómo suele comportarse cada usuario. Durante ese proceso identifica aspectos como la frecuencia con la que llegan los ingresos, qué gastos se repiten todos los meses, cuáles cambian según la época del año y cómo evoluciona normalmente el saldo disponible.

Con esa información construye una estimación del comportamiento financiero habitual. No intenta predecir exactamente cuánto dinero habrá en la cuenta dentro de varias semanas, sino calcular cuál es el margen de liquidez que normalmente permanece disponible después de cubrir los gastos cotidianos. Es esa previsión la que sirve de base para decidir cuánto dinero puede destinarse al ahorro.

El algoritmo “Safe to Save”

La función más conocida de Plum recibe el nombre de Safe to Save, y resume bastante bien el problema que intenta resolver: calcular cuánto dinero es seguro ahorrar en cada momento.

Para hacerlo, el sistema combina diferentes variables, como el saldo actual, los ingresos previstos, los gastos recurrentes y el comportamiento reciente de la cuenta. A partir de esa información estima si existe margen suficiente para realizar una nueva transferencia sin poner en riesgo los pagos habituales del usuario.

No se trata de una cantidad fija configurada al principio y olvidada para siempre. La estimación cambia a medida que cambian las finanzas personales.

Si durante varias semanas el gasto es inferior al habitual, el algoritmo puede considerar que existe mayor capacidad de ahorro. Si detecta un aumento del gasto o la proximidad de varios pagos importantes, reducirá esa cantidad o incluso pausará temporalmente las transferencias.

Una de las principales diferencias respecto a otros sistemas de ahorro automático es que Plum no toma una única decisión al mes. El algoritmo revisa periódicamente la situación financiera del usuario y recalcula las cantidades cada pocos días. Esa actualización continua permite que el ahorro se adapte a cambios como una factura inesperada, un ingreso extraordinario o un incremento puntual del gasto. El algoritmo no busca aplicar la misma regla a todos los usuarios, sino ajustar cada decisión al contexto financiero de cada cuenta.

En la práctica, esto significa que dos personas con ingresos similares pueden recibir recomendaciones de ahorro completamente distintas si sus hábitos financieros son diferentes. 

La tecnología no lo explica todo

Aunque la parte tecnológica resulta llamativa, el éxito de este tipo de aplicaciones también depende de otro campo menos visible: la economía conductual.

Investigaciones recientes muestran que las personas tendemos a priorizar las recompensas inmediatas frente a los beneficios futuros, un fenómeno conocido como sesgo del presente. El estudio publicado en 2024 en Scientific Reports, “Temporal discounting predicts procrastination in the real world”, mostró que el descuento temporal (la tendencia a restar valor a las recompensas futuras) predice la procrastinación en situaciones reales, un comportamiento que también ayuda a explicar por qué muchas personas posponen sistemáticamente sus objetivos de ahorro. 

Estas herramientas financieras pretenden reducir ese problema eliminando buena parte de la fricción del proceso. En lugar de obligar al usuario a tomar la decisión de ahorrar todos los meses, automatiza esa tarea y convierte el ahorro en una consecuencia casi invisible de la gestión financiera cotidiana. En ese sentido, el algoritmo no solo analiza datos, también está diseñado para adaptarse al comportamiento humano.

Mucho más que una hucha digital

Las aplicaciones de ahorro automático suelen compararse con las antiguas huchas digitales que redondeaban las compras, pero la diferencia es considerable. Mientras aquellos sistemas reaccionaban únicamente a cada transacción, herramientas como Plum utilizan los datos bancarios para construir una visión mucho más amplia de la situación financiera del usuario.

Ese cambio de enfoque refleja una tendencia cada vez más extendida en el sector fintech: utilizar los datos para automatizar tareas que hasta hace poco dependían exclusivamente de la disciplina del usuario. En el caso del ahorro, la tecnología ya no consiste solo en mover dinero entre cuentas, sino en decidir cuál es el mejor momento para hacerlo.