TFTallerProyecto3 V1
TFTallerProyecto3 V1
TALLER DE PROYECTOS 3
Diseño de solución para optimizar el desempeño del proceso de
análisis de riesgo crediticio para las microfinancieras y cooperativas
utilizando el algoritmo supervisado de clasificación LR y RPA
Profesor:
RODRIGUEZ CONDEZO, DAVID
Presentado por:
LIMA – PERÚ
2021
pág. 1
Proyecto Final | Taller de Proyecto 3
Contenido
CAPITULO I PLANTEAMIENTO DEL PROBLEMA....................................................5
1.0. Enunciado del Problema....................................................................................................5
1.1. Formulación del Problema.................................................................................................6
1.2. Objetivo General...............................................................................................................7
1.3. Objetivos Específicos........................................................................................................7
1.4. Justificación.......................................................................................................................7
1.5. Limitaciones......................................................................................................................7
CAPITULO II ESTADO DEL ARTE..............................................................................8
2.1. Metodología......................................................................................................................8
2.2. Planificación......................................................................................................................8
2.3. Desarrollo..........................................................................................................................9
2.4. Resultados.......................................................................................................................12
2.5. Análisis de los estudios....................................................................................................13
2.5.0. Q1: ¿Qué métodos de machine Learning son utilizadas para análisis de riesgo
crediticios para las financieras y/o cooperativas?...................................................................15
2.5.1. Q2: ¿Qué métricas existen para medir el rendimiento de los resultados de la
implementación de los modelos de machine learning?..........................................................18
2.5.2. Q3: ¿Qué tipo de soluciones con RPA existen para automatizar distintos casos de
uso en las financieras y/o cooperativas?.................................................................................20
CAPITULO III MARCO TEÓRICO..............................................................................26
3.1. MACHINE LEARNING.................................................................................................26
3.1.0. Definición.................................................................................................................26
3.1.1. Clasificación.............................................................................................................29
3.2. ROBOTIC PROCESS AUTOMATION (RPA)..............................................................30
3.2.0. Definición.................................................................................................................30
3.2.1. Usabilidad de RPA....................................................................................................32
1. Servicio al cliente............................................................................................................33
2. Procesamiento de facturas...............................................................................................33
3. Órdenes de venta.............................................................................................................34
4. El procesamiento de nómina............................................................................................34
5. Comparación de precios..................................................................................................35
6. Almacenamiento de información del cliente....................................................................35
7. Procesar información de recursos humanos.....................................................................36
pág. 2
Proyecto Final | Taller de Proyecto 3
pág. 3
Proyecto Final | Taller de Proyecto 3
pág. 4
Proyecto Final | Taller de Proyecto 3
En los últimos años, han emergido una gran cantidad de microfinancieras en el Perú, punto
que ha resultado clave para fomentar la denominada inclusión financiera, es decir, se ha
abierto mercado a segmentos de ingresos medios-bajos que en el pasado se encontraban
desatendidos en el interior del país. Asimismo, es pertinente resaltar que, según la
Superintendencia de Banca y Seguros, una microfinanciera es una entidad del sistema
financiero que otorga financiamiento a las mypes. La fuerte recesión y las medidas de
contención de la pandemia afectaron el empleo e ingresos de los hogares y las ventas de las
empresas, restando así las posibilidades de pago de ambos agentes económicos. (Gestion,
2017).
La tasa de cartera atrasada del total de créditos del sistema financiero entre el nivel
registrado en noviembre del 2020 y el nivel de prepandemia (marzo) se incrementó en
apenas 0,49 puntos porcentuales, llegando a 4.21%.
pág. 5
Proyecto Final | Taller de Proyecto 3
Por su parte, a noviembre del 2020, el crédito a hogares ascendió a S/124.933 millones,
desagregado en préstamos de consumo e hipotecarios por S/ 71.676 millones y S/ 53.257
millones, respectivamente. En el periodo de crisis sanitaria se observa que el total de
crédito a hogares se redujo en 3,5% con una tendencia negativa en los seis primeros meses
de pandemia e inició una leve recuperación en octubre y noviembre. Entre los préstamos a
hogares, la mayor caída se identifica en los créditos de consumo (-7,3%). Aquí se incluyen
los créditos otorgados a través de tarjetas de crédito, los que alcanzaron los S/ 22.056
millones y que durante todo el periodo de pandemia se han ido reduciendo mes a mes hasta
acumular una caída para el periodo de análisis de 16,7%.
¿Cómo optimizar el desempeño del proceso de análisis de riesgo crediticios para las
financieras y/o cooperativas utilizando el algoritmo supervisado de clasificación Logistic
Regression (LR) y Robotic Process Automation?
pág. 6
Proyecto Final | Taller de Proyecto 3
Analizar los estudios previos para identificar las mejores técnicas para realizar un
modelo de predicción de riesgo de aprobaciones crediticias
Analizar los procesos de aprobación crediticia para identificar las variables y
características para la aprobación de créditos en clientes naturales
Evaluar el desempeño de los diferentes algoritmos para la predicción de riesgo de
créditos el cual mejoraría el proceso de selección de aprobación de créditos
Rediseñar el proceso de gestión de riesgo para la aprobación de créditos de clientes
naturales aplicando el algoritmo LR de Machine Learning.
1.5. Justificación
1.6. Limitaciones
pág. 7
Proyecto Final | Taller de Proyecto 3
2.2. Planificación
Q1: ¿Qué algoritmos de machine learning son utilizados para análisis de riesgo
crediticios para las financieras y/o cooperativas?
Q3: ¿Qué tipo de soluciones con RPA existen para automatizar distintos casos de
uso en las financieras y/o cooperativas?
Machine Learning.
Credit Risk Analysis.
Approval.
Defaulter Prediction.
RPA
2.3. Desarrollo
pág. 9
Proyecto Final | Taller de Proyecto 3
pág. 10
Proyecto Final | Taller de Proyecto 3
Yuelin Wang,
A Comparative Assessment of
Yihan Zhang,
Credit Risk Model Based on
3 Yan Lu, 2020
Machine Learning
Xinran Yu
pág. 11
Proyecto Final | Taller de Proyecto 3
2.4. Resultados
10
8
6
4
2
0
Scopus ScienceDirect IEE
Bancos de búsqueda
pág. 12
Proyecto Final | Taller de Proyecto 3
2
1.8
1.6
1.4
1.2
Cantidad
1
0.8
0.6
0.4
0.2
0
2018
2019
2021
Años
Nº Titulo Q1 Q2 Q3
Propuesta de modelo de
machine learning para la
evaluación de riesgo de
crédito utilizando
1 X
algoritmos de predicción
para la Cooperativa de
Ahorro y Crédito
pág. 13
Proyecto Final | Taller de Proyecto 3
to supervise machine
learning models? An
application to credit scoring
A Comparative Assessment
of Credit Risk Model Based
3 X
on Machine Learning
Application of Deep
Learning for Credit Card
Approval: A Comparison
with Two Machine
5 X
Learning Techniques
Implementation of robotics X
and its impact on
6
sustainable banking: A
futuristic study.
2.5.1. Q1: ¿Qué métodos de machine Learning son utilizadas para análisis de riesgo
crediticios para las financieras y/o cooperativas?
pág. 14
Proyecto Final | Taller de Proyecto 3
Ilustración 4 Comparación de métricas entre algoritmo de regresión logística y máquina de vector de soporte
Esta tabla muestra que el algoritmo de machine learning basado en regresión logística da
un mejor resultado para la estimación de riesgo de crédito con datos de la entidad
financiera. A pesar de que la exactitud del modelo de SVM es mucho mayor que el modelo
de regresión logística no ayuda mucho ya que en los clientes que no presentan riesgo, la
precisión es de un 0.04 y debe existir un balance entre todos los parámetros.
pág. 15
Proyecto Final | Taller de Proyecto 3
Los dos algoritmos obtuvieron márgenes de error en la precisión, por lo que se recomienda
agregar a la base de datos de la entidad financiera una variable independiente muy
importante como es el Scoring de clasificación de otras instituciones para tener un modelo
predictivo más preciso.
Por otro lado, Wang et al. (2020), existen cinco clasificadores populares involucrados en el
aprendizaje automático utilizados para la calificación crediticia: Naive Bayes, Logistic
Regression, Random Forest, Decision Tree y K-Nearest Neighbor (KNN).
Los autores resaltan que, debido a la gran cantidad de datos, los datos contienen más
dimensiones, más muestras similares y las características no necesitan reducirse en
dimensionalidad, y el valor predeterminado, por lo que el uso de Random Forest es
adecuado para este proceso.
Asimismo (Golam Kibria and Mehmet Sevkli, 2021) mencionan que la regresión logística
(LR) es una de las técnicas estadísticas aplicadas para el análisis de tarjetas de crédito.
Predice la probabilidad de un resultado que simplemente puede tener dos estados (es decir,
una dicotomía).
pág. 16
Proyecto Final | Taller de Proyecto 3
pág. 17
Proyecto Final | Taller de Proyecto 3
2.5.2. Q2: ¿Qué métricas existen para medir el rendimiento de los resultados de la
implementación de los modelos de machine learning?
Según Guégan y Hassani (2018), Para clasificar los modelos con respecto a la solvencia de
las empresas, se está utilizando el coeficiente de Gini (evaluar la calidad de un modelo) y
la curva ROC (Métrica de evaluación para verificar el rendimiento de cualquier modelo de
clasificación).
Ilustración 5. Se muestran los resultados obtenidos implementando el enfoque de Support
Vector Machine, cuántos "buenos" se aprueban sobre "bien total" y cuántos "malos" se
aprueban sobre el "total malo". Por lo tanto, el modelo perfecto es el que tiene un corte
perfecto (100% bueno y 0% malo aprobado), por lo que el ROC es 1.
pág. 18
Proyecto Final | Taller de Proyecto 3
(Cela Gonzado & Cuenca Juan Pablo, 2018) en un análisis de los diferentes algoritmos de
predicción para riesgo de crédito mencionan que para realizar un comparativo el algoritmo
de máquina de soporte al igual que la regresión logística son algoritmos para resolver
problemas de clasificación binaria.
Para realizar un balance entre los datos positivos y negativos, asignamos pesos a las dos
clases, en donde la clase 0 van a ser todos aquellos menores o iguales a 0.3, y la clase que
está catalogado como 1, tenga un peso mayor o igual a 0.5, si nos fijamos lo que estamos
desprestigiando un poco la clase 1, por lo que tiene mayor cantidad de datos, entonces
estamos compensando más casos etiquetados como 0 o clientes negativos bajándole el peso
a la hora de crear el modelo. El tipo de kernel para este modelo se utilizó la función radial,
adicional a esta función, se hizo de el parámetro para regularizar la estimación (C), que
pág. 19
Proyecto Final | Taller de Proyecto 3
2.5.3. Q3: ¿Qué tipo de soluciones con RPA existen para automatizar distintos casos de uso
en las financieras y/o cooperativas?
Según Choubey, A., & Sharma, M. (2021), tratan de comprender las diferentes situaciones
cambiantes económicas y financieras de las financieras con la llegada de la tecnología
moderna. El sector bancario se analizó con la ayuda de datos secundarios recopilados de
varios informes, revistas, sitios web y estudios anteriores. Esta información ayuda a
comprender como la implementación de RPA puede facilitar las transacciones de las
entidades, mantener la sostenibilidad en todo momento y mejorar la rentabilidad.
Los Principales objetivos que tiene RPA en las entidades financieras son capturar e
interpretar aplicaciones existentes para procesar una transacción, desencadenar respuestas,
manipular datos, extraer información y comunicarse con sistemas digitales.
pág. 20
Proyecto Final | Taller de Proyecto 3
Las principales ventajas de utilizar RPA en los procesos de entidades financieras son las
siguientes:
- Escalabilidad: la verdad de que la RPA es enormemente escalable, permite a los
bancos administrar mayores volúmenes en el momento de los negocios alcanza su
punto máximo al agregar más robots y responder a cualquier circunstancia.
Además, la implementación de RPA permite a los bancos enfatizar estrategias
innovadoras para crecer su negocio al liberar al personal de las tareas de rutina.
- Disponibilidad: si los bancos desean reducir los errores manuales o lograr una
mayor precisión a un costo menor, El trabajo robótico 24x7 permite completar las
tareas que se les asignan. De ese modo, haciéndose eco de la eterna disponibilidad.
pág. 21
Proyecto Final | Taller de Proyecto 3
- Tareas de procesamiento: los bancos pueden usar RPA para revisar cuentas por
pagar, procesar la nómina, demostración de hipotecas, así como funciones de
gestión de recursos humanos. Por ejemplo, ICICI Bank ahora utiliza RPA para
realizar más de un millón de transacciones bancarias dentro de sus funciones de
backend todos los días, reduciendo el tiempo de respuesta en un 60% y mejorando
su tasa de precisión.
- Banca minorista: los bancos han utilizado y han implementado este software RPA
en más de 200 trámites bancarios en banca minorista, agrobanca, tesorería, forex y
comercio. Ejemplo: el banco Barclays ha implementado la robótica en una amplia
gama de procedimientos como detección de fraudes, cuentas por cobrar, monitoreo
de riesgos y solicitud de préstamos. También en India, el banco HDFC ha
presentado Eva (Asistencia virtual electrónica) que es el Chatbot (robot de chat)
bancario basado en inteligencia artificial más importante de India. EVA ha hecho
más fácil para el consumidor acceder a cualquier información relacionada con
cualquier producto o servicio bancario. Maneja más de 50,000 consultas y brinda
soporte todos los días con interacciones con el cliente para mejorar la capacidad del
banco para responder a su consulta. ¡EVA nunca duerme y su aprendizaje nunca se
detiene!
pág. 22
Proyecto Final | Taller de Proyecto 3
Según Choubey, A., & Sharma, M. (2021), hay varios casos de uso en entidades
financieras:
- Generación automática de informes:
- Incorporación de consumidores
La incorporación de consumidores es un procedimiento largo y prolongado en los bancos,
principalmente debido a que muchos documentos necesitan verificación manual. Con RPA
se puede facilitar el procedimiento al capturar datos de KYC documentos a través de la
técnica de reconocimiento óptico de caracteres.
- Abrir cuenta
Con RPA instalado el de otra manera engorroso proceso de apertura de una nueva cuenta
se vuelve más fácil y sencillo como así precisa. RPA elimina datos de error de
transcripción que existía en medio de la banca central y solicitudes de apertura de cuenta,
mejorando así la calidad de los datos del sistema en general.
Otro procedimiento que requiere mucho tiempo en los bancos es la solicitud y aprobación
de tarjetas de crédito. En general, exige varias verificaciones, lo que aumenta el tiempo de
procesamiento y que implican tareas manuales superiores. RPA puede ayudar a los bancos
a tomar decisiones rápidas para aprobar o rechazar la aplicación con su enfoque basado en
reglas.
pág. 23
Proyecto Final | Taller de Proyecto 3
- Préstamos hipotecarios
Permisos de robótica para automatización más fácil de varias tareas necesarias para el
proceso de préstamos hipotecarios, involucrando procesar documentos, préstamos
iniciación, calidad control, así como comparaciones financieras, resultando en préstamos
aprobados más rápido y mejorando satisfacción del consumidor.
pág. 24
Proyecto Final | Taller de Proyecto 3
- Permitir que las personas que tengan credenciales de inicio de sesión tengan acceso
a los datos confidenciales dentro del sistema
- Desarrollar ecología de RPA personalizada a través de la integración de directorio
activo para mejorar la eficiencia del negocio.
- Agrega cifrado como fuente para el uso seguro de datos. Por ejemplo, si el acceso
orientado a roles reduce los riesgos interiores, el cifrado apoya la protección de la
organización de cualquier acción maliciosa exterior.
- Desarrollar un equipo de centro de excelencia (CoE) de RPA que colabore en el
seguimiento de las tareas programadas, asegurando la protección contra cualquier
tipo de malware e implementando políticas que disminuyen los riesgos
comerciales.
Aunque RPA disminuiría la carga diaria de los bancos y garantizaría una operación más
conveniente y efectiva, sin embargo, habrá un requisito de tener contacto humano, siempre.
Los robots en el futuro servirían como un medio para almacenar datos y pueden trabajar
juntos con los humanos, lo que les ayudaría a trabajar de manera más competente.
pág. 25
Proyecto Final | Taller de Proyecto 3
3.1.1. Definición
Según (Tom Markiewicz & Josh Zheng, 2020), la inteligencia artificial es un término
bastante amplio y es, en realidad, un paraguas sobre algunos conceptos diferentes.
pág. 26
Proyecto Final | Taller de Proyecto 3
pág. 27
Proyecto Final | Taller de Proyecto 3
procesar, como veremos más adelante, los datos no estructurados constituyen la gran
mayoría de los datos que las empresas necesitan procesar en la actualidad.
Por último, está el aprendizaje por refuerzo como técnica de aprendizaje automático. El
aprendizaje por refuerzo adopta un enfoque similar a la psicología del comportamiento. En
lugar de entrenar un modelo con conjuntos de entrenamiento predefinidos (es decir, donde
conoce las respuestas prescritas de antemano) como en el aprendizaje supervisado, el
aprendizaje por refuerzo recompensa al algoritmo cuando realiza la acción correcta
(comportamiento). El aprendizaje por refuerzo se resiste a proporcionar demasiado
entrenamiento y permite que el algoritmo se optimice para obtener recompensas basadas en
el rendimiento.
El aprendizaje por refuerzo fue concebido inicialmente en 1951 por Marvin Minsky. Aún
así, como fue el caso con muchas implementaciones de IA, los algoritmos se vieron
limitados tanto por la escala de datos como por la potencia de procesamiento de la
computadora necesaria para la efectividad. Hoy en día, vemos muchos más ejemplos
exitosos de aprendizaje por refuerzo en el campo, con AlphaGo de la subsidiaria de
Alphabet, DeepMind, uno de los más destacados. Otra aplicación notable del aprendizaje
por refuerzo es el desarrollo de vehículos autónomos.
Por último, está el aprendizaje profundo que para entenderlo es pensar en él como un
subconjunto de la IA que intenta desarrollar sistemas informáticos que aprendan utilizando
redes neuronales como las del cerebro humano. Si bien el aprendizaje automático se trata
principalmente de optimización, el aprendizaje profundo se centra en la creación de
algoritmos para simular cómo funcionan las neuronas del cerebro humano.
pág. 28
Proyecto Final | Taller de Proyecto 3
Dentro del Machine Learning existen tres enfoques para aprender, el aprendizaje
supervisado, aprendizaje no supervisado y aprendizaje por reforzamiento (Hurwitz y
Kirsch, 2018).
Según Tom Mitchell se dice que un programa informático aprende de la experiencia E con
respecto a alguna clase de tarea T y en medida de su desempeño P, si su desempeño en
tareas en T medido por P mejora con la experiencia E. Es decir que los algoritmos
aprenden y mejoran “solos” gracias a la experiencia. Este hecho de que lo hagan solos es
entre comillas porque lo hacen usando datos, experiencias pasadas. A diferencia de
modelos en los que un experto de negocio asigna reglas y modeliza según sus
conocimientos, los modelos estadísticos y los modelos de machine learning dejan que los
datos hables y obtienen relaciones automáticamente.
3.1.2. Clasificación
a. Aprendizaje supervisado
b. Aprendizaje no supervisado
El aprendizaje no supervisado es más adecuado cuando el problema requiere una
gran cantidad de datos sin etiqueta; por ejemplo, le damos abundante información
pág. 29
Proyecto Final | Taller de Proyecto 3
3.2.1. Definición
Hoy en día, casi ningún aspecto de nuestras vidas no se ve afectado por la automatización.
Algunos ejemplos incluyen lavadoras, hornos microondas, modo de piloto automático para
automóviles y aviones, Nestlé usando Robots para vender cápsulas de café en tiendas en
Japón, Walmart probando drones para entregar productos en los EE. UU., Nuestros
cheques bancarios se clasifican mediante el reconocimiento óptico de caracteres (OCR) y
cajeros automáticos. (Tripathi A. M., 2018).
El término automatización se deriva de las palabras griegas autos que significan uno
mismo, y motos, que significan moverse. Se cree que se acuñó en la década de 1940
cuando hubo un mayor uso de dispositivos automatizados en líneas de producción
mecanizadas en Ford Motor Company.
También existe un tipo de software que une estos sistemas y personas en flujos de trabajo,
conocido como herramientas de Gestión de Procesos de Negocio (BPM). Este software ha
sido desarrollado para áreas como sistemas de registro, sistemas de participación, sistemas
de información y sistemas de innovación. En su mayoría, replican procesos en escenarios
de la vida real.
flujo de trabajo se puede programar para que se realice sin intervención humana, se puede
llamar automatización. Por ejemplo, para pasar cualquier factura en un sistema de pago, la
Sra. Julia en la organización ABC necesita verificar que los bienes se hayan entregado y
registrado en un sistema de administración de inventario. Este es un trabajo engorroso, ya
que debe hacerse para todas y cada una de las facturas. Además, para organizaciones más
grandes, se necesitan más personas para realizar esta verificación en las computadoras. Sin
embargo, Jack, un desarrollador de aplicaciones, propone que puede integrar esos dos
sistemas utilizando técnicas de integración de bases de datos. Escribirá un procedimiento
que obtendrá datos del sistema de gestión de inventario y automatizará la verificación de
cuentas por cobrar. (Tripathi, A. M., 2018).
Según (Tripathi, A. M., 2018) hay algunos aspectos que deben tenerse en cuenta
para elegir procesos candidatos para automatización. Los siguientes procesos
deberían automatizarse:
- Pasos repetitivos
- Pasos que requieren mucho tiempo
- Tareas de alto riesgo
- Tareas con un rendimiento de baja calidad
- Tareas que involucran a varias personas y varios pasos
1. Servicio al cliente
pág. 33
Proyecto Final | Taller de Proyecto 3
2. Procesamiento de facturas
3. Órdenes de venta
La consistencia de los datos en los sistemas empresariales es una tarea muy tediosa.
El representante de ventas debe pasar su tiempo crítico para ingresar datos al
sistema CRM, así como al sistema ERP. Los analistas financieros deben replicar los
datos e ingresarlos en otro sistema o módulo. Esto puede resultar en duplicación,
producir errores y afectar la productividad. RPA puede realizar actividades de
ventas de extremo a extremo mediante la automatización de tareas como la entrada
de pedidos de ventas, la facturación, etc. Ayudará a mantener una base de datos
eliminando datos duplicados, mejorando la experiencia del cliente y aumentando la
satisfacción de sus empleados de ventas eliminando todas las tareas que consumen
mucho tiempo, como la entrada de datos, pueden concentrarse en la prospección de
sus tareas principales y generar más negocios.
4. El procesamiento de nómina
pág. 34
Proyecto Final | Taller de Proyecto 3
5. Comparación de precios
pág. 35
Proyecto Final | Taller de Proyecto 3
La reputación de una empresa depende de la rapidez con la que puede procesar los
reembolsos. Los clientes desean que este proceso sea rápido y continuo, pero es
más fácil decirlo que hacerlo. Las quejas y las solicitudes de devolución generan
una gran cantidad de datos que pueden ser agotadores de ordenar. El sistema RPA
se ocupa de la cuestión de manera efectiva y procesa el reembolso sin demora. Eso
mejora la experiencia general del cliente y tiene un impacto positivo en su
reputación.
9. Automatización de reclutamiento
pág. 36
Proyecto Final | Taller de Proyecto 3
Los datos pueden aparecer en diferentes formatos, desde texto editable hasta notas
manuscritas. Los profesionales de la entrada de datos tienen dificultades para leer la
información e ingresarla en el sistema. La tecnología de reconocimiento óptico de
caracteres puede leer fácilmente la información de diferentes fuentes de formato e
ingresarla en el sistema.
Todo el proceso se puede automatizar con poco compromiso en la precisión de la
información. Si su empresa necesita recopilar y almacenar información de
diferentes fuentes, RPA es una gran inversión. Los empleados gastan alrededor del
10% al 20% de sus horas de trabajo en tareas de computación recitativa como esta.
Puede ahorrar todo ese tiempo y dirigirlo hacia algo más productivo.
De acuerdo con el autor (Taulli, 2020), se menciona que entre los principales
beneficios que ofrece RPA se encuentran lo siguiente:
- Cumplimiento: Habrá menos intervención con los datos de las personas, lo que
reduce la posibilidad de fraude. Además, RPA proporciona una pista de
auditoría sólida para permitir un mejor seguimiento y monitoreo.
pág. 37
Proyecto Final | Taller de Proyecto 3
3.3.1. Definición
Cloud computing es un sistema que ofrece servicios de computación por medio de internet.
Ofrece a los individuos y a las empresas de todos los tamaños la capacidad de un pool de
recursos de computación con buen mantenimiento, seguro, de fácil acceso y baja demanda,
como servidores, almacenamiento de datos y solución de aplicaciones.
pág. 38
Proyecto Final | Taller de Proyecto 3
Ilustración 8: The cloud pyramid difference between IaaS, PaaS and SaaS
pág. 39
Proyecto Final | Taller de Proyecto 3
Beneficios:
Mejora la operación IT interna
Mejoras modestas en costes
Escalabilidad y flexibilidad limitadas
Riesgo de obsolescencia
Gestión limitada de picos de demanda
Proyectos a medida
pág. 40
Proyecto Final | Taller de Proyecto 3
pág. 41
Proyecto Final | Taller de Proyecto 3
Beneficios:
Mayor escala, costes más bajos.
Mayor nivel de autogestión
Modular y escalable|
pág. 42
Proyecto Final | Taller de Proyecto 3
Por último, se realizan varias tareas de informes manuales y registros en los sistemas
informáticos los cuales demandan bastante tiempo
pág. 43
Proyecto Final | Taller de Proyecto 3
Para el proceso futuro se busca poder mitigar o reducir el riesgo de aprobación crediticia,
así las cooperativas o microfinancieras podrían reducir el riesgo de incrementar su cartera
vencida y con ello el incremento de índice de morosidad.
Hoy en día, gracias a la gran cantidad de datos que poseen las empresas y al rápido avance
de la tecnología, las técnicas de aprendizaje automático están apareciendo cada vez más en
las empresas ya que la necesidad de estos modelos y algoritmos son más fiables para
identificar las variables y detección de anomalías del ciclo de vida de un proceso dentro de
un negocio. Esto se debe a que una maquina puede ser mucho más eficaz y eficiente que un
humano, no solo se limita a lo que hemos especificado, sino que también va mucho más
allá y genera respuestas de manera más rápida, y una de las cosas que hace mejor una
persona es aprender de los datos, debido a que son combinados e iterados, mediante
regresiones hasta dar respuesta al problema de una manera más eficiente.
Actualmente, gracias a que se registran todos los datos de los clientes aprobados como los
denegados y el rápido avance de la tecnología, se plantea implementar las tecnologías de
machine learning en la gestión de riesgo crediticio. Además, se estiman diversos modelos
de Credit Scoring haciendo uso de algoritmos de machine learning.
En la ilustración 11 se muestra el modelo y cada uno de los pasos que se seguirá para la
evaluación de riesgo de crédito utilizando un modelo supervisado de machine learning.
pág. 44
Proyecto Final | Taller de Proyecto 3
clasificación de los clientes, para determinar a qué grupo pertenece. Los clientes con alta
calificación crediticia y los que no.
pág. 45
Proyecto Final | Taller de Proyecto 3
$100,000.00
Se ha realizado la proyección de los costos y beneficios que se generan al contar con la solución
implementada.
Lo que
genera el
Costos Sin Proyecto Con Proyecto proyecto
Lo que genera el
Beneficios Sin Proyecto Con Proyecto proyecto
Nada más en el primer año generamos beneficios sobre los dos cientos mil dólares lo que
representa un ROI en el primer año del 203 %. En adición, se tiene el valor de PRI del 49% lo que
nos indica que a la mitad del primer periodo ya recuperamos la inversión realizada; es decir,
desde los seis (6) meses operando con la solución ya vemos más ahorros. Esto es debido a que la
solución nos permite optimizar los Gastos por provisiones y los Costos operativos.
Beneficios $0.00
Costos -$203,200.00
FEN $203,200.00
FEA $103,200.00
PRI 49.21%
ROI 203.20%
El proceso actual, “Solicitud de Datos”, En esta fase del proceso se hace la recolección de
datos, tanto a través de la información brindada por el cliente y la información crediticia
pág. 47
Proyecto Final | Taller de Proyecto 3
En este caso el proceso inicia cuando el personal de caja recibe una solicitud del cliente.
El personal de caja recibe y verifica la información del cliente. Si la información del
cliente no es correcta el personal de caja solicita corrección de datos.
El cliente realiza la corrección de datos y el flujo continua con la verificación de estos.
El personal de caja ingresa datos en el sistema (repositorio riesgo crediticio).
El personal confirma la información ingresada al cliente la cual podrá ser utilizada para
otros procesos como evaluación crediticia o para la generación de ofertas al cliente.
Cabe mencionar que el proceso puede terminar siempre y cuando la información dada por
el cliente sea insuficiente para el proceso o que la información brindada no sea veraz y esté
adulterada.
Según la descripción del proceso, se muestra el diagrama BPMN del proceso actual.
pág. 48
Proyecto Final | Taller de Proyecto 3
Adicionalmente la falta de capacitación del personal genera errores al ingresar los datos en
el sistema y esto ocasiona confusión en otros procesos como: evaluación crediticia y
generación de oferta al cliente.
Como se muestra en la ilustración 16, Al aplicar RPA se tendrá un gran impacto positivo
ya que se logrará mayor precisión y rapidez, así como alertar si existe algún error o falta de
datos en los documentos, aumentando el índice de satisfacción del cliente.
Por otro lado, se reducirá el esfuerzo en 100 horas hombres semanal en el proceso de
“Solicitud de Datos y Requisitos”, además de reducir los errores, ya que se evitará la
pág. 49
Proyecto Final | Taller de Proyecto 3
intervención del personal con los datos de los clientes. Teniendo como beneficio principal
la reducción de 66% de costo con una solución de automatización.
pág. 50
Proyecto Final | Taller de Proyecto 3
Sin RPA
Horas promedio por semana para desempeñar el proceso (por persona) 50
Números de personas promedio que trabajan en el proceso 3
Costo por hora promedio de personas que trabajan en el proceso $25.00
Costo total de personas asociadas Semanal Anual
$3,750.00 $195,000.00
Con RPA
Porcentaje promedio de reducción de costo con una solución de
automatización 66%
Costo total de personas asociadas al proceso luego de implementar una
solución de Automatización Semanal Anual
$1,275.00 $66,300.00
A partir de los datos mencionados se realiza el flujo de caja para los 3 primeros años.
Se puede concluir que el proyecto es viable puesto que al aplicar RPA en el proceso se obtiene
que el ROI es mayor que 253%, lo cual indica beneficios de hasta en más del 200% con respecto a
la situación actual.
pág. 51
Proyecto Final | Taller de Proyecto 3
5. Conclusiones
pág. 52
Proyecto Final | Taller de Proyecto 3
CAPITULO V REFERENCIAS
Guégan, D. & Hassani, B. (2018). Regulatory learning: How to supervise machine learning
models? An application to credit scoring. The Journal of Finance and Data Science, 4, 157-
171.
Wang, Y., Zhang, Y., Lu, Y. & Yua, X. (2020). A Comparative Assessment of Credit Risk
Model Based on Machine Learning —a case study of bank loan data. Procedia Computer
Science, 174, 141-149.
Condori-Alejo, H. I., Aceituno-Rojo, M. R., & Alzamora, G. S. (2021). Rural Micro Credit
Assessment using Machine Learning in a Peruvian microfinance institution. Procedia
Computer Science, 187, 408-413.
Gonzalo, C., & Pablo, C. J. (2019) Propuesta de modelo de machine learning para la
evaluación de riesgo de crédito utilizando algoritmos de predicción para la Cooperativa de
Ahorro y Crédito La Merced Ltda. Cuenca.
Kibria, M. G., & Sevkli, M. (2021). Application of Deep Learning for Credit Card
Approval: A Comparison with Two Machine Learning Techniques. International Journal
of Machine Learning and Computing, 11(4).
Taulli T. (2020) RPA Foundations. In: The Robotic Process Automation Handbook.
Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4842-5729-6_1
Tripathi, A. (2018). Learning Robotic Process Automation (1st ed.). Packt Publishing
pág. 53
Proyecto Final | Taller de Proyecto 3
Choubey, A., & Sharma, M. (2021, May). Implementation of robotics and its impact on
sustainable banking: A futuristic study. In Journal of Physics: Conference Series (Vol.
1911, No. 1, p. 012013). IOP Publishing.
Denis Rothman (2020). Artificial Intelligence By Example (2nd ed). Packt Publishing.
Tom Markiewicz, Josh Zheng (2020). Getting Started with Artificial Intelligence, (2nd
Edition). O'Reilly Media, Inc.
pág. 54