TFTallerProyecto3 V1

Proyecto Final | Taller de Proyecto 3
UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS
ESTUDIOS PROFESIONALES PARA EJECUTIVOS
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:
U201812401 GUERRERO VERTIZ, LUIS FELIPE

U20181C028 PRUDENCIO LEON, EDSON EDUARDO
U202021839 CERVANTES OLAZABAL, BRAULIO SEBASTIAN
U201923709 BOLO SUASNABAR, CLAUDIA
U201014088 ANGULO VALENCIA, LUIS MIGUEL
LIMA – PERÚ
2021
pág. 1
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
8. Procesamiento de reembolsos rápidos.............................................................................36

9. Automatización de reclutamiento....................................................................................36
10. Extraer datos de diferentes formatos............................................................................37
3.2.2. Características de RPA.............................................................................................37
3.3. CLOUD COMPUTING...................................................................................................38
3.3.0. Definición.................................................................................................................38
3.3.1. Modelo de Servicio en la Nube................................................................................38
3.3.2. Modelo de Despliegue.............................................................................................39
CAPITULO IV PROPUESTA DE SOLUCIÓN TECNOLÓGICA................................42
4.1. Machine Learning............................................................................................................42
4.1.0. Descripción del proceso actual................................................................................42
4.1.1. Descripción del proceso futuro................................................................................44
4.1.2. Arquitectura de solución.........................................................................................45
4.1.2.1. Diagrama de componentes..................................................................................45
4.1.2.2. Diagrama de despliegue......................................................................................46
4.1.3. Factibilidad económica............................................................................................46
4.2. Robotic Process Automation...........................................................................................47
4.2.0. Descripción del proceso actual................................................................................47
4.2.1. Descripción del proceso futuro................................................................................49
4.2.2. Arquitectura de solución.........................................................................................50
4.2.2.0. Diagrama de componente...................................................................................50
................................................................................................................................................50
4.2.2.1. Diagrama de despliegue......................................................................................50
................................................................................................................................................50
4.2.3. Factibilidad económica............................................................................................51
5. Conclusiones..................................................................................................................52
CAPITULO V REFERENCIAS.....................................................................................52
Tom Markiewicz, Josh Zheng (2020). Getting Started with Artificial Intelligence, (2nd Edition).
O'Reilly Media, Inc.....................................................................................................................53
Guru, A. (2021). Alleantia. Obtenido de https://blog.alleantia.com/the-cloud-pyramid-difference-
between-iaas-paas-and-saas.........................................................................................................53
pág. 3
Tabla 1 Criterios de selección y exclusión......................................................................................10

Tabla 2 Lista de Artículos Seleccionados........................................................................................11
Tabla 3 Artículos seleccionados......................................................................................................13
Tabla 4 Relación entre papers y preguntas.....................................................................................14
Ilustración 1 Proceso de Revisión de papers (elaboración propia)...................................................10

Ilustración 2 Estudios potenciales y seleccionados..........................................................................12
Ilustración 3 Cantidad de Artículos por Año...................................................................................13
Ilustración 4 Comparación de métricas entre algoritmo de regresión logística y máquina de vector
de soporte.......................................................................................................................................15
Ilustración 5 Tabla de métodos.......................................................................................................16
Ilustración 6 Evaluation ROC Curves for Machine Learning Models................................................18
Ilustración 7 resultados del enfoque Support Vector Machine ROC...............................................19
Ilustración 8: The cloud pyramid difference between IaaS, PaaS and SaaS.....................................39
Ilustración 9: Modelos de despliegue cloud....................................................................................41
Ilustración 10: Proceso de Análisis de solicitudes de crédito Fuente elaboración propia...............43
Ilustración 11: Modelo de algoritmo de ML para la evaluación de riesgo de crédito Fuente:
Elaboración propia..........................................................................................................................44
Ilustración 12: Proceso de futuro de Análisis de solicitudes de crédito Fuente elaboración propia45
Ilustración 13: Machine Learning diagrama de componentes.........................................................45
Ilustración 14: Machine Learning diagrama de despliegue.............................................................46
Ilustración 15 Proceso actual de solicitud de datos y requisitos.....................................................48
Ilustración 16 Proceso Futuro del proceso de solicitud de datos y requisitos.................................49
Ilustración 17: Robotic Process Automation diagrama de componente.........................................50
Ilustración 18: Robotic Process Automation diagrama de despliegue.............................................50
pág. 4
CAPITULO I PLANTEAMIENTO DEL PROBLEMA
1.1. Enunciado del Problema
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%.
En el crédito a empresas se observa una disminución en la tasa de morosidad, como es el

caso de la gran empresa (0,14 p.p.), mediana empresa (2,86 p.p.), pequeña (1,14 p.p.) y
microempresa (0,56 p.p.). Solo la cartera corporativa aumentó su morosidad de 0,08% a
0,68%. Los directamente afectados por la crisis económica y que ha significado una
drástica caída en el empleo a nivel nacional son los créditos de consumo los que pasaron de
una tasa de morosidad de 3,41% en marzo a 5,79% en noviembre. En el caso de la banca
múltiple, la cartera atrasada llega a 5,87%, una tasa más alta se observa en financieras
(9,11%) y baja en las cajas municipales (3,06%). La más alta morosidad se encuentra en
las tarjetas de crédito, llegando al 9,83% contra un 4,60% en marzo, con registros similares
en la banca múltiple (9,64%), pero de 14,07% en financieras. Y en los créditos hipotecarios
dicha tasa se ubicó en 3,68%, ligeramente superior al 3,13%, previo a la pandemia. (La
Cámara, 2021).
pág. 5
Gráfico 1. Cartera atrasada de Créditos

Fuente: SBS
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%.
1.2. Formulación del Problema
¿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
1.3. Objetivo General
Investigar y diseñar una solución tecnológica basada en el algoritmo supervisado de

clasificación Logistic Regression (LR) y Robotic Process Automation para optimizar el
proceso de análisis crediticio para las financieras y/o cooperativas.
1.4. Objetivos Específicos
 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
 Incremento del 50% en la precisión de aprobaciones de crédito de clientes

naturales en un año.
 Reducción del 30% en el riesgo de carteras vencidas y el índice de morosidad
de clientes naturales en un año.
 Reducción en 35% el tiempo de respuesta en las solicitudes de crédito de
clientes naturales.
 Reducción de 15 Horas hombre promedio semanal para el proceso de análisis
de riesgo de solicitudes de créditos de clientes naturales.
1.6. Limitaciones
 Ausencia de los usuarios clave del proyecto para las reuniones de

levantamiento de información.
 Rotación de personal con experiencia en el proyecto y el proceso de negocio.
pág. 7
CAPITULO II ESTADO DEL ARTE

En este capítulo se realiza una revisión de la literatura encontrada en una gran variedad de
artículos de investigación haciendo frente al problema encontrado, la propuesta y la
novedad.
2.1. Metodología
Se realizó una revisión de la literatura de los artículos relacionados al proceso de análisis

crediticio y se llevó a cabo los siguientes pasos para el desarrollo:
 Planificación de la revisión: En esta primera fase se definen las preguntas de

investigación y el protocolo de revisión.
 Desarrollo de la revisión: En esta segunda fase, los estudios primarios se
seleccionan de acuerdo con los criterios establecidos de inclusión y exclusión.
 Resultados de la revisión: En esta última fase, se presentan estadísticas y análisis de
los estudios que fueron seleccionados.
2.2. Planificación
Para lograr el propósito de esta investigación, se proponen las siguientes preguntas:

a) Preguntas relacionadas a la solución del problema.
Q1: ¿Qué algoritmos de machine learning son utilizados para análisis de riesgo
crediticios para las financieras y/o cooperativas?
Q2: ¿Qué métricas existen para medir el rendimiento de los resultados de la

implementación de los modelos de machine learning?
Q3: ¿Qué tipo de soluciones con RPA existen para automatizar distintos casos de
uso en las financieras y/o cooperativas?
b) Seleccionar las posibles palabras claves que faciliten encontrar información

relacionada al problema planteado. En este caso:
pág. 8
 Machine Learning.
 Credit Risk Analysis.
 Approval.
 Defaulter Prediction.
 RPA
c) Realizar la búsqueda en los metabuscadores Scopus, IEEE y Science Direct.

d) Delimitar el periodo de búsqueda desde el año 2018 en adelante.
e) Establecer criterios de selección en las cuales se incluyan archivos orientados a
resolver las preguntas planteadas. Además de excluir artículos que no estén
relacionados al proceso de análisis crediticio. Como se muestra en la Tabla 1.
Tabla 1 Criterios de selección y exclusión
CRITERIOS DE SELECCIÓN CRITERIOS DE EXCLUSIÓN
 El artículo cuenta con  El artículo no tiene relación al

referencias disponibles. proceso de análisis crediticio.
 El tema del artículo se encuentra  El artículo no cuenta con

relacionado al tema. referencias.
2.3. Desarrollo
Los estudios primarios identificados en el proceso de búsqueda en los bancos

mencionados previamente se sometieron a un proceso de selección; el cual se dio a
conocer en la Tabla 1, de acuerdo con los criterios definidos. Para ello, fue
necesario realizar un estudio a profundidad de cada artículo para determinar su
relevancia y, finalmente, se descartaron aquellos que contenían información
pág. 9
irrelevante o que no aplicaba al área en estudio. El desarrollo del proceso de

revisión que se realizó se presenta en la Ilustración 1.
Ilustración 1 Proceso de Revisión de papers (elaboración propia).
En la siguiente tabla 2, se muestra los 6 artículos seleccionados según los criterios

de selección aplicados:
Tabla 2 Lista de Artículos Seleccionados
Nº Autor Titulo Año
Propuesta de modelo de machine

learning para la evaluación de
1 Cela Gonzalo, riesgo de crédito utilizando 2019
Cuenca Juan Pablo algoritmos de predicción para la
Cooperativa de Ahorro y Crédito
pág. 10
Regulatory learning: How to

supervise machine learning
Dominique Guégan, models? An application to credit
2 2018
Bertrand Hassani scoring
Yuelin Wang,
A Comparative Assessment of
Yihan Zhang,
Credit Risk Model Based on
3 Yan Lu, 2020
Machine Learning
Xinran Yu
Henry Ivan Condori-

Alejo, Miguel Romilio Rural Micro Credit Assessment
4 Aceituno-Rojo, Guina using Machine Learning in a 2021
Sotomayor Peruvian microfinance institution
Application of Deep Learning

Golam Kibria and for Credit Card Approval: A
5 2021
Mehmet Sevkli Comparison with Two Machine
Learning Techniques
Implementation of robotics and

Choubey, A., &
6 its impact on sustainable 2021
Sharma, M.
banking: A futuristic study.
pág. 11
2.4. Resultados
El resultado del proceso de búsqueda de publicaciones dio 36 artículos, de los

cuales 6 se seleccionaron de acuerdo con los criterios de la Tabla 3 de selección y
exclusión.
Tabla 3 Artículos seleccionados
Motor de Búsqueda Artículos potenciales Artículos seleccionados

Scopus 12 3
ScienceDirect 18 2
IEE 6 1
Total 36 6
En la siguiente ilustración se representa de manera gráfica los datos mostrados en la

Tabla 3.
Estudios potenciales y seleccionados

18
16
14
12
Cantidad
10
8
6
4
2
0
Scopus ScienceDirect IEE
Bancos de búsqueda
Artículos potenciales Artículos seleccionados
Ilustración 2 Estudios potenciales y seleccionados
pág. 12
Además, en la ilustración 3, se presenta el número de estudios por año relacionados

con la obtención de requerimientos durante los años 2018 y 2021. Se puede ver que
el 20% de las publicaciones son del año 2018, 40% pertenece al año 2019 y
finalmente el 40% de los artículos el año 2021
Artículos por Año
2
1.8
1.6
1.4
1.2
Cantidad
1
0.8
0.6
0.4
0.2
0
2018
2019
2021
Años
Ilustración 3 Cantidad de Artículos por Año
2.5. Análisis de los estudios
Tabla 4 Relación entre papers y preguntas
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
2 Regulatory learning: How X
pág. 13
to supervise machine
learning models? An
application to credit scoring
A Comparative Assessment
of Credit Risk Model Based
3 X
on Machine Learning
Rural Micro Credit

Assessment using Machine
Learning in a
4 X
Peruvian Microfinance
Institution
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
Según Cela Gonzalo et al. (2019), propone medir la probabilidad de incumplimiento de

pagos por parte de los clientes para ayudar a agilizar el proceso de otorgamiento de
créditos. En la actualidad, el analista de crédito es el encargado de recopilar y consolidar la
información de los clientes de forma manual para proceder a realizar el análisis crediticio
que justifique si la persona es sujeto de crédito considerando los siguientes factores:
capacidad de pago, niveles de endeudamiento, patrimonio con solvencia económica, etc.
Para solucionar el problema, se usarán algoritmos supervisados de clasificación ya que la
base de datos está debidamente etiquetada por lo que el objetivo principal es clasificar a los
clientes en buenos o malos clientes. Se aplicó el algoritmo de regresión logística, donde la
variable dependiente es el riesgo. Se utilizó el algoritmo de regresión logística porque se
quiere obtener una función lineal de variables independientes que pueden ser cuantitativas
o cualitativas. Las variables independientes ayudan a clasificar a los clientes en una de dos
opciones que tomará la variable dependiente.
Para comparar, se utilizó también el algoritmo supervisado de clasificación SVM, Support
Vector Machine. La función de este algoritmo es discriminar mediante un clasificador
hiperplano, a través de los datos de entrenamiento etiquetados, el algoritmo genera un
hiperplano óptimo que clasifica los nuevos ejemplos en dos espacios dimensionales. Para
aplicar este algoritmo, se evita el proceso de obtención y análisis de datos, ya que todo este
proceso se realizó en el anterior algoritmo. Para realizar un balance entre los datos
positivos y negativos, se asignó pesos a las dos clases, donde la clase 0 serán todos
aquellos menores o iguales a 0.3 y la clase 1, serán todos los mayores o iguales a 0.5
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
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.
Ilustración 5 Tabla de métodos
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
La predicción depende del uso de uno o varios indicadores (numéricos y categóricos). Se

busca el parámetro de mejor ajuste para determinar la probabilidad de la respuesta binaria
basada en uno o más características.
Basado en variables independientes para cada tarjeta de crédito aplicación, proporciona

una probabilidad que se utiliza para clasificar la solicitud como aceptada o rechazada. Si la
probabilidad es mayor que el valor umbral, se acepta. De lo contrario se rechaza. La
función LR toma como entrada las características del cliente y salidas la probabilidad de
incumplimiento.
Según Sotomayor Guina et al. (2021), en el paper denominado “Evaluación de

microcrédito rural utilizando machine learning en una Institución de microfinanzas
peruana”, los autores resaltan que los microcréditos son una parte fundamental en el
desarrollo de la economía rural peruana y estos son otorgados por microfinancieras. Esta
investigación, propone un modelo que presenta el mejor nivel de asertividad para el
proceso de microcréditos basado en análisis de variables rurales con base en la literatura
especializada en el área, sirviendo como ayuda para reducir el riesgo crediticio de la
institución microfinanciera rural. Después de evaluar las variables más importantes del
segmento micro financiero y de haber preprocesado la data, se seleccionó los modelos de
machine learning. Estos modelos fueron entrenados, validados y evaluados por medio de
diferentes métricas. El modelo de Machine Learning más asertivo en el proceso de
evaluación del otorgamiento de microcrédito rural en base a las variables y datos utilizados
por la entidad analizada es el modelo de Red Neuronal Artificial (ANN) (93.72%),
Decision Tree (88.80%), Logistic Regression (86.07%), Support Vector Machine
(84.44%), Random Forest (66.35%) y K-Nearest Neighbor (65.98%). Finalmente, el nivel
de asertividad del modelo ANN es mejor que la metodología de la entidad tradicional que
cuenta con un asertividad del (76.81%) en el índice de clientes morosos.
pág. 17
Ilustración 6 Evaluation ROC Curves for Machine Learning Models
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
Ilustración 7 resultados del enfoque Support Vector Machine ROC
(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.
La función de las máquinas de vector de soporte es discriminar mediante un clasificador

hiperplano, a través de los datos de entrenamiento etiquetados, el algoritmo genera un
hiperplano óptimo que clasifica los nuevos ejemplos en dos espacios dimensionales
Para aplicar el algoritmo de máquinas de vector de soporte, se evita el proceso de

obtención de datos, análisis, procesamiento de datos y partición de los datos ya que todo
este proceso se realizó previamente con el algoritmo de regresión logístico.
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
permite visualizar la clasificación errónea de mayor a menor. Si se quiere obtener un buen

rendimiento del modelo debemos considerar el parámetro coste que es la constante
regularización, de modo que, si el valor del coste es un valor igual a 1, permitiría mucho
más margen es decir que en clasificación habrán objetos donde no es tocado por vector de
soporte y ser clasificados en donde no deben, mientras que si queremos un clasificación
más ajustada posible el valor del costo debe estar entre 100 o 1000 dependiendo del
resultado del ajuste de parámetros posibles a la hora de llevar a cabo el entrenamiento. Para
nuestro caso se ha generado el modelo con coste igual a 1.
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.
RPA ayuda en la automatización de sistemas basados en reglas, por medio de un

procedimiento junto con el software que necesita una interacción humana mínima o nula y
lo implementa para la empresa por medio de flujos de trabajo, bases de datos, sistemas de
planificación de recursos empresariales (ERP) y sistemas de correo electrónico.
En el caso de entidades financieras, la robótica tiene la capacidad de disminuir los errores
funcionales, trabajar constantemente 24 * 7 y reducir costos incurridos debido al manejo de
personal y también a la multitarea.
pág. 20
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.
- Eficiencia operativa mejorada: una vez configurados correctamente, los bancos

pueden agilizar sus procedimientos, productividad y eficiencia.
- Rentabilidad: al igual que cualquier otra industria, el ahorro de costos también es

importante para el sector bancario. Los bancos pueden ahorrar entre un 25 y un 50
por ciento del costo y el tiempo de procesamiento.
- Informes de riesgos y cumplimiento: la robótica en el sector bancario ayuda a

generar pruebas de auditoría completas para cada procedimiento, para disminuir los
riesgos del negocio y mantener un mayor cumplimiento del proceso.
- 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.
- Sin costo de infraestructura: una de las principales ventajas de la robótica en la

industria bancaria es que no exige cualquier cambio vital en la infraestructura
debido a sus capacidades de automatización de la interfaz de usuario. Hardware y el
costo de mantenimiento disminuye en el caso de la robótica basada en la nube.
- Implementación más rápida: RPA proporciona tecnología de arrastrar y soltar para

automatizar los procedimientos, es fácil de implementar y mantener los flujos de
trabajo de automatización sin ningún tipo de necesidades de codificación.
pág. 21
RPA también ha simplificado drásticamente una gran variedad de procedimientos de back

office que siempre solía consumir tiempo de los banqueros. Al trasladar trabajos manuales
tan tediosos de los humanos a maquinarias RPA ayuda a los bancos a lograr el
cumplimiento y reducir el riesgo. Existen grandes tareas de grabación en el ciclo de vida
del consumidor bancario, desde retiros hasta depósitos, documentación de préstamos, etc.
McKinsey pronostica una segunda ola de inteligencia artificial y automatizaciones en los
próximos dos años, después de lo cual se implementarán tareas de software y máquinas
entre 10- 25 por ciento de las operaciones bancarias, expandiendo la capacidad general y
permitiendo a los empleados enfatizar sobre tareas con mayores valores.
Otras áreas en las que RPA ha ayudado al sector bancario son:
- 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
Según Choubey, A., & Sharma, M. (2021), hay varios casos de uso en entidades
financieras:
- Generación automática de informes:
Generación de informes para transacciones fraudulentas en forma de informes de acciones

sospechosas o, informes que son necesidad regular de las entidades financieras.
Tradicionalmente, es un mandato para los oficiales revisar estos informes manualmente y
completar los detalles de los RAS, lo que hace que su tarea sea compleja y tome tiempo.
RPA que implica la capacidad de generación de lenguaje natural, es capaz de leer a través
de estos documentos complejos antes de extraer los datos necesarios y completar los
formularios.
- 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.
- Procesamiento de tarjetas de crédito.
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
- 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.
- Anti-lavado de dinero (AML) y KYC

Ambos AML y KYC son ambos centrados en procesamiento de datos, haciéndolo más
adecuado para RPA. Si bien el proceso manual ha capturado transacciones sospechosas en
RPA la implementación ha demostrado ser beneficioso en términos de ahorro de tiempo y
costo en comparación con la banca tradicional y su formato.
El objetivo principal de la RPA en el sector bancario es ayudar en la realización de tareas

bancarias repetitivas. RPA permite construir fuerza de trabajo digital que trabaja junto con
el personal para impulsar una mejor eficiencia. Software (robots inteligentes) que
involucran flujo de procedimientos dinámico y potente, automatiza tareas que de otro
modo requerirían recursos humanos. El costo por hora de un robot es esencialmente el
costo en el que se incurre si se consume la energía, generalmente 0.3 USD por hora,
resultando en un costo anual que es cincuenta veces menor que el incurrido si se trata de
trabajo manual. Los robots reducen los costos bancarios, amplían las habilidades y mejoran
las experiencias de los consumidores, permitiendo así a los bancos hacia la sostenibilidad
futura. La automatización más allá del ahorro de costos incluye: tasas de error reducidas
(21%), tareas menos redundantes (21%), estándares mejorados del proceso de flujo de
trabajo (19%), menor dependencia de múltiples pantallas y sistemas (14%) y tasa de
fricción reducida (11%).
En cuanto a seguridad, RPA puede prevenir:
La detección de delincuentes es difícil y es una acción de riesgo relativamente menor para

obtener mayores recompensas. Actualmente, las funciones de ciberseguridad, en general,
pág. 24
necesitan un ser humano para dedicar su tiempo atravesar alertas de acciones

potencialmente maliciosas, un procedimiento repetitivo y que requiere mucho tiempo.
El personal bancario procesa más de 200000 casos de seguridad al día en promedio y más
de 2000 horas todos los años se desperdician debido a una falsa alarma. La robótica y la
informática son un 40% más rápidas en comparación con un sistema tradicional orientado
a reglas y da como resultado menos falsas alarmas a medida que aprende y no repite los
mismos errores.
- 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
CAPITULO III MARCO TEÓRICO
3.1. MACHINE LEARNING
3.1.1. Definición
La inteligencia Artificial (IA) hoy en día es esencialmente matemática traducida al código

fuente, lo que dificulta su aprendizaje para los desarrolladores tradicionales.
La IA está en constante evolución. El enfoque clásico establece que:
- La IA cubre todos los dominios.

- El aprendizaje automático (ML) es un subconjunto de la IA, con agrupamiento,
clasificación, regresión y aprendizaje por refuerzo.
- El aprendizaje profundo es un subconjunto del aprendizaje automático que
involucra redes neuronales.
Sin embargo, estos dominios a menudo se superponen y es difícil encajar la computación

neuromórfica, por ejemplo, con su enfoque sub-simbólico, en estas categorías. (Rothman,
2020).
Según (Tom Markiewicz & Josh Zheng, 2020), la inteligencia artificial es un término
bastante amplio y es, en realidad, un paraguas sobre algunos conceptos diferentes.
Entonces, algunos de los términos asociados con la IA que a menudo se confunden o

intercambian son: inteligencia artificial, aprendizaje automático y aprendizaje profundo.
La IA es como cualquier técnica que permita a las computadoras dar significado a los datos
de manera similar a un ser humano.
pág. 26
Si bien la mayoría de la IA se centra en dominios de problemas específicos (procesamiento

del lenguaje natural o visión por computadora), la idea de la inteligencia artificial general o
que una máquina realice cualquier tarea que pueda realizar un ser humano (también
conocida como "IA fuerte"), falta más de 10 años para poder verla.
Con respecto al aprendizaje automático, en 1959, Arthur L. Samuel, un investigador de

IBM y profesor de Stanford, afirmó que el aprendizaje automático es el "campo de estudio
que da a las computadoras la capacidad de aprender sin estar programadas explícitamente",
convirtiéndose así en el creador del término.
Esencialmente, el aprendizaje automático es un subconjunto de la inteligencia artificial

centrada en que las computadoras brinden información sobre los problemas sin
programarlos explícitamente. La mayoría de las herramientas y técnicas que hoy se
refieren a la IA son representativas del aprendizaje automático. Hay tres tipos principales
de aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado y
aprendizaje reforzado.
Al observar muchos puntos de datos etiquetados y ejemplos de problemas históricos, los

algoritmos de aprendizaje supervisado pueden ayudar a resolver problemas similares en
nuevas circunstancias. El aprendizaje supervisado se basa en grandes volúmenes de datos
históricos y crea reglas generales que se aplicarán a problemas futuros. Cuanto mejores
sean los datos del conjunto de entrenamiento, mejor será el resultado. En el aprendizaje
supervisado, el sistema aprende de estos ejemplos etiquetados por humanos.
Mientras que el aprendizaje supervisado se basa en datos etiquetados o estructurados como

en filas de una base de datos, el aprendizaje no supervisado se entrena en datos no
etiquetados o no estructurados como el texto de un libro. Estos algoritmos exploran los
datos e intentan encontrar una estructura. Aquí, los algoritmos de aprendizaje no
supervisado ampliamente utilizados son el análisis de clústeres y el análisis de la cesta de
la compra. Naturalmente, esto tiende a ser más difícil, ya que los datos no tienen etiquetas
preexistentes para ayudar a los algoritmos a comprender los datos. Si bien es más difícil de
pág. 27
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.
El Machine Learning o Aprendizaje Automático es un tipo de inteligencia artificial (IA)

que proporciona a las computadoras la capacidad de aprender, sin ser programadas
explícitamente. El aprendizaje automático se centra en el desarrollo de programas
informáticos que pueden cambiar cuando se exponen a nuevos datos (Gori, 2017).
pág. 28
La utilización del aprendizaje automático en numerosas disciplinas ha emergido

recientemente como la opción novedosa puesto que proporciona muy buenos resultados.
Los algoritmos predictivos no permanecen ajenos a esta idea.
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
El aprendizaje supervisado generalmente comienza con un conjunto establecido de

datos y una cierta comprensión de cómo se clasifican esos datos; por ejemplo, si le
damos abundante información de imágenes de animales (perros y gatos), y
etiquetamos cada imagen como perro o gato, entonces el sistema aprenderá a
identificar un gato o un perro en otra imagen cualquiera distinta con la que fue
entrenado (Hurwitz y Kirsch, 2018).
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
de imágenes de (gatos y perros), pero no le decimos al sistema que son gatos o

perros, por lo que la comprensión del significado detrás de estas imágenes requiere
algoritmos que pueden comenzar a comprender el significado de las imágenes para
poder clasificar los “gatos o perros” en cualquier otra imagen (Hurwitz y Kirsch,
2018).
c. Aprendizaje por reforzamiento

El aprendizaje por reforzamiento es un modelo de aprendizaje conductual, donde el
algoritmo recibe retroalimentación del análisis de los datos para que el usuario sea
guiado hacia el mejor resultado; es decir, se aprende con estímulos de ponderación
alta si se acerca al objetivo o ponderaciones menores si comete errores (Hurwitz y
Kirsch, 2018).
En nuestra investigación buscamos resolver un problema de clasificación que

consiste en identificar la categoría (o clase) a la que pertenece una muestra nueva,
sobre la base de un conjunto de datos de entrenamiento (o instancias) cuya
categoría es conocida.
Dentro de Machine Learning, la clasificación es un problema de aprendizaje

supervisado, es decir para el aprendizaje está disponible un conjunto de datos de
entrenamiento con observaciones clasificadas correctamente (Alpaydin, 2014)
3.2. ROBOTIC PROCESS AUTOMATION (RPA)
3.2.1. Definición
La hiperautomatización es la ampliación de la automatización heredada de procesos

empresariales más allá de los límites de los procesos individuales. Mediante la
combinación de las herramientas de AI con la RPA, la hiperautomatización habilita la
automatización para casi todas las tareas repetitivas que ejecutan los usuarios
empresariales. La hiperautomatización es un medio para la verdadera transformación
digital, a partir de un abanico de herramientas como la automatización robótica de procesos
pág. 30
(RPA), el aprendizaje automático (ML) y la inteligencia artificial (AI), que trabajan en

armonía para automatizar procesos empresariales complejos incluyendo sectores en los que
antes se necesitaban expertos en la materia, según Gartner.
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.
La automatización, en palabras simples, es una tecnología que se ocupa de la aplicación de

máquinas y computadoras a la producción de bienes y servicios. Esto ayuda a realizar el
trabajo con poca o ninguna ayuda humana. (Tripathi A. M., 2018).
Con la llegada de las computadoras, se desarrollaron muchos sistemas de software para

realizar tareas que antes se realizaban en papel para administrar negocios, o que no se
realizaban en absoluto debido a la falta de herramientas. Algunos de estos son la
contabilidad, la gestión de inventarios y la gestión de comunicaciones.
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.
En el mundo digital, la automatización y el desarrollo de software son dos términos

diferentes. Sin embargo, muy a menudo uno se confunde con el otro. Si alguna parte de un
pág. 31
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).
El desarrollo de un sistema de software de gestión de inventario se denomina desarrollo de

software, mientras que la programación de un paso para que no se requiera más
intervención humana se denomina automatización.
3.2.2. Usabilidad de RPA
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
¿Qué se puede automatizar?
Para automatizar algo, se deben tener las siguientes características:

pág. 32
- Pasos bien definidos y basados en reglas

- Lógica bien definida
- Una entrada a la tarea que se pueda desviar al sistema de software
- La entrada se puede descifrar mediante sistemas de software con las técnicas
disponibles.
- El sistema de salida es accesible
- Los beneficios son más que el costo
La automatización robótica de procesos (Robotic Process Automation – RPA) es un

sistema que permite a las empresas automatizar los procesos y las tareas que
normalmente realizan los empleados. Además, RPA puede funcionar en diferentes
aplicaciones, plataformas y departamentos, al integrarse perfectamente con la
infraestructura de TI existente, ya que no requiere ninguna instalación adicional.
Estos son los casos más comunes de usabilidad de RPA:
1. Servicio al cliente
Los clientes modernos están acostumbrados a respuestas rápidas y soluciones

efectivas, y hoy en día es posible entregar los resultados deseados con la ayuda de
la automatización. Los sistemas automatizados de atención al cliente pueden
ordenar las consultas y ofrecer respuestas iniciales a los clientes.
El sistema automatizado puede segregar las consultas en diferentes categorías,
como departamento de tecnología, departamento de servicio y más. La clasificación
garantiza que las consultas lleguen al agente de atención al cliente adecuado para
una resolución rápida. No es necesario que la llamada del cliente se transfiera de un
ejecutivo a otro. El servicio al cliente tiene varios procesos basados en reglas que
pueden automatizarse y simplificarse, de hecho, más del 70% al 80% de los
procesos basados en reglas se pueden automatizar y es una buena idea comenzar
con el servicio al cliente.
pág. 33
2. Procesamiento de facturas
El gran volumen de procesamiento de facturas tiene tareas manuales repetitivas que

pueden resultar en pagos demorados e incorrectos. Los pagos oportunos pueden
entregar bienes o servicios de calidad del proveedor. El procesamiento de facturas
tiene muchos desafíos, ya que requieren tener los datos consolidados de varias
fuentes en el sistema único de base de datos financiera, etc. RPA procesa
automáticamente las facturas una vez recibidas.
El formato de factura en papel puede automatizarse mediante OCR. RPA puede
automatizar la entrada de datos, el error de conciliación, e incluso puede procesar
cierta toma de decisiones requerida para el procesamiento de facturas, lo que
minimiza la necesidad de intervención humana. RPA puede automatizar el proceso
de extremo a extremo desde la recepción hasta el pago.
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
La nómina es una tarea repetitiva quincenal o mensualmente que consume mucho

tiempo para todas las organizaciones y esto también requiere un gran volumen de
esfuerzos de ingreso de datos. Esto puede resultar en una inexactitud de los datos
que puede causar retrasos en el pago o la insatisfacción de los empleados. RPA
puede verificar la consistencia de los datos de los empleados en múltiples sistemas,
validar hojas de asistencia, generar ganancias y deducciones. También puede
automatizar las creaciones de cheques de pago, administrar beneficios y
reembolsos; y realizar la automatización de las transacciones relacionadas con la
nómina de principio a fin para evitar imprecisiones y retrasos.
5. Comparación de precios
Las empresas a menudo tienen que realizar compras a granel para fabricar

productos o brindar servicios. El costo de estos artículos puede afectar los ingresos
o ganancias de la compañía; Las empresas siempre investigan en línea para tomar
una decisión informada. El proceso de investigación puede llevar mucho tiempo y
ser complicado, por lo que muchas empresas ahora han comenzado a usar RPA. El
sistema no solo compara precios de diferentes proveedores, sino que también puede
comparar atributos y calidad del producto. Las empresas pueden comprar los
mejores recursos al mejor precio posible.
6. Almacenamiento de información del cliente
RPA puede ayudarte a almacenar, clasificar y organizar todo tipo de información

del cliente para garantizar que todo sea de fácil acceso. El sistema categorizará
automáticamente diferentes datos como información de contacto, historial de
compras, preferencias, información personal como cumpleaños o aniversarios.
El sistema puede mostrar toda la información a ejecutivos de atención al cliente,
vendedores y empleados similares. No es necesario ingresar manualmente esta
información o preocuparse por su precisión. La RPA es más precisa que las
pág. 35
personas y tiene un margen de error más bajo. El almacenamiento de información

es uno de los trabajos más intensivos en mano de obra y puede causar mucho estrés.
7. Procesar información de recursos humanos
Almacenar y procesar información de recursos humanos es una tarea difícil. Lleva

mucho tiempo y puede ser un proceso tedioso. Un negocio exitoso genera enormes
cantidades de datos de empleados, que pueden ser difíciles de ordenar y organizar.
El sistema RPA puede recopilar y organizar toda la información que requiere su
departamento de recursos humanos. La información como el historial del empleado,
la nómina, los reembolsos, el nivel de capacitación, se pueden clasificar y
almacenar a través de RPA. Puede manejar todas las tareas del día a día y permitir
que sus empleados de Recursos Humanos se centren en el aspecto humano. Pueden
trabajar para mejorar la productividad de los empleados y la cultura de trabajo, que
no puede ser manejada por la automatización.
8. Procesamiento de reembolsos rápidos
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
La automatización de procesos robóticos puede ayudar con el reclutamiento, lo que

puede ayudar a agilizar el proceso considerablemente. El sistema puede generar
currículums de diferentes plataformas, acceder al valor, clasificar a través de correo
no deseado o aplicaciones no deseadas, y otros factores similares. Esto puede
agilizar el proceso de reclutamiento por un margen considerable. Puede reducir el
estrés de los reclutadores y permitirles acceder a cada solicitante de manera más
exhaustiva.
La RPA puede manejar alrededor del 90% al 95% de los procesos de reclutamiento
vitales, como la selección, evaluación, medición, a bordo y administración.
10. Extraer datos de diferentes formatos
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.
3.2.3. Características de RPA
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
- Calidad de datos: Están programados para no romper las reglas, no cometer

errores y ser constantes en la realización de las tareas.
- Servicio al cliente: Respuestas rápidas y precisas en las empresas, RPA
garantiza el aumento en las métricas de satisfacción del cliente.
- Satisfacción de los empleados: Evita gastar tiempo valioso en actividades
tediosas.
- Escalabilidad: si hay un aumento repentino en la demanda, puede ser
extremadamente difícil contratar nuevos empleados. Pero RPA puede ser una
solución. Es mucho más barato y rápido desarrollar nuevos bots para satisfacer
la demanda.
- El resultado final: las personas que implementan la RPA alcanzarán sus
objetivos más rápido y el departamento de TI tendrá más tiempo para dedicarlo
a elementos de mayor prioridad. Esto es importante ya que sigue existiendo una
tendencia a una menor inversión en TI.
3.3. CLOUD COMPUTING
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.
3.3.2. Modelo de Servicio en la Nube
En la actualidad, las soluciones en la nube pueden desplegarse generalmente en tres (3)

modelos de servicios diferentes como:
pág. 38
- Software como Servicio (SaaS): Cuenta con aplicaciones que se ofrecen a

través de la web, a las cuales se accede por medio de un navegador y no son
administradas por la compañía sino por el proveedor de la aplicación.
- La plataforma como Servicio (PaaS): Es una capa intermedia entre IaaS y SaaS,
ofrece acceso a ambientes en la nube en el cual los usuarios pueden construir y
entregar aplicaciones sin necesidad de instalar y mantener ambientes de
desarrollo complejos que normalmente son muy costosos.
- La Infraestructura como Servicio (IaaS): Ofrece una forma estandarizada de
adquirir capacidad computacional por demanda a través de la web durante un
periodo de tiempo definido. Incluye almacenamiento, redes, procesamiento y
servidores.
Ilustración 8: The cloud pyramid difference between IaaS, PaaS and SaaS
En adición, podemos considerar otros modelos de implementación de servicios que

permiten a los usuarios elegir el nivel de control sobre la información y servicios que
proporcionarán. Se conocen por sus acrónimos, siendo la representación genérica de los
mismos XaaS (un acrónimo que significa cualquier cosa como servicio). Así, podemos
mencionar también CaaS, FaaS, BaaS, etc. (Guru, Al., 2021)
pág. 39
3.3.3. Modelo de Despliegue
- Cloud Privado: Una nube privada es aquella en la que solo la organización,

utilizando tecnología como la virtualización, tiene acceso a los recursos que se
utilizan para implementar la nube. El Cloud Privado se puede comparar con los
datacenter internos que disponen algunas empresas, con infraestructura y
máquinas propias, dimensionadas en base a la demanda esperada. Mediante la
virtualización se puede añadir a las características del datacenter los beneficios
del cloud, como la agilidad en la provisión o cierto nivel de elasticidad.
Las soluciones que da Cloud Privado generan una mayor seguridad para los
clientes que disponen de este tipo de despliegues, al no compartir recursos con
otros usuarios. Normalmente el Cloud Privado se despliega considerando
tecnologías conocidas a las propias empresas o atendiendo a sus capacidades
para interconectarse con otras nubes.
Las nubes privadas pueden estar alojadas en un CPD propio en las instalaciones
del cliente o en un entorno dedicado dentro de las instalaciones de un proveedor
de servicios IT externo.
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
- Cloud Hibrido: Un despliegue de Cloud Hibrido es aquel que combina recursos

del Cloud privado con los del Cloud Publico. Surgen a partir de la necesidad de
los clientes que, aunque estos cuenten con infraestructura propia buscan
aprovechas las ventajas de los servicios de un proveedor externo
pág. 40
Ilustración 9: Modelos de despliegue cloud
Las nubes hibridas aportan agilidad y reducción de costes sacrificando algo de

control, su solución es compleja ya que requiere coordinar una infraestructura
propia con otra gestionada por otro entorno, así como una buena conectividad
entre las dos plataformas.
Los aspectos que se deben tomar en cuenta al implementar una solución de
Nube Hibrida son:
 Seguridad
 Hypervisor
 Gestión y administración
 Visión completa y unificada del servicio
- Cloud Público: Un despliegue de Cloud Público se caracteriza por ofrecer

recursos TIC sobre infraestructuras compartidas entre múltiples clientes. El
cliente accede a estos recursos mediante internet o conexiones VPN, la
infraestructura es proporcionada con todas las ventajas del modelo de consumo
de Cloud beneficiándose además de las economías que se aplican al amortizar la
infraestructura global con múltiples clientes.
pág. 41
En la nube publica es habitual que el usuario acceda al servicio como cliente

externo del proveedor de la infraestructura, ya que gracias a la virtualización y a
los procesos de automatización del servicio que dicho proveedor tiene
implementado, el usuario puede automatizar el despliegue de máquinas
preconfiguradas con un solo click, utilizando plantillas propias o del proveedor,
también puede integrarlas rápidamente con aplicaciones propias, crear
plataformas elásticas y solo pagando por los recursos utilizados.
Las nubes publicas pueden complementarse con otros servicios compartidos
tales como servicios de balanceo y aceleración de carga, servicios de backup o
de seguridad perimetral.
Beneficios:
 Mayor escala, costes más bajos.
 Mayor nivel de autogestión
 Modular y escalable|
CAPITULO IV PROPUESTA DE SOLUCIÓN TECNOLÓGICA

4.1. Machine Learning
4.1.1. Descripción del proceso actual
Cada Institución financiera u organismo crediticio tiene diferentes políticas para el

otorgamiento de créditos; lo que buscan es minimizar el riesgo de impagos de los
compromisos contraídos mediante el estudio de la solvencia del cliente. El estudio de la
solvencia implica una sucesión de procesos de carácter administrativo.
Actualmente la gestión de riesgo de crédito se realiza a través de los analistas de crédito y
el analista de riesgo, siendo los analistas de crédito los responsables de decidir sobre el
otorgamiento o la declinación de una operación crediticia, cumpliendo con las políticas,
reglamentos y manuales que la institución haya determinado y que se encuentran vigentes.
Además, el analista de crédito es el encargado de recopilar y consolidar toda la
información del cliente de forma manual para proceder a realizar el análisis crediticio que
pág. 42
justifique si la persona es sujeto de crédito, considerando los siguientes factores: capacidad

de pago, niveles de endeudamiento, patrimonio con solvencia económica, entre otros. Todo
esto genera que el proceso de análisis para la aprobación de crédito sea más extenso y no
permite dar una respuesta de una forma rápida y eficiente para el cliente
Ilustración 10: Proceso de Análisis de solicitudes de crédito

Fuente elaboración propia
En el gráfico 2 se muestra cómo se realiza actualmente el proceso de análisis y evaluación

de riesgo de crédito en las microfinancieras o cooperativas.
Este proceso cuenta con una serie de problemas en cuanto a la rapidez de la respuesta al
cliente ya que se realiza tareas manuales para asignar un score al cliente y el análisis por
parte de los analistas de crédito y los analistas de riesgo. Además, requiere una dedicación
aproximada de 2 a 3 días para tener los resultados.
Adicionalmente al ser realizados estos procesos por dos áreas y diferentes personas
generan errores frecuentes que puede llevar a una mala calificación y posteriormente a una
aprobación errónea que puede llevar a aumentar el riesgo de cartera vencida.
Por último, se realizan varias tareas de informes manuales y registros en los sistemas
informáticos los cuales demandan bastante tiempo
pág. 43
4.1.2. Descripción del proceso futuro
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.
Procesami Dividir Datos Aplicar

-Entrenamiento Entrenar Evaluar Ejecutar
Obtener Datos ento de algoritmo
-Validación modelo modelo modelo
datos -Test de ML
Ilustración 11: Modelo de algoritmo de ML para la evaluación de riesgo de crédito
Fuente: Elaboración propia
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.
Para resolver el problema planteado se utiliza un algoritmo de aprendizaje supervisado, ya

que se cuenta con una base de datos debidamente etiquetada, cuyo objetivo principal es la
pág. 44
clasificación de los clientes, para determinar a qué grupo pertenece. Los clientes con alta
calificación crediticia y los que no.
Ilustración 12: Proceso de futuro de Análisis de solicitudes de crédito

En la ilustración 12 se muestra el proceso propuesto con la aplicación de un modelo de

clasificación utilizando un algoritmo de aprendizaje supervisado que ayudaría a ser más
preciso en la evaluación de crédito de una persona, además de la reducción de tiempos en
las tareas manuales de los analistas de créditos y los analistas de riesgo.
4.1.3. Arquitectura de solución

4.1.3.1. Diagrama de componentes
pág. 45
Ilustración 13: Machine Learning diagrama de componentes

4.1.3.2. Diagrama de despliegue
Ilustración 14: Machine Learning diagrama de despliegue

4.1.4. Factibilidad económica
La inversión requerida para la realización del proyecto es de cien mil dólares.

Implementación de la solución cantidad precio unitario total
Implementación de la solución 1 $100,000.00 $100,000.00
$100,000.00
INVERSIÓN DEL PROYECTO $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
$3,750.00 $0.00 -$3,750.00

mensual
Costos de operación anual $45,000.00 $0.00 -$45,000.00
Costo de $0.00 $416.67 $416.67

mensual
mantenimiento de la
pág. 46
solución anual $0.00 $5,000.00 $5,000.00
$33,600.00 $20,000.00 -$13,600.00

mensual
Gastos por
provisiones anual $403,200.00 $240,000.00 -$163,200.00
Total Costo $448,200.00 $245,000.00 -$203,200.00
Lo que genera el
Beneficios Sin Proyecto Con Proyecto proyecto
mensual $56,000.00 $56,000.00 $0.00

Ingresos de
Créditos anual $672,000.00 $672,000.00 $0.00
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.
Flujo de caja del proyecto 1
Beneficios $0.00
Costos -$203,200.00
FEN $203,200.00
FEA $103,200.00
PRI 49.21%
ROI 203.20%
4.2. Robotic Process Automation
4.2.1. Descripción del proceso actual
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
que se puede obtener de data histórica. También se realiza la depuración de la información

y su preparación para su posterior procesamiento.
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.
Ilustración 15 Proceso actual de solicitud de datos y requisitos
Fuente: Elaboración Propia
En la ilustración 15, se muestra el proceso actual de solicitud de datos y requisitos.

Este proceso es ineficiente, debido a la insatisfacción de los clientes, ya que no cuentan
con la rapidez que requieren los clientes generando pérdida de clientes.
pág. 48
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.
4.2.2. Descripción del proceso futuro
El proceso futuro, “Solicitud de Datos y Requisitos”, será ejecutado a través de Robotic

Process Automation (RPA). Para ello, se hará uso de un robot atendido lo cual estará
instalado en 1 computadora, el cual reemplazará el trabajo del personal de caja los cuales
deben recibir en promedio 1000 solicitudes por día aproximadamente.
El proceso inicia con la llegada de una notificación, el personal de caja adjunta

documentos de clientes, luego el robot deberá analizar y recopila los datos de los clientes
de los documentos, el robot ingresa y actualiza datos de los clientes al sistema y el personal
verifica los resultados generados.
Ilustración 16 Proceso Futuro del proceso de solicitud de datos y requisitos
Fuente: Elaboración Propia
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
intervención del personal con los datos de los clientes. Teniendo como beneficio principal
la reducción de 66% de costo con una solución de automatización.
4.2.3. Arquitectura de solución

4.2.3.1. Diagrama de componente
Ilustración 17: Robotic Process Automation diagrama de componente
4.2.3.2. Diagrama de despliegue
Ilustración 18: Robotic Process Automation diagrama de despliegue
pág. 50
4.2.4. Factibilidad económica
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
El proveedor escogido para la solución con RPA es UiPath.
Ahorro por costos de personal $128,700.00

Costos iniciales (Desarrollo de solución) $45,000.00
Costos de operación anual (Licencia RPA) $13,000.00
Costos de soporte y mantenimiento anual $8,500.00
A partir de los datos mencionados se realiza el flujo de caja para los 3 primeros años.
Año 0 Año 1 Año 2 Año 3 Total

Beneficios $0.00 $128,700.00 $128,700.00 $128,700.00 $386,100.00
Costos $45,000.00 $21,500.00 $21,500.00 $21,500.00 $109,500.00
Beneficios netos -$45,000.00 $107,200.00 $107,200.00 $107,200.00 $276,600.00
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.
Costo total de propiedad $109,500.00

Beneficio neto acumulado $276,600.00
ROI (3 años) 253%
pág. 51
5. Conclusiones
Consideramos que al realizar este proyecto la parte fundamental fue el análisis e

identificación del problema ya que de ahí parte la selección de que solución tecnológica
íbamos a aplicar. Asimismo, determinamos los objetivos del proyecto que dado la
evaluación de la factibilidad económica nos resulta viable, adicional a eso se lograría la
reducción de la cartera vencida y la tasa de morosidad en las cooperativas y
microfinancieras aplicando un algoritmo de aprendizaje supervisado para poder clasificar
según el scoring de los clientes y optimizar el proceso de evaluación crediticia , así como
también evitar los errores en las actualizaciones y los registros de los datos de los clientes
utilizando la robotización y una solución de RPA ya que son fundamentales para
posteriormente una evaluación. Por último, destacar la investigación realizada sobre otros
proyectos similares nos ayudó a tener una idea de cómo se resuelven este tipo de
problemáticas ya que en la actualidad existe un numero grande de empresas que se están
modernizando y se están utilizando tecnologías vanguardistas. Por ejemplo, Las empresas
que usan la hiperautomatización toman mejores decisiones, incrementan la satisfacción de
sus empleados y potencian su productividad, convirtiéndose así en empresas más ágiles y
productivas. En el sector financiero, las empresas que extraen el máximo valor de los datos
toman decisiones mejor fundamentadas lo que les permite desarrollar ventajas
competitivas. Entonces, potenciar las tecnologías de robotización con Inteligencia
Artificial, liberar a los trabajadores de tareas operativas y poner a su disposición el
conocimiento obtenido mediante la inteligente artificial, repercute en una transformación
radical de los negocios y las organizaciones. Según Gartner, se espera que para 2024, las
organizaciones reduzcan los costos operativos en un 30% al combinar tecnologías de
hiperautomatización con procesos operativos rediseñados.
pág. 52
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
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.
Guru, A. (2021). Alleantia. Obtenido de https://blog.alleantia.com/the-cloud-pyramid-

difference-between-iaas-paas-and-saas.
Gartner. (2021). Gartner Forecasts Worldwide Hyperautomation-Enabling Software Market to

Reach Nearly $600 Billion by 2022. Obtenido de: https://www.gartner.com/en/newsroom/press-
releases/2021-04-28-gartner-forecasts-worldwide-hyperautomation-enabling-software-market-
to-reach-nearly-600-billion-by-2022.
pág. 54

TFTallerProyecto3 V1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TFTallerProyecto3 V1

Cargado por

Copyright:

Formatos disponibles

Proyecto Final | Taller de Proyecto 3

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

ESTUDIOS PROFESIONALES PARA EJECUTIVOS

U201812401 GUERRERO VERTIZ, LUIS FELIPE

8. Procesamiento de reembolsos rápidos.............................................................................36

Tabla 1 Criterios de selección y exclusión......................................................................................10

Ilustración 1 Proceso de Revisión de papers (elaboración propia)...................................................10

CAPITULO I PLANTEAMIENTO DEL PROBLEMA

1.1. Enunciado del Problema

En el crédito a empresas se observa una disminución en la tasa de morosidad, como es el

Gráfico 1. Cartera atrasada de Créditos

1.2. Formulación del Problema

1.3. Objetivo General

Investigar y diseñar una solución tecnológica basada en el algoritmo supervisado de

1.4. Objetivos Específicos

 Incremento del 50% en la precisión de aprobaciones de crédito de clientes

 Ausencia de los usuarios clave del proyecto para las reuniones de

CAPITULO II ESTADO DEL ARTE

Se realizó una revisión de la literatura de los artículos relacionados al proceso de análisis

 Planificación de la revisión: En esta primera fase se definen las preguntas de

Para lograr el propósito de esta investigación, se proponen las siguientes preguntas:

Q2: ¿Qué métricas existen para medir el rendimiento de los resultados de la

b) Seleccionar las posibles palabras claves que faciliten encontrar información

c) Realizar la búsqueda en los metabuscadores Scopus, IEEE y Science Direct.

Tabla 1 Criterios de selección y exclusión

CRITERIOS DE SELECCIÓN CRITERIOS DE EXCLUSIÓN

 El artículo cuenta con  El artículo no tiene relación al

 El tema del artículo se encuentra  El artículo no cuenta con

Los estudios primarios identificados en el proceso de búsqueda en los bancos

irrelevante o que no aplicaba al área en estudio. El desarrollo del proceso de

Ilustración 1 Proceso de Revisión de papers (elaboración propia).

En la siguiente tabla 2, se muestra los 6 artículos seleccionados según los criterios

Tabla 2 Lista de Artículos Seleccionados

Nº Autor Titulo Año

Propuesta de modelo de machine

Regulatory learning: How to

Henry Ivan Condori-

Application of Deep Learning

Implementation of robotics and

El resultado del proceso de búsqueda de publicaciones dio 36 artículos, de los

Tabla 3 Artículos seleccionados

Motor de Búsqueda Artículos potenciales Artículos seleccionados

En la siguiente ilustración se representa de manera gráfica los datos mostrados en la

Estudios potenciales y seleccionados

Artículos potenciales Artículos seleccionados

Ilustración 2 Estudios potenciales y seleccionados

Además, en la ilustración 3, se presenta el número de estudios por año relacionados

Artículos por Año

Ilustración 3 Cantidad de Artículos por Año

2.5. Análisis de los estudios

Tabla 4 Relación entre papers y preguntas

2 Regulatory learning: How X

Rural Micro Credit

Según Cela Gonzalo et al. (2019), propone medir la probabilidad de incumplimiento de

Ilustración 5 Tabla de métodos

La predicción depende del uso de uno o varios indicadores (numéricos y categóricos). Se

Basado en variables independientes para cada tarjeta de crédito aplicación, proporciona

Según Sotomayor Guina et al. (2021), en el paper denominado “Evaluación de

Ilustración 6 Evaluation ROC Curves for Machine Learning Models

Ilustración 7 resultados del enfoque Support Vector Machine ROC

La función de las máquinas de vector de soporte es discriminar mediante un clasificador

Para aplicar el algoritmo de máquinas de vector de soporte, se evita el proceso de

permite visualizar la clasificación errónea de mayor a menor. Si se quiere obtener un buen