PROYECTO LÍDER Institución de la práctica:
Banco de Bogotá Área de Práctica Vicepresidencia de Crédito
Presentado y realizado por:
Jesús Manuel Méndez Camperos TUTOR:
Holman Rojas
PLANTEAR LA INTELIGENCIA ARTIFICIAL (IA) A TRAVÉS DE SISTEMAS COGNITIVOS, PARA EL MEJORAMIENTO DE LOS PROCESOS, TIEMPOS Y ELABORACIÓN DE LAS SOLICITUDES DE CRÉDITOS EN EL BANCO DE BOGOTÁ –
PROYECTO EXPERIMENTAL.
Facultad ciencias económicas y administrativas Programa: Administración de empresas
20 de mayo del 2019
TABLA DE CONTENIDO
1. Introducción ………... 3
2. Diagnóstico del área de práctica ……… 4
2.1 Descripción del área en la que se desempeña el estudiante ………... 5
3. Diagnóstico del área ………... 5
3.1 Cinco fuerzas de Porter ………...…... 5
4. Planteamiento del problema ………... 9
5. Antecedentes ………... 10
6. Justificación ……… 12
7. Marco Teórico ……… 14
8. Marco conceptual ………21
9. Objetivos y metas ………23
10. Metodología ………24
11. Cronograma de actividad ………..…..25
12. Desarrollo de las actividades ………...……26
13. Conclusiones ………...29
14. Recomendaciones ……… 31
15. Referencias Bibliográficas ………...……... 31
16. Certificación de la empresa ………. 35
17. Anexos ……….……… 36
1. Introducción:
Tomando en cuenta la centralización realizada por el Banco de Bogotá, específicamente en el área de crédito de red de oficinas, la rentabilidad de dicha área se ha visto comprometida con una disminución del -16% con 268 proyectos incompletos en un periodo de tiempo de 16 semanas de estudio. Esto junto al aumento del volumen de trabajo ha ocasionado un incremento en errores ejecutados por parte de los analistas, destinando un total de 60 horas (7.5 días
laborales) para su corrección. Dichos acontecimientos generan la siguiente incógnita:
¿Cómo por medio de una herramienta soportada por Inteligencia Artificial (IA) y sistemas cognitivos, podría aportar a la mejora en la efectividad operativa y analítica en el área de red de oficinas, del Banco de Bogotá?
En esta investigación sobre la implementación y los funcionamientos actuales de la IA se pudo deducir, que cuenta con el potencial de mejorar la efectividad del área en un 533.3% diario, con las capacidades de interactuar y mejorar los procesos operativos relacionados con el área identificada, como lo es el reconocimientos de fraude y lavado de activos, de eventualidades en diferentes sectores, en la capacidades de pagos y controles de mora en créditos con el sistema financiero colombiano.
2. Diagnóstico del área de práctica:
2.2 Descripción del área en la que se desempeña el estudiante:
Se desempeñan prácticas en el Banco de Bogotá, en la ciudad de Bogotá, en la sede B, la cual se encuentra ubicada en la Carrera 13a #35-98. La práctica se realiza en la vicepresidencia de crédito; crédito Red de oficinas, esta división se encarga de atender las solicitudes de crédito de la ciudad de Bogotá y créditos de oficinas específicas a nivel nacional.
La función principal del área es la creación de proyectos crediticios, los cuales son un proceso estandarizado, que consta de la transcripción de información financiera y general de un cliente con el fin de obtener una o varias líneas de crédito con las que cuenta el banco. Durante este proceso, se busca la convalidación de la información, para el análisis y la toma de decisión por parte del comité. Al finalizar, este proyecto es entregado a un coordinador quien evalúa los aspectos más importantes, para la toma de decisión en el comité con la gerente de zona. El departamento cuenta con unos tiempos específicos para la elaboración y toma de decisión del proyecto crediticio. Para el área de red de oficinas, se estima un tiempo de respuesta de 2-3 días promedio para llevar los proyectos a comité y de 4-8 días promedio, para la toma de decisión con respecto a lo que se hará con el proyecto de crédito.
Los analistas, cuentan con objetivos semanales y mensuales de proyectos crediticios a realizar. Para entender los mismos, es necesario comprender que actualmente, existen dos tipos de proyectos crediticios:
• Proyecto Sencillo: la transcripción de información se realiza en un periodo
promedio de tres horas, seguido por la toma de decisión que se efectúa teniendo en cuenta factores tales como: el historial crediticio del cliente en el banco, su experiencia en el
manejo de crédito y la claridad sus estados financieros. Al día se elaboran de dos a tres proyectos promedios.
• Proyectos Complejos: se caracteriza por ser un proceso extenso por la abundante cantidad de información, toma alrededor de 5 horas. Los codeudores poseen un alto nivel de endeudamiento, su información financiera es compleja o incongruente, entre otras razones. Al día se puede llegar a elaborar un proyecto y medio.
Por tanto, las metas semanales del área y de sus analistas son la siguiente:
TIPO DE PROYECTO VALOR META DIARIA
SENCILLO 33.3 % 100 %
COMPLEJO 66.6 % 100 %
Así mismo, existe la elaboración de dos acciones adicionales; memorándums y reclasificaciones, las cuales serán explicadas en el marco teórico.
2. Diagnóstico del área
1. Cinco fuerzas de Porter: a través de esta metodología creada por Michael Eugene Porter, se realiza un estudio profundo de la industria en comparación con el
posicionamiento actual del área de crédito de red de oficinas del Banco de Bogotá. Esto permitirá medir el desarrollo de la productividad, rentabilidad y posicionamiento en torno al mercado de créditos en Colombia.
1. Proveedores: los proveedores poseen un poder alto ya que son ellos los
encargados de suministrar la información necesaria en la toma de decisiones. De este modo, representan la entrada y aumento de la cartera general de clientes del banco.
Los mismos se pueden subdividir en dos partes: por un lado, se encuentra el área comercial del banco que se encarga de la recolección de información y captación de nuevos clientes. Subsecuentemente, la otra parte es representada por los sistemas de información públicos y privados que suministran datos tales como endeudamientos, moras, comportamiento de pagos que ayudan a detectar anomalías frente a un fraude fiscal.
2. Clientes: el cliente tiene un alto poder en la toma de decisiones que podría afectar directamente las entidades financieras. Es él quien tiene la autoridad de elegir la entidad con la que se apalancará y pagará sus respectivas obligaciones. Por este motivo, es de suma importancia que exista una captación de nuevos consumidores, retención de cartera y generación de vínculos entre el banco y el cliente. A través del
“Informe de Tipificación de la Banca Colombiana” realizada por Asobancaria (Anexo 1), se puede observar el indicador de eficiencia de los bancos. En la
actualidad, Banco de Bogotá tiene un porcentaje de eficiencia del 2,32% y trabajando de la mano de su visión y misión, se está enfocando en conseguir un trato
sobresaliente con sus clientes, para lograr posicionarse como el mejor banco a nivel nacional. Es por este motivo, que los factores como el logro de metas y objetivos y los tiempos de respuestas son vitales para la convivencia y manejo de los clientes.
3. Sustitutos: el poder de los sustitutos es alto. Tal y como se puede ver en
el (anexo 2), Para el año 2018, Bancolombia y Davivienda lograron poseer una mayor utilidad en la solicitud de créditos, superando la cantidad de créditos emitidos por el Banco de Bogotá en sus tres líneas principales: consumo, microcrédito y tesorería.
Esto ha causado en el banco un interés por centrarse en dos puntos principales: la experiencia del cliente y la implementación de la tecnología, como es el caso de la nueva área propuesta en 2014 Laboratorio Digital, con el propósito de innovar los procesos agilizando y facilitando la operatividad de la entidad. Dichos objetivos, buscan mitigar los errores humanos y crear un vínculo que sea agradable y atractivo para el cliente.
4. Nuevos entrantes: El poder de los nuevos entrantes es bajo, con una tendencia en crecimiento por el desarrollo tecnológico en las entidades financieras que tienen como objetivo principal diseñar una nueva experiencia bancaria para comodidad de los usuarios. Los márgenes de utilidad y capacidad de retención de mercado de los nuevos entrantes no se comparan con las entidades financieras; Credy, una página web de préstamos y créditos, ha emitido un total de COP. 886 millones de pesos hasta la fecha, mientras que Banco de Bogotá, sólo en el 2018, emitió COP. 42.924.807 millones de pesos. De esta manera se puede afirmar que la liquidez por parte de nuevos entrantes es considerablemente inferior. El uso de estas nuevas alternativas toma fuerza con el tiempo, enfocándose en la comodidad y velocidad como pilares indispensables para el cliente, dichos factores se han demostrados a través del
tiempo y han logrado generar impacto en la sociedad apoyado de la tecnología, por la
rapidez y disponibilidad de la solución a las necesidades, tal afirmación se puede ver reflejada en la sustitución de mecanismos y objetos tradicionales por nuevos entrantes que lograron aprovechar este nicho, tal es el caso para el sector financiero como lo fue la creación de chips y dispositivos alternos para la agilización de pagos. Este punto es clave para entender el aumento en la popularidad de entidades
como Rappi Crédito y Credy que se diferencian por brindar un servicio que requiere menor documentación e información, con tiempos de respuestas más rápidos.
5. Competencia del mercado: el poder de competencia es alto. Como se puede observar en la gráfica sacada del “Informe de Tipificación en la Banca Nacional”
(Asobancaria, 2018), es visible que Banco de Bogotá no se encuentra en el mejor posicionamiento a nivel nacional. El gráfico demuestra que tanto en términos de eficiencia y créditos emitidos por tarjetas de crédito a nivel nacional, el banco se encuentra por debajo de los márgenes esperados en términos de rentabilidad y competencia en el mercado. Debido a que el beneficio por tarjeta de crédito y libre destino representan respectivamente un 24% y 22% de las ganancias del banco, es imprescindible el mejoramiento de dichos procesos.
Con el análisis realizado a la entidad, se infiere que el banco no cuenta con el liderato en el mercado trayendo como consecuencia márgenes inferiores en la cantidad de créditos emitidos, representando una menor competitividad frente al mercado. Aun así, el banco se encuentra en la disposición de generar un cambio y apostar por la tecnología como su principal estrategia para sobreponerse en el mercado.
4. Planteamiento del problema:
A finales del 2017, como parte del plan estratégico del banco se centralizaron los procesos relacionados con las solicitudes de crédito, dando inicio al traslado de la fuerza operativa a la sede principal en la ciudad de Bogotá. A comienzos del 2019, se logró el cumplimiento total de este propósito, ubicando analistas de otras ciudades en la capital y así también, la actualización de los puestos de trabajo.
Empero, como consecuencia de la deficiencia en la planeación estratégica del área buscando alcanzar resultados inmediatos, lo que creó un ambiente incierto en el presente y la dificultad en la organización para los resultados del futuro, se derivó la ausencia de propuestas estratégicas preventivas con respecto a los posibles acontecimientos y la dificultad en la
disposición de eventos posteriores, aunado a esto, la escasez de colaboradores en el área sin las competencias para el auxilio en las funciones de los proyectos. Esta implementación, ha traído como consecuencia una deficiencia en los objetivos y metas del área, generando así una acumulación de trabajo debido al aumento en la cantidad de proyectos a realizar y el
incumplimiento de las metas establecidas. Lo cual, generó en un efecto sobre los tiempos de respuesta en los créditos, desprendiendo un ambiente de fatiga, cansancio e incomodidad de los analistas.
Las circunstancias anteriormente mencionadas evidencian que también desde la
vicepresidencia de crédito se logra afectar el desempeño y el posicionamiento actual del banco, desaprovechando las oportunidades de crecimiento del sector financiero, y así causando que la entidad pierda credibilidad y valor en el mercado. Esto podría repercutir en la pérdida de clientes
a nivel nacional por la prolongación del tiempo de respuesta de sus solicitudes y el aumento del riesgo por parte de área, por la sustitución de la calidad y cantidad de información de los proyectos con el fin de despachar los proyectos más antiguos.
Por lo tanto, es necesario la implementación de nuevas tecnologías que faciliten el trabajo operativo y analítico eficientemente; como lo es la Inteligencia Artificial -de ahora en adelante identificada como IA-. Ella aporta de una manera ágil y efectiva la elaboración, interpretación y respuesta de los proyectos crediticios, garantizando el cumplimiento de las políticas y objetivos planteados por el banco.
Entendiendo los puntos expuestos, se plantea la siguiente incógnita:
¿Cómo por medio de una herramienta soportada por IA y sistemas cognitivos, podría aportar a la mejora en la efectividad operativa y analítica en el área de red de oficinas, del Banco de Bogotá?
5. Antecedentes del problema:
(Debido a la confidencialidad del banco, la información se limita únicamente al área de
práctica y los datos son estimaciones sin presentar cualquier tipo de información que relacione a una persona, cliente, empresa, trabajador u otro ente que el banco no acepte para la
elaboración de los indicadores, con el único fin de ser un proyecto educativo cumpliendo con las normas y políticas establecidas entre el estudiante y el banco.)
Como se puede observar (Anexo 3), se presenta la relación del número esperado de créditos por ejecutar y el número de créditos realizado en las últimas 16 semanas. La cantidad de
proyectos de créditos que no se pudieron realizar a tiempo contando con un decrecimiento en la productividad del -16% con 268 proyectos incompletos, el cual simboliza un atraso en la agenda del área y una disminución de la efectividad. Esto representa que en casos como lo son
operaciones específicas, en las cuales el cliente necesita el crédito al plazo que acordó con el gerente comercial, puedan generar inconvenientes por no tener respuesta de la solicitud como lo son: la pérdida de un descuento considerable en la compra de material esencial para el desarrollo de su actividad principal, pérdida de liquides, intereses adicionales, casos específicos como líneas Porvenir y Finagro, entre otras.
Por otro lado (Anexo 4), el área presenta en las últimas 16 semanas, 60 horas en corrección de errores, lo que es equivalente a 7.5 días laborales. Este es un dato de vital importancia debido a que, a través de este, podemos observar que durante el proceso de corrección de errores los mismos analistas causaron que los clientes se vieran afectados por negligencia. De este modo, el banco no está respondiendo en los tiempos debidos, no se cumplen los objetivos del área y esto se ve reflejado en la productividad de sus empleados.
Al analizar las tablas (Anexo 5 & 6) se demuestran la cantidad de quejas en los productos emitidos por el banco, los cuales se derivan en gran parte de los proyectos crediticios, el cobro de tasas y montos adicionales en los créditos que suceden por comas, puntos, letras o una mala redacción de la información del crédito. Este mismo caso también se puede evidenciar por parte del banco que, por cada falencia en los proyectos, aumenta el riesgo de una errónea toma de
decisión que puede causar que la entidad pierda recursos monetarios y/o clientes actuales donde los errores pueden terminar favoreciendo o desfavoreciendo los registros reales de un cliente.
Finalmente, se puede evidenciar que la incorporación de la IA en las entidades financieras es fundamental. Casos tales como Bank of America o J.P Morgan, han buscado aumentar la
productividad y economizar costos haciendo uso de esta nueva tecnología, según las
declaraciones de Catherine P. Bessant (Chief Operations and Technology Officer de Bank of America USA).
6. Justificación:
Como se puede observar en el marco teórico y los datos representados de
los (anexo 7 y 8), las estadísticas con relación al funcionamiento y trabajo habitual de las personas se está viendo ampliamente superados por las nuevas herramientas que la
tecnología está desarrollando. La cantidad de demanda de proyectos, junto al movimiento de las áreas del banco y el alto costo que representa mantener un analista en el banco, generan como una opción temporal el aumento de trabajadores, sin embargo, el costo no es rentable para la entidad; la disminución de la productividad es un hecho que está afectando los objetivos generales del banco. Lo anterior se puede ver reflejado en el estudio del VPN en el anexo 9.
Por este motivo, se plantea generar una herramienta que le permita al banco invertir mejor sus recursos, generando cambios en la manera en la cual el área funciona. Los datos presentados permiten estimar un crecimiento en la cantidad de proyectos realizados sobrepasando las
capacidades humanas con una disminución de costos desde el 51% con tan solo una muestra de 7
personas por un periodo de 5 años (Anexo 10) . Es por este motivo que la implementación de la herramienta propicia el buen uso, y la implementación de la IA generará para el estudio
en específico:
• Disminución de tiempos en la elaboración de los proyectos.
• Aumento de la cantidad de proyectos realizados.
• Eliminación de errores en la digitación de la información.
• Efectividad y estandarización del cumplimiento de las políticas y criterios del banco.
Adicionalmente, el uso de la IA cuenta con un valor agregado que se genera por
la implementación y uso de la herramienta. Al poder estar expuesto a la información general de los clientes y los sectores correspondientes de dichos clientes, se obtiene la
siguiente información:
§ Recolección de información y creación de patrones: funciona a través de
la creación e interpretación de patrones por sector, relacionando los diferentes flujos de caja y vencimiento de cartera, para lograr indicar y determinar los riesgos de cada sector evaluado, con el fin de aumentar, mantener o eliminar el préstamo de créditos a
sectores específicos en determinados tiempos; análisis de cartera por actividad económica.
Si estos factores no se logran mejorar, se generará un riesgo tanto para el área como para el banco; entendiendo que el área de crédito es una de las actividades más representativa. De esta manera se pueden entender algunas de las consecuencias que se están presentando o que podrían llegar a pasar si no se mejoran las falencias encontradas en el proceso:
1. La disminución en la calidad esperada del área -desde un llamado de atención, despidos, conflictos internos, entre otros factores- ya sea por parte del cliente hasta la vicepresidencia de crédito.
2. Un mal servicio con el cliente, debido a que no se está cumpliendo con los tiempos acordados, perjudicando la imagen del banco con sus clientes. Además, esto puede causar que se pierdan clientes potenciales y/o fijos.
3. Un conflicto con la misión del banco (6C las cuales son: El cliente, capacidad analítica y transformación digital, control de riesgo, control de gasto, colaboradores y sociedad y crecimiento sostenible), ya que el banco busca la diferenciación en el mercado a través de un servicio basado en las mejores experiencias para el cliente.
Estas son las razones por las que se propone el mejoramiento y solución a estos problemas, a través de la implementación de la IA como una herramienta que le permita agilizar, ser más efectivos y rentables.
7. Marco Teórico:
Para poder analizar y comprender cómo a través de la IA se puede mejorar el procesamiento y manejo de las solicitudes de crédito, es necesario citar algunas investigaciones que
brindan claridad durante el proceso del desarrollo de esta investigación.
Una de las grandes incógnitas dentro de la propuesta, es entender cómo se aplican los procesos de la IA, para lograr realizar labores que cuentan con una misma base, diferenciándose en las necesidades específicas o condiciones que puedan tener un cliente de otro, tanto en la solicitud de crédito, como en sus calificaciones financieras, historial crediticio, capacidad de pago, entre otros factores. Estas incógnitas se explican en el desarrollo de las investigaciones y pruebas científicas como es el caso de “Noguchi, T. Et al, (2018) A particular
Use of Expert System “AI-Q” focused on creating training data. Tailandia: IEEE” y
“Karakovskiy, S. Et al. (2012) The Mario AI benchmark and competitions IEEE Congress”. En ellas se observa el enfoque de la implementación de la Strong IA sobre la Weak AI puesta a prueba con la realización de tareas que ameritan habilidad, estrategia, razonamiento crítico, adaptación de distintas circunstancias e incluso trabajo en equipo para lograr el mejor desempeño posible en cada acción, mitigando la probabilidad de fracaso. Esto procesos pueden
realizarse con la creación de data, e interpretación y aprendizaje en la elaboración de las tareas, posible por la combinación de varios algoritmos, los cuales trabajan de la mano con una de las ramas principales de la IA el machine learning, estos observan las acciones realizadas por un usuario, en este caso, un ser humano jugando Mario Bross®, el sistema analiza el
comportamiento determinado para cada opción en una misión y a través de cálculos y
estadísticas predice los sucesos y acciones que les permitirán desempeñar la tarea de la mejor manera existente progresivamente. Las secuencias no sólo permitían poder determinar los errores por mejorar, sino que le daba la facultad a la AI de aprender de sus fallas.
Al entender esto, el sistema comprende qué acción puede y debe realizar en cada momento para obtener el máximo resultado existente. En este caso, el objetivo era lograr completar cada
nivel del juego con la máxima puntuación y tiempo posible. Como se puede observar, la IA es capaz de desempeñar opciones por sí sola, las cuales son más factibles que aquellas que el ser humano puede realizar en un menor tiempo y con una menor probabilidad de error. Para complementar, tenemos el paper “Kim, M-J. Et al (2018) Performance evaluation Gaps in a Real-time strategy game Between Humans and artificial intelligence players. IEEE Conferencia”
que compara el desempeño de jugadores calificados como amateurs, medio y buenos, los cuales jugarían una serie de partidas contra la IA. Para poder observar el desempeño de esta con
relación al tiempo, entre más partidas se jugaban, los personajes de IA cometían menos errores, logrando desarrollar habilidades individuales y colectivas comprendiendo la lógica del juego. Al final del juego, las mayores puntuaciones por eliminación de jugadores y sobrevivencia lo tenía la IA. Este punto cuenta con una relevancia muy significativa para el proyecto, por lo que demuestra que incluso, si la IA parte con desventaja y sin entendimiento de los hechos y misiones, se puede adaptar más rápido que una persona, logrando superar aquellos que ya estaban familiarizados con la elaboración de acciones específicas y complejas, estandarizando la información a todo su sistema. Se debe resaltar que este estudio perduró 5 años y demostró un desempeño superior por parte de la IA de un 87% de ventaja comparado con los
participantes humanos.
Conociendo que, en cualquier empresa, entidad o lugar, se pueden presentar condiciones especiales que dificulten y generen una mayor complejidad sobre tareas específicas, es oportuno que el ente se pregunte ¿qué se podría hacer en determinado caso? ¿Cómo se podría garantizar el éxito de la herramienta en estas circunstancias? Dichas preguntas son tratadas en los papers:
“Jones, B.T (2018) Human – AI Interaction in Symbolic Problem-solving machine
learning. IEEE Conferencia” y “Chopade, P. Et al. (2018). Machine Learning For Efficient Assessment and Prediction of Human Performance in Collaborative Learning Environments.
Estados Unidos: IEEE”. El constante uso y manejo de la IA permite complementar un sistema llamado machine learning, el cual es el motor principal para lograr realizar y entender las acciones a ejecutar.
El manejo de la información es un factor fundamental para el banco, así como el de los datos, montos e incluso las consultas en cualquier base de datos de riesgo financiero. Estos son temas extremadamente delicados, por tal motivo, el uso y manejo de la herramienta IA se ve en la completa necesidad de mostrar una inquebrantable transparencia y protección de toda la
información que sea registrada por parte del banco, hasta el más mínimo detalle. Por tal motivo, se presentan los papers “Saji’c, M. Et al. (2017). Digital Technologies in the transformation of classical retail bank into digital bank. IEEE conferencia” y “Feng, C. Et al. (2017). A user- centric machine learning framework for cyber security operations center: IEEE
conferencia”. Estos explican que existen varios indicadores y algoritmos, junto a tecnologías similares a Blockchains y medidas de seguridad usadas por entidades gubernamentales en países como Estados Unidos, Japón y China, para el aseguramiento de la información, que quedará en los accesos establecidos por la entidad que posee los derechos de los sistemas. A través de esto, se puede asegurar y brindar certeza -tanto al banco como a sus clientes-, que la confiabilidad y la información permanecerán intactas.
En “Chopade, P. Et al. (2018). Machine Learning for Efficient Assessment and Prediction of Human Performance in Collaborative Learning Environments. Estados Unidos: IEEE”
y “Radford, A. Et al (2019). Language Models Are Unsupervised Multitask Learners. Estados Unidos” se puede comprender como la IA entiende, interpreta y predice los acontecimientos que sucederán a través del uso constante de este con el usuario; se pone a prueba la IA
incorporándola en situaciones reales que requieren de distintas habilidades para completar objetivos. El sistema logra identificar las acciones que la persona realiza y establece
probabilidades de éxito con varias alternativas que se podrían realizar según la experiencia de patrones antiguos con sus probabilidades. La IA es capaz de analizar y entender las
consecuencias de las acciones que se desarrollan.
Este punto favorece la implementación de la IA en el área, por las bondades del sistema.
Podrá recolectar las acciones de los mejores analistas, mitigar la probabilidad de error y predecir eventos que podría causar el cambio o modificación que se le plantea realizar a un crédito. En el estudio realizado en Machine Learning for Efficient Assessment and Prediction of Human Performance in Collaborative Learning Environments, el resultado de velocidad de la IA en comparación con el ser humano fue de 70% la velocidad de acción de una tarea, y un acierto del 92% en la detección de errores. Estos procesos se mantienen en investigaciones, y a la espera que en unos años los porcentajes logren aumentar. Actualmente, estas tecnologías se encuentran en uso y estudio en entidades como Google®, CNN®, Tesla®, entre otros. Así mismo a todos los temas mencionados que ayudan a comprender el funcionamiento y la capacidad que puede tener la herramienta, la adaptación de los documentos y proyectos que el banco posee se trabajarán de la siguiente manera.
Las funciones principales a destacar en este trabajo en cuanto a machine learning se refiere, son: La interpretación y el traslado de la información en acciones, como la digitalización de PDF, entre otros. “Sevik, A. Et al. (2018) Font and Turkish Letter Recognition in Images with Deep Learning. IEEE Conferencia” muestra como la información es escaneada desde cualquier formato digital, la misma puede ser leída e interpretada, sin importar el idioma o los modismos que esta posea. A través de este sistema, las solicitudes de créditos, los movimientos financieros, las conductas de pagos, los proyectos anteriores y otros factores, pueden ser analizados e
interpretados, por tal motivo, el mismo sistema puede interiorizar, relacionar y crear un proyecto, con la mayor cantidad de variables posibles de información y en el menor tiempo, con un mayor alcance.
Actualmente, desde el sector financiero se pueden observar las tendencias que lideran el mercado. En una publicación realizada por la revista Forbes titulada “How Artificial Intelligence Is Helping Financial Institutions” y la investigación realizada por Brian Riley que lleva como nombre “The 18 Top Use Cases of Artificial Intelligence in Banks” hablan acerca del desarrollo de la IA en los bancos de JP Morgan Chase, Wells Fargo y otros, y del mismo modo, en el constante cambio de la tecnología para el mejoramiento del servicio al cliente; se espera que para el año 2030, las instituciones financieras -a través de la IA- obtendrán un ahorro de 1 trillón de dólares y así tendrán la oportunidad de revolucionar la manera en la cual los procesos internos funcionan.
Para concluir, se puede observar el impacto que la tecnología enfocada en la IA presenta en el ambiente laboral, en los artículos “Broman, M. Et al (2017). Human Robotics &
AI interaction: human society. IEEE Conferencia” y en el ya mencionado Chopade, P. Et al.
(2018). Machine Learning for Efficient Assessment and Prediction of Human Performance in Collaborative Learning Environments.Estados Unidos: IEEE” se explica que el
funcionamiento de la tecnología actual de IA es un proceso que requiere un nivel de entendimiento de las plataformas; desde los procesos más básico, como la asociación e interpretación de contenido de un usuario para el posicionamiento de artículos o productos relacionados, como es el caso de las redes sociales tales como Facebook®, Instagram®
o YouTube®, hasta la colaboración y ejecución de tareas entre la IA y un ser humano -como lo es el caso de procesos tecnológicos y relación de algoritmos en Oracle®, Microsoft® y Google®. Entendiendo esto, se puede observar que el uso de la herramienta puede complementar e incluso sustituir de una manera estandarizada, efectiva y productiva las acciones y funciones
desempeñadas de un analista o funcionario del área de créditos de un banco.
A través del avance en la tecnología y las capacidades que posee la inteligencia artificial, los procesos internos del banco se verán beneficiados por dicha herramienta. la implementación de la misma cuenta con las capacidades de interactuar con actividades relacionadas al trabajo de los analistas para así mejorar el sistema operativo del banco, estas funciones se representan en el mejoramiento de los sistemas de reconocimientos de fraude y lavado de activos, a través del análisis de la información obtenida por medio de la IA y los sistemas cognitivos de visión y lenguaje, los cuales obtendrán la información por medio de la entregada del área comercial y las bases de datos del banco y entidades gubernamentales colombianas.
La IA a través de los sistemas cognitivos, tendrá la capacidad de ordenar y entender el movimiento actual de los mercados específicos que soliciten créditos al banco, comparando sus estados financieros para obtener un reconocimiento actual del flujo de caja de las empresas, sus capacidades de pagos y controles de mora en créditos con el sistema financiero colombiano, con la intención de poder otorgar un estudio general de los sectores financieros, los cuales podrán ayudar a encontrar grandes crecimientos espontáneos de sectores por circunstancias especificas, como el control de crédito otorgado en sectores que presentan crisis actuales.
8. Marco conceptual:
En este proyecto se observan varios artículos e información relevante para el desarrollo de la investigación dentro de los cuales podemos resaltar las definiciones de algunos conceptos:
• Inteligencia Artificial (IA): Disciplina científica, la cual su objetivo, es poder realizar acciones comparables a las que la mente humana puede hacer, como lo es el aprendizaje y el razonamiento lógico (RAE – ASALE, s.f.)
• Machine Learning (ML): Capacidad que tienen los sistemas para poder mejorar sus rendimientos, utilizando modelos estadísticos para generar resultados y poder tomar la mejor decisión a través de la prueba y error. (Merriam Webster, s.f)
• Sistemas Cognitivos: Algoritmos, que permiten la interpretación de funciones tanto visuales, textos, imágenes, búsqueda e interpretación de la información, voz, entre otras, que facilitan las tareas y permiten que la IA pueda aprender e interpretar cualquier información sin importar la complejidad de esta. (Lopez, 2016)
• 5 Fuerzas Competitivas de Porter: que le dan forma a la estrategia, podemos comprender los factores que están relacionados en el mercado y el impacto que le
genera a la empresa, al visualizar esto, podemos comprender el estado en el cual se encuentra la empresa con relación a los 5 factores y así poder ver sus debilidades y fortalezas, para posteriormente, plantear la mejor estrategia. (Porter, M. E., 2008)
• Blockchains: Base de datos digital con información que permite la creación de bases de datos (Merriam Webster, s.f)
• Programación: es el proceso de preparación de un programa de instrucción para un dispositivo (Merriam Webster, s.f)
• Algoritmo: procedimiento para resolver un problema lógico y matemático (Merriam Webster, s.f)
• Weak AI: Se caracteriza por reaccionar a la interacción de una acción especifica solicitada, con el objetivo de lograr la ejecución de comandos y funciones ya predeterminadas del sistema. (Demazeau, Y et al., s.f)
• Strong AI: Interacción entre distintas acciones que no pueden ser descritas y realizadas por un único patrón, esté se caracteriza por contar con la incorporación del análisis e interpretación de las acciones, para la toma de decisión por parte de la AI, el cual determinara cuales son los patrones más relevantes para tener en cuenta en la toma de decisión. (Demazeau, Y et al., s.f)
Propuesta: A través de la propuesta de una solución apalancada de la IA, se busca mejorar la efectividad operativa y analítica en el área de red de oficinas del banco, aumentando su productividad y tiempos de respuesta hasta un 70%.
9. Objetivos y metas:
1. Objetivo general:
Evaluar una herramienta apoyada en la Inteligencia Artificial que gestione eficientemente el trabajo operativo y analítico para el mejoramiento en la elaboración, interpretación y respuesta de los proyectos crediticios en la Red de Oficinas de la Vicepresidencia de Crédito del Banco de Bogotá.
2. Objetivos específicos:
1. Indagar las funciones y procesos que se llevan a cabo dentro de los proyectos crediticios en el Banco de Bogotá.
2. Investigar la dinámica de la IA y los sistemas cognitivos implementados en otras organizaciones del sector financiero.
3. Analizar los indicadores de efectividad y productividad de los mejores analistas de crédito del banco comparado al tiempo que tomaría realizar la misma actividad con una herramienta digital.
4. Realizar una valoración financiera sobre la implementación de la propuesta en el Banco de Bogotá durante los próximos 5 años.
10. Metodología:
Se lleva a cabo una investigación para analizar los resultados que causaría la implementación de la IA en el área de red de oficinas, para el Banco de Bogotá. Esta investigación se ejecutará de la siguiente manera:
1. Analizar el área en la cual se realiza la práctica, para poder determinar cuáles son las oportunidades de mejora que puede tener.
2. Entender el funcionamiento actual del banco y de las entidades financieras en el país, con el fin de comprender el posicionamiento actual del banco con relación al sector a través de un análisis de las 5 fuerzas de Porter.
3. Elaboración de una propuesta para solucionar los síntomas y causas del problema en el banco.
4. Recolección de información significativa permitida por el banco. Con el propósito de entender y clasificar las funciones de que se llevan a cabo dentro de los proyectos crediticios por los analistas. Para posteriormente, analizar los factores relevantes en la elaboración de los proyectos.
Elaboración propia
Entregar el proyecto Transcribir la
información Organizar la
información Convalidar la
información Analizar la información
Elab
5. Interpretar la información para determinar los factores más relevantes del área para el banco en el desarrollo de las competencias actuales del Banco de Bogotá en el mercado.
Elaboración propia
6. Calcular los costos y porcentajes de efectividad emitidos por el área en términos de producción laboral objetiva, cumplimiento de tiempos establecidos individuales y grupales.
7. Diseñar una propuesta con la implementación de una o varias herramientas para el cumplimiento y mejoramiento de los inconvenientes en general que conlleven al mejoramiento del área en el banco.
8. Investigación de las ventajas a través de los distintos proveedores para la propuesta de una solución digital que funcione con Inteligencia Artificial (IA)
9. Comparar entre las capacidades del área y la herramienta para poder determinar la factibilidad económica y operativa de este.
10. Creación de una propuesta que muestre las capacidades y costos de la solución digital con los efectos que podría generar en el área de trabajo.
11. Cronogramas de la actividad:
Efectividad del área Tiempo de
respuesta Elaboración
de créditos
12. Desarrollo de las actividades:
El desarrollo de las actividades se realizó según el cronograma de actividades, a
continuación, se explicará detalladamente los procesos y resultados demostrados por el estudio:
1. Al tener la autorización del banco, la primera actividad realizada fue delimitar el área de estudio a la vicepresidencia de crédito.
2. Haciendo uso de la metodología de las 5 Fuerzas de Porter, se analizó el entorno macro y micro de la entidad bancaria, creando así una propuesta de mejora en las debilidades que presentaba el área en términos de eficiencia.
3. Se llevó a cabo la recolección de la información del área de trabajo y los diferentes entes que se usarían como proveedores de los parámetros a evaluar. Por otro lado, la
información sobre costos e implementación de sistemas para la herramienta fue realizada mediante video conferencias, llamadas y correos con entidades tales como Microsoft, Oracle, Datarobot, Cognitivescale y Alphasense.
4. Posteriormente la información recolectada se analizó con el objetivo de encontrar información relevante sobre efectividad, beneficios y costos.
5. El cálculo de costos y porcentaje de efectividad están representados por los anexos 7, 8, 10 los cuales nos muestran la siguiente información:
§ En el gráfico (Anexo 7 ) se explica la capacidad con la que cuenta el servicio cognitivo de lenguaje para poder interpretar oraciones, emociones, palabras claves, idiomas reconocimiento de personas, lugares y relacionarlo por minuto en los diferentes servicios de proveedores. Además, se muestra la relación y cantidad necesaria de funciones a realizar para la elaboración de cierto número de proyectos requeridos mensuales; alrededor de 150 proyectos.
§ En el gráfico (Anexo 8) se puede observar las capacidades que cuenta el servicio cognitivo de visión, el cual puede describir, reconocer texto, leer y transcribir, se muestra el precio promedio que, por solicitud, se solicitan alrededor de 200 de las mismas.
§ Por último, en el (Anexo 10) se explica cuáles son los factores que necesita la herramienta para que pueda funcionar dentro las instalaciones del banco y los respectivos costos de instalación.
§ Por último, el funcionamiento de la herramienta contará con las funciones de reclasificación, modificación y memorandos y proyectos. Además, contaran con los objetivos de agilizar y mejorar la efectividad del área a través de la realización de las funciones actuales del área. Esto se realizará a través de los siguientes procesos:
Recolección informaciónde
Reclasificaciones
Toma de decisión
Transcripción y envío de la información
Conocimiento Sistemas
cognitivos de texto y lectura Sistemas cognitivos
de lenguaje
Recolección información de indicaciones e
Modificación y memorandun
Toma de decisión
Transcripción, modificación y envío de la información
Conocimiento Sistemas
cognitivos de texto y lectura Sistemas cognitivos
de lenguaje
Elaboración propia
6. Finalmente, se presenta un diseño que muestra cómo se podría ver la herramienta y cuáles serían las opciones principales para el funcionamiento y uso diario por parte del área de crédito. (A partir del anexo número 11 hasta 18)
13. Conclusiones:
Como se ha podido describir, desde que el Banco de Bogotá alcanzó a centralizar la
vicepresidencia de crédito en una sola unidad en la ciudad de Bogotá en el 2019, la efectividad del área se ha visto afectada considerablemente, entre otras cosas: los tiempos de respuesta de los proyectos de créditos aumentaron cuantiosamente, así también, el cumplimiento de las metas por analista, -evidenciado en el plan de trabajo del registro diario aplicado durante 16 semanas- donde se constató el porcentaje de no cumplimiento en – 18.7% en créditos sencillos y – 10.6%
en créditos complejos promedio por trabajador, esto ha generado como consecuencia un ambiente laboral tenso.
Recolección informaciónde
Proyectos
Toma de decisión
Transcripción, y envío de la información
Conocimiento Sistemas
cognitivos de texto y lectura Sistemas cognitivos
de lenguaje
Buscando alternativas que permitan de manera ágil y efectiva la elaboración, interpretación y respuestas de los proyectos crediticios, y garanticen el cumplimiento y lineamiento de los
objetivos del banco, la implementación de la IA sería la propuesta para alcanzar el trabajo operativo y analítico de una manera eficiente. Para ello inicialmente se indagó la información correspondiente a las actividades desempeñadas por un analista de crédito; reclasificación de cifras, análisis de memorandos y realización de proyectos crediticios. De esta manera, utilizando la informacion directamente de las interfaces del banco, se logra agilizar y simplificar la
transcripción e interpretación de la información aumentando el volumen de tarear realizadas.
Así también, se estudiaron varios casos de éxito, observando el beneficio y potencial de la implementacion de la IA para el área de credito. Se toma de ejemplo entidades tales como Bank of America, J.P. Morgan y bases cientificas como el estudio de MarioIO, concluyendo que las tendencias y las apuestas del mercado, se dirigen a la implementación de herramientas
disrruptivas en el mercado.
Finalmente, se analizaron los índices de efectividad con base al trabajo de un analista sobresaliente, el cual alcanzó el 94,8% de efectividad en proyectos sencillos y el 96.9% de efectividad en la elaboración de proyectos complejos. Este resultado comparado con el tiempo de respuesta por parte la IA, que en teoría puede alcanzar la elaboración de 100 acciones por
segundo y 1000 acciones por minuto. Por tanto se calcula un tiempo máximo de realización de proyectos complejos de 60 minutos, lo que sería equivalente a 8 proyectos complejos diarios por puesto de trabajo. De esta manera, se lograría alcanzar un rango de efectividad de 533,3% por analista (Ver Anexo 19).
14. Recomendaciones:
• Se recomienda realizar una prueba piloto de la IA a través de sistemas cognitivos que traerán como resultado el mejoramiento de los procesos, tiempos y elaboración de las solicitudes de créditos en la vicepresidencia de crédito del Banco de Bogotá, esto con base a los antecedentes obtenidos en los planes estratégicos de Bank of America y J.P.
Morgan, pioneros en nuevas tecnologías en el mediano y largo plazo.
• Teniendo en cuenta los acontecimientos actuales, se recomienda profundizar en los beneficios que puede otorgar la reciente alianza de las empresas líderes en el mercado proveedor de servicios cognitivos e IA Oracle® y Microsoft®, debido a las funciones de seguridad por las interfaces, accesos aplicativos y costos de implementación.
15. Referencias bibliográficas:
Asobancaria, (2018, junio). Informe de Tipificación. La Banca Colombiana en 2018. Recuperado 18 junio, 2019, de https://www.asobancaria.com/wp-
content/uploads/Informe-tipificacion-2018-(D).pdf
Noguchi, T., Hashizume, Y., Gauthier, L., & Ishikawa, Y. (2018, 1 mayo). A practical use of expert system "AI-Q" focused on creating training data - IEEE Conference
Publication. Recuperado 12 marzo, 2019,
de https://ieeexplore.ieee.org/document/8391169/authors
Karakovskiy, S., & Togelius, J. (2012, 1 marzo). The Mario AI Benchmark and Competitions - IEEE Journals & Magazine. Recuperado 10 marzo, 2019,
de https://ieeexplore.ieee.org/document/6156425+
Broman, M. M., & Finckenberg-Broman, P. (2017, 1 agosto). Human-
Robotics&AI interaction: The Robotics/AI legal entity (RAiLE©) - IEEE Conference
Publication. Recuperado 10 marzo, 2019, de https://ieeexplore.ieee.org/document/8318980+
Kim, M. J., Kim, K. J., Kim, S., Dey, A. K. (2018, 31 enero). Performance Evaluation Gaps in a Real-Time Strategy Game Between Human and Artificial Intelligence Players - IEEE Journals & Magazine. Recuperado 10 marzo, 2019, de
https://ieeexplore.ieee.org/document/8276283+
Jones, B. T. (2018, 1 octubre). Human-AI Interaction in Symbolic Problem Solving - IEEE Conference Publication. Recuperado 10 marzo, 2019, de
https://ieeexplore.ieee.org/abstract/document/8506542+
Saji´c, M., Bundalo, D., Bundalo, Z., & Pasali´c, D. (2017, 1 noviembre). Digital
technologies in transformation of classical retail bank into digital bank - IEEE Conference Publication. Recuperado 10 marzo, 2019, de https://ieeexplore.ieee.org/document/8249404+
Feng, C., Wu, S., & Liu, N. (2017, 1 julio). A user-centric machine learning framework for cyber security operations center - IEEE Conference Publication. Recuperado 10 marzo, 2019, de https://ieeexplore.ieee.org/document/8004902+
Lee, J., Kao, H. A., & Yang, S. (2014). Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment. Recuperado 10 marzo, 2019,
de https://www.sciencedirect.com/science/article/pii/S2212827114000857
Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (s.f.). Language Models Are Unsupervised Multitask Learners. Recuperado 10 marzo, 2019,
de https://d4mucfpksywv.cloudfront.net/better-language-
models/language_models_are_unsupervised_multitask_learners.pdf
Sevik, A., Erdogmus, P., & Yalein, E. (2018, 1 diciembre). Font and Turkish Letter
Recognition in Images with Deep Learning - IEEE Conference Publication. Recuperado 12 marzo, 2019, de https://ieeexplore.ieee.org/abstract/document/8625333+
RAE - ASALE. (s.f.). inteligencia. Recuperado 12 marzo, 2019, de https://dle.rae.es/?id=LqtyoaQ+
Merriam Webster (s.f.) Machine Learning. Recuperado 12 marzo, 2019,
de https://www.merriam-webster.com/words-at-play/what-does-machine-learning-mean Demazeau, Y., Müller, J.- P. (s.f.) Decentralized A.I. Recuperado 12 marzo, 2019, de https://books.google.es/books?hl=es&lr=&id=gTTm29iu9ogC&oi=fnd&pg=PA3&dq=weak +artificial+intelligence&ots=7gilfVAikz&sig=oHUEOwWfIMRaAI_uCFTbNAUrvcA#v=tw opage&q&f=false
Lopez, D. (2016, 23 noviembre). Los sistemas cognitivos y su importancia en el mundo de hoy. Recuperado 21 mayo, 2019, de https://www.javerianacali.edu.co/noticias/los-sistemas- cognitivos-y-su-importancia-en-el-mundo-de-hoy
Chopade, P., Khan, S., Edwards, D., & Von Davier, A. (2018a, 1 octubre). Machine Learning for Efficient Assessment and Prediction of Human Performance in Collaborative Learning Environments - IEEE Conference Publication. Recuperado 21 mayo, 2019,
de https://ieeexplore.ieee.org/document/8574203
Kyung-Joong, K., Seungjun, K., & Dey, A. K. (2018, 31 enero). Performance Evaluation Gaps in a Real-Time Strategy Game Between Human and Artificial Intelligence Players - IEEE Journals & Magazine. Recuperado 21 mayo, 2019,
de https://ieeexplore.ieee.org/document/8276283/citations
Karakovskiy, S., & Togelius, J. (2012, 22 febrero). The Mario AI Benchmark and Competitions - IEEE Journals & Magazine. Recuperado 21 mayo, 2019,
de https://ieeexplore.ieee.org/document/6156425/citations
Noguchi, T., Hashizume, Y., Moriyama, H., Gauthier, L., Ishikawa, Y. O. H. E. I., Matsuno, T., & Suganuma, A. (2018, 17 mayo). A practical use of expert system "AI-Q" focused on creating training data - IEEE Conference Publication. Recuperado 21 mayo, 2019,
de https://ieeexplore.ieee.org/document/8391169
Bank of America (2018, 11 diciembre). The Human Side of Artificial Intelligence.
Recuperado 19 junio, 2019, de https://about.bankofamerica.com/en-us/what-guides- us/human-side-of-artificial-intelligence.html#fbid=qT168-4hjoY
J.P. Morgan (s.f.). Artificial Intelligence. Recuperado 19 junio, 2019, de https://www.jpmorgan.com/global/technology/artificial-intelligence
Superintendencia Financiera de Colombia. (s.f.). Indicadores Económicos. Recuperado 10 marzo, 2019, de https://www.superfinanciera.gov.co/jsp/index.jsf
Banco de Bogotá.
Maskey, S. (2018, 5 diciembre). How Artificial Inteligence Is Helping Financial Institutions.
Recuperado 6 julio, 2019, de
https://www.forbes.com/sites/forbestechcouncil/2018/12/05/how-artificial-intelligence-is- helping-financial-institutions/#523895af460a
Riley, B. (2018, 8 noviembre). The 18 Top Use Cases of Artificial Intelligence in Banks.
Recuperado 6 julio, 2019, de https://www.fintechnews.org/the-18-top-use-cases-of-artificial- intelligence-in-banks/
Porter, M. E. (2008). Las cinco fuerzas competitivas que le dan forma a la estrategia (2ª ed.).
Recuperado de https://utecno.files.wordpress.com/2014/05/las_5_fuerzas_competitivas- _michael_porter-libre.pdf
16. Certificado de la empresa:
17. Anexos:
1. Anexo 1
2. Anexo 2
3. Anexo 3
4. Anexo 4
5. Anexo 5
Analistas Proyectos sencillos Proyectos complejos Proyectos sencillos Proyectos complejos
1 160 80 128 69 240 197 43
2 144 112 108 95 256 203 53
3 139 48 125 40 187 165 22
4 96 192 91 186 288 277 11
5 192 32 134 22 224 156 68
6 176 80 158 69 256 227 29
7 128 80 89 77 208 166 42
TOTAL DE PROYECTOS 1,035 624 833 558 268
-16%
TOTAL DE PROYECTOS INCOMPLETOS POR EL AREA.
PORCENTAJE DE EFICIENCIA DEL AREA CUADRO DE EVALUACIÓN DEL ÁREA DE RED DE OFICINA, BANCO DE BOGOTÁ (LUNES 7 DE ENERO - VIERNES 3 DE MAYO) - 16 SEMANAS
PROYECTOS DE CREDITO
# PROYECTOS ASIGNADOS POR SEMANA # PROYECTOS REALIZADOS POR SEMANA TOTAL DE PROYECTOS A REALIZAR POR ANALISTA A LA SEMANA
TOTAL DE PROYECTOS TERMINADOS POR EL ANALISTA
TOTAL DE PROYECTOS RETRASADOS
analistas PROYECTOS SENCILLOS PROYECTOS COMPLEJOS PROYECTOS SENCILLOS PROYECTOS COMPLEJOS
1 160 80 128 17 145 580 9
2 144 112 115 25 140 560 9
3 139 48 111 12 123 492 8
4 96 192 76 38 114 456 7
5 192 32 153 6 159 636 10
6 176 80 140 17 157 628 10
7 128 80 102 15 117 468 7
TOTAL DE PROYECTOS 1,035 624 825 130 60 7.5 TOTAL DE HORAS EN LAS 16 SEMANAS EN CORRECIÓN DE ERRORES
TOTAL DE DÍAS LABORALES EN LAS 16 SEMAMANAS EN CORRECIÓN DE ERRORES CUADRO DE EVALUACIÓN DEL ÁREA DE RED DE OFICINA, BANCO DE BOGOTÁ (LUNES 7 DE ENERO - VIERNES 3 DE MAYO) - 16 SEMANAS
ERRORES EN PROYECTOS
# PROYECTOS REALIZADOS POR SEMANA # ERRORES POR PROYECTO TOTAL DE ERRORES POR PARTE DEL ANALISTA TIEMPO PROMEDIO EN
MODIFICACIÓN DE ERRORES
TIEMPO EN HORAS A LA SEMANA
6. Anexo 6
7. Anexo 7
8. Anexo 8
9. Anexo 9
10. Anexo 10
ENTIDAD COSTO USD POR 100 SOLICITUDES NUMERO DE UNIDADES EN FUNCINAMIENTO SOLICITUDES PARA ELABORACIÓN DE CREDITO PROYECTOS MENSUALES TRM COSTO MENSUAL COP
MICROSOFT $ 0.3 COP 2,016,000
ORACLE $ 0.4 COP 2,688,000
DATAROBOT $ 0.5 COP 3,360,000
COGNITIVESCALE $ 0.8 COP 5,376,000
ALPHASENSE $ 0.2 COP 1,344,000
LENGUAJE
150
ANÁLISIS DE TEXTO ESTÁNDAR, HASTA 100 SOLICITUDES POR SEGUNDO Y 1.000 SOLICITUDES POR MINUTO: ANÁLISIS DE SENTIMIENTO -EXTRACCIÓN DE FRASES CLAVE - DETECCIÓN DE IDIOMA - RECONOCIMIENTO DE ENTIDADES CON NOMBRE
3200
7 200
ENTIDAD COSTO USD POR 100 SOLICITUDES NUMERO DE UNIDADES EN FUNCINAMIENTO SOLICITUDES PARA ELABORACIÓN DE CREDITO PROYECTOS MENSUALES TRM COSTO MENSUAL COP
MICROSOFT $ 0.7 COP 4,704,000
ORACLE $ 0.6 COP 4,032,000
DATAROBOT $ 1.0 COP 6,720,000
COGNITIVESCALE $ 1.0 COP 6,720,000
ALPHASENSE $ 0.8 COP 5,376,000
VISION
DESCRIBIR, RECONOCER TEXTO, LECTURA Y TRANCIPCIÓN.
7 200 150 3200
AÑO 0 AÑO 1 AÑO 2 AÑO 3 AÑO 4 AÑO 5
562,240,000
-COP COP 277,808,400 COP 290,255,602 COP 303,114,806 COP 316,399,651 COP 330,124,223
10% VPN
TIR
AÑO 0 AÑO 1 AÑO 2 AÑO 3 AÑO 4 AÑO 5
778,560,000
-COP COP 237,488,400 COP 249,935,602 COP 262,794,806 COP 276,079,651 COP 289,804,223
10% VPN
TIR
AÑO 0 AÑO 1 AÑO 2 AÑO 3 AÑO 4 AÑO 5
364,000,000
COP -COP 12,048,400 -COP 24,495,602 -COP 37,354,806 -COP 50,639,651 -COP 64,364,223
3.31% VPN
TIR
20%
INVERSIÓN INICIAL FLUJOS DE CAJA
DATAROBOT
TASA DE DESCUENTO COP 209,850,260 COSTO ANUAL EN
ACTUALIZACIONES COP. 98.240.000
COSTO ANUAL EN ACTUALIZACIONES COP. 138.560.000
ORACLE
TASA DE DESCUENTO COP 579,014,782 44%
INVERSIÓN INICIAL FLUJOS DE CAJA
-16%
COSTO DE MANTENER A
LOS 7 ANALISTA. FLUJOS DE CAJA
ANALISTAS
IPC COP 196,360,214 7 ANALISTAS CON
CRECIMIENTO DE INFLACIÓN.
11. Anexo 11
12. Anexo 12
ORACLE DATAROBOT ANALISTAS
1 COP 562,240,000 COP 778,560,000 COP 364,000,000
2 COP 98,240,000 COP 138,560,000 COP 376,048,400
3 COP 98,240,000 COP 138,560,000 COP 388,495,602
4 COP 98,240,000 COP 138,560,000 COP 401,354,806
5 COP 98,240,000 COP 138,560,000 COP 414,639,651
COSTO TOTAL COP 955,200,000 COP 1,332,800,000 COP 1,944,538,459
COSTO DE LOS 7 ANALISTAS - ANUAL (CON CESANTIAS ) COSTO DE LA IMPLEMENTACIÓN DE LA OPCION
MÁS ECONOMICA
COSTO DE LA IMPLEMENTACIÓN DE LA OPCION MÁS CARA
VIDA UTIL DE LA INVERSIÓN - 5 AÑOS AÑOS
DIFERENCIA DE COSTOS CON RELACIÓN A LOS
ANALISTAS
-51% -31% 0%
13. Anexo 13
14. Anexo 14
15. Anexo 15
16. Anexo 16
17. Anexo 17
18. Anexo 18
19. Anexo 19
ORACLE
CPU TIEMPO DE ELABORACIÓN POR PROYECTO (MIN) CANTIDAD DIARIA CAPACIDAD MÁXIMA POR ANALISTA DIFERENCIA
1 60 8 1.5 533.3%
PROYECTOS COMPLEJOS
