proyecto lÍder institución de la práctica: banco de bogotá
TRANSCRIPT
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 de
información
Reclasificaciones
Toma de decisión
Transcripción y envío de la
información
ConocimientoSistemas
cognitivos de texto y lectura
Sistemas cognitivos de lenguaje
Recolección de
información e
indicaciones
Modificación y memorandun
Toma de decisión
Transcripción, modificación y
envío de la información
ConocimientoSistemas
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 de
información
Proyectos
Toma de decisión
Transcripción, y envío de la
información
ConocimientoSistemas
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 69 240 197 432 144 112 108 95 256 203 533 139 48 125 40 187 165 224 96 192 91 186 288 277 115 192 32 134 22 224 156 686 176 80 158 69 256 227 297 128 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 SEMANASPROYECTOS 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 COMPLEJOS1 160 80 128 17 145 580 92 144 112 115 25 140 560 93 139 48 111 12 123 492 84 96 192 76 38 114 456 75 192 32 153 6 159 636 106 176 80 140 17 157 628 107 128 80 102 15 117 468 7
TOTAL DE PROYECTOS 1,035 624 825 130 607.5
TOTAL DE HORAS EN LAS 16 SEMANAS EN CORRECIÓN DE ERRORESTOTAL 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 SEMANASERRORES 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 2,016,000ORACLE 0.4$ COP 2,688,000DATAROBOT 0.5$ COP 3,360,000COGNITIVESCALE 0.8$ COP 5,376,000ALPHASENSE 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
32007 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 4,704,000ORACLE 0.6$ COP 4,032,000DATAROBOT 1.0$ COP 6,720,000COGNITIVESCALE 1.0$ COP 6,720,000ALPHASENSE 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 5562,240,000-COP 277,808,400COP 290,255,602COP 303,114,806COP 316,399,651COP 330,124,223COP
10% VPN TIR
AÑO 0 AÑO 1 AÑO 2 AÑO 3 AÑO 4 AÑO 5778,560,000-COP 237,488,400COP 249,935,602COP 262,794,806COP 276,079,651COP 289,804,223COP
10% VPN TIR
AÑO 0 AÑO 1 AÑO 2 AÑO 3 AÑO 4 AÑO 5364,000,000COP 12,048,400-COP 24,495,602-COP 37,354,806-COP 50,639,651-COP 64,364,223-COP
3.31% VPN TIR
20%
INVERSIÓN INICIAL FLUJOS DE CAJA
DATAROBOTTASA DE DESCUENTO 209,850,260COP
COSTO ANUAL EN ACTUALIZACIONESCOP. 98.240.000
COSTO ANUAL EN ACTUALIZACIONESCOP. 138.560.000
ORACLE TASA DE DESCUENTO 579,014,782COP
44%
INVERSIÓN INICIAL FLUJOS DE CAJA
-16%
COSTO DE MANTENER A LOS 7 ANALISTA.
FLUJOS DE CAJA
ANALISTAS IPC 196,360,214COP
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 364,000,0002 COP 98,240,000 COP 138,560,000 COP 376,048,4003 COP 98,240,000 COP 138,560,000 COP 388,495,6024 COP 98,240,000 COP 138,560,000 COP 401,354,8065 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