Identificación predictiva de fallos POS A través del uso de algoritmos de aprendizaje automático
El proyecto tuvo la finalidad de aplicar algoritmos de Aprendizaje Automático para lograr la identificación predictiva de fallas en los POS (Puntos de venta o Point of sale por sus siglas en inglés) de la red de Credibanco, lo que permitió a la entidad mantener su red activa (core del negocio) y ori...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2020 |
| País: | Colombia |
| Recursos: | Universidad de Bogotá Jorge Tadeo Lozano |
| Repositorio: | Expeditio: repositorio UTadeo |
| Idioma: | español |
| OAI Identifier: | oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/10167 |
| Acesso em linha: | http://hdl.handle.net/20.500.12010/10167 http://expeditio.utadeo.edu.co |
| Access Level: | acceso abierto |
| Palavra-chave: | Algoritmo Aprendizaje automático Prendizaje supervisado Arquitectura flexible Algoritmos computacionales Almacenamiento de datos Minería de datos Algorithm Supervised learning |
| Resumo: | El proyecto tuvo la finalidad de aplicar algoritmos de Aprendizaje Automático para lograr la identificación predictiva de fallas en los POS (Puntos de venta o Point of sale por sus siglas en inglés) de la red de Credibanco, lo que permitió a la entidad mantener su red activa (core del negocio) y orientar positivamente su modelo operativo para beneficiarse con la mejora los índices de experiencia de cliente. En el presente trabajo se pretendió elaborar un modelo que identificara la presencia de patrones de comportamiento anómalo en los dispositivos, analizando variables transaccionales, de software y de hardware, para asociarlos de esta manera a las fallas en los POS que se encontraban en producción. Con el apoyo de la librería de Python, Sklearn, se propuso la generación del modelo, se suplió la necesidad de predecir las afectaciones en los POS, que en definitiva es lo que termina por deteriorar la usabilidad de la red. Como resultado de este trabajo se alcanzó un 73% de Precisión además de tener un 32% de Sensibilidad, por otra parte, se identificaron anomalías que podían ser trabajadas de forma diferente por el área de operaciones de la compañía. Adicionalmente, se logró un cambio en la forma de abordar las incidencias predictivas en los datáfonos, lo que permitió una disminución en los costos asociados a las fallas y en consecuencia maximizó la rentabilidad de estos comercios. |
|---|