Identificación predictiva de fallos POS A través del uso de algoritmos de aprendizaje automático
Documentos PDF
Abstract
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.
Summary in foreign language
The project had the purpose to apply Machine Learning algorithms, to achieve the predictive identification of failures in the Credibanco network POS, which allowed the entity to maintain its active network (core of the business), positively guide its operating model and benefit from improved customer experience rates.
This research wants to achieve the development of a model that identified the presence of anomalous behavior patterns in the devices, analyzing transactional, software and hardware variables, to associate them in this way to the failures in the POS that were in production. With the support of the python library, sklearn, the construction of the model was built, thus satisfying the need to predictive the effects on the POS, which ultimately is what ends up deteriorating the usability of the network.
The result of this study, 73% of Precision was achieved. In addition, results shows of 32% recall indicator, otherwise anomalies were identified that could be worked differently by the company's Operations area, such that a change in the way to address the predictive incidences in the Dataphone, which allowed a decrease in the costs associated with the failures and consequently maximized the profitability of these businesses.
Collections
Estadísticas Google Analytics
Comments