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