Cada día se realizan miles, por no decir millones, de pagos online. Es probable que hayas hecho alguno esta semana. O la anterior.

Es fácil y simple. Buscas un producto, haces click en "comprar", pones los datos de tu tarjeta y en unos días te llega el producto a tu casa. Abres la caja y disfrutas del producto.

Esto es así. La mayoría de las veces. Pero no todas.

Si el producto que te llega no es el que has pedido, te llega tarde, no es tu talla o simplemente no llega nunca, entre otras posibilidades, comienzan los problemas.

Durante el proceso de reclamación se deberá definir si el problema ha estado del lado del comprador o del vendedor, he intentar resolverlo de la mejor manera posible. Durante le proceso es posible que se soliciten fotografías, documentos u otros elementos para intentar definir dónde ha estado el problema, de forma totalmente imparcial.


En este punto te estarás preguntando: ¿Podría usarse Machine Learning para esta tarea?


Eso es lo que ha hecho FSS (Financial Software and Systems), un proveedor y procesador de productos de pago global, con sede en India y una importante presencia internacional. Entre sus clientes se encuentran bancos, reguladores centrales, gobiernos, e intermediarios financieros, incluidos procesadores de pagos electrónicos de terceros, comerciantes y asociaciones de pagos.

Con este nuevo sistema buscan mejorar la velocidad, la precisión y la confiabilidad del proceso de conciliación de pagos, respecto del anterior sistema manual con algunas automatizaciones.

Al aplicarlo, han conseguido una mejora del 40% en el tiempo implementación, una considerable mejora del 30% en los tiempos de conciliación y una reducción general del 25% en los costos directos, en comparación con los procesos parcialmente automatizados.

Cabe destacar que los procesos de conciliación de pagos se han vuelto extremadamente complejos, donde la simplicidad y la velocidad son muy importantes para los bancos e instituciones financieras, a raíz de una cantidad cada vez mayor de transacciones.

Para esta solución se han utilizado modelos de aprendizaje no supervisado y algoritmos de liquidación logrando un sistema que acelera el ciclo de conciliación mediante la identificación dinámica de posibles discrepancias en el origen. Los procesos de liquidación basados ​​en algoritmos permiten detectar nuevos componentes en segundos, lo que reduce la latencia total del proceso y ahorra un 80% de tiempo en la realización de acciones de resolución.

La solución se utiliza dentro de un marco de aplicaciones en la nube que facilita su adopción, mantenimiento y escalabilidad.

La próxima vez que tengas que hacer un reclamo por un pago online y notes que se realiza de forma simple y rápida, quizás una aplicación de Machine Learning está interviniendo en todo el proceso.