1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Maestría en Ciencia de Datos

Title:	Mantenimiento preventivo de cajeros automáticos basado en el análisis de detección de anomalías en los registros históricos de inactividad por error de los módulos críticos aplicando técnicas de ciencia de datos y aprendizaje no supervisado
Authors:	Calva Yaguana, Karen Calva, Director Jaramillo Espinoza, Christian Alejandro
Keywords:	Cajero automático Tiempos de inactividad Isolation forest Detección de anomalías
Issue Date:	2023
Publisher:	ESPOL.FIEC
Citation:	Jaramillo Espinoza, C. A. (2023). Mantenimiento preventivo de cajeros automáticos basado en el análisis de detección de anomalías en los registros históricos de inactividad por error de los módulos críticos aplicando técnicas de ciencia de datos y aprendizaje no supervisado. [Proyecto de Titulación]. ESPOL.FIEC .
Description:	Los tiempos de inactividad de los cajeros automáticos pueden tener consecuencias significativas en la experiencia del usuario y en la operatividad general de los servicios financieros. Al ser un medio fundamental para la realización de transacciones bancarias dentro o fuera del horario de atención bancaria tradicional, se han convertido en una parte vital de la infraestructura financiera. Los tiempos de inactividad por fallas técnicas pueden impactar de diversas formas como la satisfacción del usuario, pérdidas financieras, costes operativos. En el presente proyecto se propone el uso de aprendizaje de máquina no supervisado mediante el algoritmo Isolation Forest para lograr detectar a tiempo aquellos cajeros automáticos que puedan convertirse en un problema mayor y, por ende, realizar mantenimiento preventivo a dichos cajeros anómalos para que los tiempos de inactividad y las llamadas de soporte al centro de atención al cliente de la empresa proveedora de los cajeros disminuyan. Además, se provee al cliente un módulo adicional sobre detección de anomalías dentro de la aplicación de monitoreo que ya poseen, en el cuál, pueden visualizar de manera tabular y gráfica aquellos cajeros previamente detectados por el modelo. Con esta información proporcionada, el cliente deberá analizarla y tomar la decisión pertinente de realizar mantenimiento preventivo. Como resultado de la evaluación del modelo y el mantenimiento preventivo realizado, el cliente analizado mediante la solución propuesta se ahorraría $42.840 anual a mediano plazo, un 62.63% menos de su gasto anual presupuestado en mantenimientos correctivos en todos sus cajeros. En cuanto a las llamadas de soporte se reduciría en 272 un 15.2% menos para este cliente que en las condiciones actuales. Palabras Clave: cajero automático, tiempos de inactividad, isolation forest, detección de anomalías
metadata.dc.description.abstractenglish:	ATM downtime can have a significant impact on the user experience and the overall operability of financial services. As a fundamental means of conducting banking transactions within or outside traditional banking hours, they have become a vital part of the financial infrastructure. Downtime due to technical failures can impact in many ways such as user satisfaction, financial losses, operational costs. This project proposes the use of unsupervised machine learning using the Isolation Forest algorithm to achieve early detection of those ATMs that may become a major problem and, therefore, perform preventive maintenance to these anomalous ATMs so that downtime and support calls to the customer service center of the ATM provider company decrease. The customer is also provided with an additional module on anomaly detection within the monitoring application they already have, in which they can visualize in tabular and graphical form those ATMs previously detected by the model. With this information provided, the client must analyze it and make the pertinent decision to perform preventive maintenance. As a result of the evaluation of the model and the preventive maintenance performed, the client analyzed through the proposed solution would save $42,840 annually in the medium term, 62.63% less than its budgeted annual expenditure on corrective maintenance in all its ATMs. Support calls would be reduced by 272, 15.2% less for this client than under current conditions. Keywords: ATM, downtime, isolation forest, anomaly detection
URI:	http://www.dspace.espol.edu.ec/handle/123456789/63225
metadata.dc.identifier.codigoproyectointegrador:	POSTG093
Appears in Collections:	Tesis de Maestría en Ciencia de Datos

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.