Finotor: Plataforma de Gestión Financiera Impulsada por IA
Desarrollamos una plataforma inteligente de gestión financiera que integra IA para automatizar y optimizar procesos financieros empresariales, logrando una precisión del 98% en la clasificación de transacciones.
Relacionado con:
SOBRE EL CLIENTE
Finotor es una startup fintech fundada en 2008. La empresa ofrece una plataforma de gestión financiera que integra inteligencia artificial para automatizar y optimizar procesos financieros empresariales.
DESAFÍO
El proyecto presentó dos desafíos principales: preparación de datos y optimización del modelo de IA. Los datos financieros provenían de múltiples fuentes con formatos no estandarizados, cantidades y fechas inconsistentes, e historiales incompletos. El sistema debía asegurar un procesamiento preciso en tiempo real mientras cumplía con los estándares de la industria financiera.
TIPO DE DATOS
Nuestro sistema procesa transacciones financieras sin procesar, compuestas por diferentes elementos que necesitan ser analizados y clasificados.
Datos de Entrada Las transacciones aparecen como líneas bancarias que contienen:
- Una descripción bancaria no estandarizada
- Un monto
- Una fecha de transacción
- Información bancaria (BIC, IBAN, etc.)
Elementos a predecir Para cada transacción, necesitamos identificar cuatro piezas clave de información:
Tipo de Transacción Esto implica clasificar la naturaleza de la operación: transferencia, débito directo, pago con tarjeta. Esta información generalmente está presente en la descripción pero en diferentes formas según los bancos.
Categoría Necesitamos determinar el propósito de la transacción: salario, alquiler, suministros, etc. Esta categorización debe hacerse analizando el contexto completo de la transacción, ya que la descripción por sí sola no siempre es suficiente.
ID de Cliente y Proveedor Para cada transacción, necesitamos identificar:
- La entidad cliente que realiza o recibe el pago
- La entidad proveedora relevante. Estas identificaciones requieren hacer coincidir las descripciones bancarias, a menudo mal estandarizadas, con nuestra base de datos de entidades.
Nuestro principal desafío radica en la no estandarización de los datos bancarios y la necesidad de comprender el contexto de cada transacción para una clasificación precisa.
SOLUCIÓN
Nuestra solución se basa en tres características principales:
La conciliación bancaria automática coincide inteligentemente las transacciones y detecta anomalías en tiempo real, reduciendo significativamente los errores de procesamiento.
El análisis predictivo genera recomendaciones basadas en datos históricos y permite el seguimiento de KPIs a través de paneles de control.
La gestión de efectivo optimiza los flujos financieros con alertas en tiempo real y sugerencias automatizadas.
PROCESO
Nuestro desarrollo se estructuró en tres etapas:
Preparación de Datos
- Desarrollo de un pipeline de limpieza para estandarizar formatos y datos
- Gestión de valores faltantes y unificación de categorizaciones
- Validación rigurosa para asegurar la integridad de los datos financieros
Entrenamiento del Modelo
- Pruebas comparativas entre LLM, XGBoost y red neuronal
- Selección final de redes neuronales por su mejor rendimiento
- Optimización continua de hiperparámetros
Fase de Pruebas
- Validación cruzada en conjuntos de datos representativos
- Pruebas en condiciones reales con métricas financieras específicas
- Ajustes iterativos basados en retroalimentación de experiencia
METODOLOGÍA
Nuestro equipo combina varias experiencias esenciales:
Ingenieros de IA especializados en Machine Learning
Product Owner
Desarrollador líder
El desarrollo se llevó a cabo en tres fases:
Una fase de exploración permitió comparar diferentes enfoques de IA y validó la superioridad de las redes neuronales para nuestro caso de uso.
El desarrollo iterativo permitió el refinamiento progresivo del rendimiento del sistema en condiciones reales.
La implementación se realizó gradualmente para asegurar una buena adopción por parte de los usuarios.
COMPARACIÓN DE MODELOS
Nuestro análisis comparativo evaluó tres enfoques: redes neuronales, XGBoost y LLM. Las redes neuronales claramente se destacaron con un rendimiento superior en todos los aspectos clave:
Para la clasificación de tipo de transacción, las redes neuronales logran una precisión del 98.3% con solo 0.22% de casos inciertos, superando a LLM (92%) y XGBoost (96%).
En la identificación de categorías, que es más compleja, nuestras redes neuronales mantienen una precisión del 84.44%, comparado con 80% para XGBoost y solo 59% para LLM. Excluyendo casos inciertos (umbral de confianza >65%), la precisión aumenta al 92.9%.
La identificación de ID de cliente y proveedor representó el mayor desafío. Nuestras redes neuronales logran una precisión del 76.51% y 77.30% respectivamente, muy por delante de XGBoost (65% y 48%) y LLM (6.67% y 31.65%).
Un punto crucial: nuestras redes neuronales generan significativamente menos casos inciertos que XGBoost mientras mantienen una precisión superior. Esta combinación de alta precisión y baja incertidumbre es ideal para una aplicación financiera que requiere confiabilidad y exhaustividad.
Este análisis exhaustivo confirma la superioridad de las redes neuronales para nuestro caso de uso, ofreciendo el mejor compromiso entre precisión, certeza y cobertura de diferentes aspectos de clasificación.
RESULTADOS
El sistema logra una precisión del 98% en sus predicciones y procesa más de 90,000 transacciones. La automatización cubre el 85% de los procesos financieros con una reducción del 75% en errores.
PERSPECTIVAS
Actualmente estamos trabajando en la integración de un chatbot para soporte al cliente y desarrollando nuevas funciones de automatización para mejorar la plataforma.