Presentación de Edgardo Serra, Head of Infrastructure Technology & IT Operations en ICBC Argentina, en el 18º Congreso de Tecnología AMBA. 2 y 3 de julio de 2018

2. MACHINE LEARNING
EN OPERACIONES
DE TI
Edgardo Serra
Responsable de Infraestructura
Tecnológica y Operaciones de TI
ICBC Argentina SA
edgardo.serra@icbc.com.ar
@monchoserra

3. Operaciones de TI:
Objetivo: Robustez
Performance
Disponibilidad
Contingencia
Seguridad
Smart Operations
Predictibilidad
Automatización

4. Machine Learning para predecir…
 Fallas de Terminales
 Incidentes Data Center
 Comportamiento de Transacciones Comerciales
Desafío:
Incrementar la Disponibilidad y
Performance de los Canales y
Aplicativos para mejorar la
Experiencia del Cliente
“
“

5. Predicción Fallas de
Terminales: Nuestra red
PRESENCIA EN
18 PROVINCIAS
435
ATM´s
283
TAS´s
+ 160 QDBs
120 Queue Managers
120 Kioskos

6. Insights: aprovechar cada
interacción de clientes en
forma inteligente
CX: Proveer
experiencia de valor
para los clientes
Agilidad: evitar
procesos pesados y
buscar eficiencia
Predicción Fallas de Terminales:
Factores Claves de Exito
Watson Analytics

7. MANTENIMIENTO
REACTIVO
INFORMACIÓN
ATMS
ANALYTICS
ENGINE
MANTENIMIENTO
PREDICTIVO
ALERTA
PREDICTIVA
ALERTA
REACTIVA
TÉCNICO DE
CAMPO
TERMINAL
(ATM / TAS)
Predicción Fallas de Terminales: Proceso del Servicio Predictivo

8. MODULO
DISPENSADOR
MODULO DEPOSITO
INTELIGENTE
IMPRESORALECTOR
TARJETAS
TECLADO
MODULO
RECICLADOR
MODULO DEPOSITO
DE SOBRES
Predicción Fallas de Terminales: Partes en
Cuestión

9. PERIODOPERIODO ALCANCEALCANCE
Fase 0 Dic 2014 – Dic 2015
Prueba de Concepto
Durante 12 meses, Watson fue testeado con información de 8
Bancos
Más de 50,000 ATMs (Wincor, Diebold, NCR)
Fase I Oct 2016 - Mar 2017
Piloto Productivo
100 ATMs + TASs
Ajuste del Modelo, Analisis Predictivo
Pocos Servicios Predictivos ejecutados
Fase II Abr 2017 - Jun 2017
Producción
100 ATMs + TASs
20 Servicios Predictivos por mes
Fase III Jul 2017 - Oct 2017
Producción
200 ATMs
30 Servicios Predictivos por mes
Fase IV Desde Nov 2017
Producción
300 ATMs
60 Servicios Predictivos por mes
Predicción Fallas de Terminales: Cronograma de Ejecución

10. Precisión
72 %
Predicción de Fallas Terminales: Precisión lograda

11. Predicción de Fallas Terminales: Flujo de Proceso

12. Tablero con información de predicción
de fallas.
Especialistas analizan los datos y definen
Servicios Predictivos
Tableros con información histórica de
Terminales con predicción de fallas y
mensajes de error
Predicción Fallas de
Terminales

13. Mejora de Disponibilidad de Terminales de Autoconsulta (TASs)
Indisponibilidad de Módulo Depósito y HardFault.

14. Mejora de Disponibilidad de Cajeros Automáticos (ATMs)
Indisponibilidad de Módulo Dispensador y HardFault.

15. Predicción Fallas de Terminales: Mejora en tiempo de resolución
Indisponibilidad de 24 a 48 hs
Ticket
cerrado
Técnico
repara la
terminal
ICBC Nivel 1-
Soporte
remoto
Falla en
Terminal
ICBC notifica
Servicio
Técnico
Técnico de
campo
asignado
Servicio
Técnico
abre ticket
Técnico
arriba a
Sucursal
INDISPONIBILIDAD 24 A 48 HS
INDISPONIBILIDAD 3 A 5 HS

16. 1. MEJORA EN LA DISPONIBILIDAD
Mejora en Disponibilidad TOTAL
2. REDUCCIÓN DE TICKETS CORRECTIVOS
Reducción de Tickets Correctivos +10%
3. MEJORA EN EL PROCESO DEL BANCO
Banco elije fecha y hora del Mantenimiento Predictivo
4. MEJORA DEL SERVICIO AL CLIENTE
El Servicio de puede realizar en los tiempos de menor transacción de la Terminal
5. REDUCCION DE COSTOS
Transportadora de Dinero, Seguridad y personal del Banco para apertura fuera de horario
Predicción Fallas de Terminales: Beneficios logrados

17. Predicción Incidentes Data Center
Alertas EspacioAlertas Espacio
en Discoen Disco

18. Predicción Incidentes Data Center
ConsumoConsumo
StorageStorage
MidrangeMidrange

19. Predicción Incidentes Data Center
Tiempos deTiempos de
TransaccionesTransacciones
Y distribuciónY distribución
por serverspor servers

20. Predicción Incidentes Data Center
PredicciónPredicción
AlertasAlertas
WindowsWindows Descubrimiento de las variables que
más influyen sobre la Severidad de
alertas generadas .
Despliqege automático
de “Categoria”.
Disk Util es top en este
caso
El Análisis predicitvo
indica que la
“Categoría” influye en
la cant. y severidad de
alertas que generan
incidentes

21. Beneficios Logrados
Tivoli Alerts
SRM: C&P
Statistics
Incidents Tickets DB
Watson Analytics
Insights !Insights !
Discovery &
Predictions
Dashboards &
ViewsIncident
Tracker
 Análisis de transacciones para canales
electrónicos: top transac. , transac x
minuto, transac x por canal: Access
banking , Mobile, etc
 Reducción 70% de alertas por falta de
espacio en filessytems críticos
 Detección y corrección falta de
monitoreo en filesystems críticos
 Reducción del 66% en la generación de
incidentes innecesarios por alertas de
CPU en Windows
 Detección de Top contributors en
cancelaciones Mainframe
 Prevención de Incidentes por llenado de
catálogos en Mainframe
 Disminución del 65% de incidentes por
llenado de discos C en ambientes
Windows
 Análisis predictivo mensual inc. críticos y
relevantes por sistema afectado y
detección de top contributor en
incidentes por Terceros
CICS Transaction
Metrics
Middleware Transaction Logs

22. CORE
BANKING
PORTALES
Predictor
XGBoost
Arquitectura de Solución en Cluster Hadoop
Vector support
machine regression
Vector support
machine regression
MOBILE INFORMÁTICA
POWERCENTER
TERADATA
Predicción Transacciones Comerciales

23. Predicción Transacciones Comerciales

24. Predicción Transacciones Comerciales
Tablero deTablero de
EjecuciónEjecución
ManualManual
CustomizableCustomizable

25. Predicción Transacciones Comerciales
Matriz de VariablesMatriz de Variables
del Modelo dedel Modelo de
PredicciónPredicción
Visitas
Reales
Lunes,
martes…,
domingo
1,2,3,4,
5,6
Visa &
MasterCard
Coinciden
Vencimiento.
Flag {0,1}
Año {1,2,3} y
mes
{1,2…,12}
Fin de
semana.
Flag {0,1}
Flag {1,0}
– Feriado,
Post-
feriado,
hábil,
Primer/ult
imo día de
mes
Valor de
visitas del
ultimo
vencimiento
homologo
(por lote y
tipo de
tarjeta
Visitas
anteriores
tipo de
día
homologo
Dia
anterior Predicción
elemental del día
t (modelo simple
lineal – Debería
mejorarse con un
Kalman filter)
% acumulado
normalizado de
visitas intrames

26. Calendario Anual DíasCalendario Anual Días
Pico de TransaccionesPico de Transacciones
ComercialesComerciales
Predicción Transacciones Comerciales

27. Tablero deTablero de
TransaccionesTransacciones
ComercialesComerciales
esperadas poresperadas por
canalcanal
Predicción Transacciones Comerciales

28. Próximos pasos:
 Mejorar el proceso y precisión del
Machine Learning
 Ampliar alcance del Servicio
Predictivo
 Asistente Virtual para Mesa de
Ayuda Tecnológica
 Generar Prediccion intradía de
Transacciones Comerciales
 Extender el servicio a:
 Queue Managers
 Kioskos
 Scanners
 VTMs/STMs