Descripción general del negocio del cliente
El cliente es un proveedor líder de servicios de transferencia de dinero y pagos, con especial énfasis en el envío de remesas a Latinoamérica y otras regiones del mundo. Como uno de los principales actores del mercado de remesas, compite con importantes empresas como Western Union, MoneyGram y diversas plataformas digitales en la ruta entre Estados Unidos y Latinoamérica.
Las oficinas de los agentes del cliente suelen trabajar con múltiples proveedores de transferencia de dinero, ofreciendo así a los clientes diversas opciones de servicio. En este entorno competitivo, las comisiones y los tipos de cambio son factores cruciales para captar clientes. Los tipos de cambio pueden variar significativamente entre ubicaciones y tienden a ser más favorables para las transacciones presenciales que para las online.
Desafío empresarial
Para mantener su ventaja competitiva, el cliente necesitaba monitorear de cerca los tipos de cambio de sus competidores en las distintas sucursales de los agentes. La empresa contaba con representantes que recopilaban información sobre los tipos de cambio de la competencia mediante imágenes tomadas en diversas sucursales. Sin embargo, la calidad y los formatos variables de estas imágenes dificultaban su procesamiento y utilización eficaz, lo que requería intervención manual y dejaba datos valiosos sin aprovechar.
Desafío técnico
El cliente requería una solución basada en inteligencia artificial para automatizar la extracción y el procesamiento de datos de tipos de cambio a partir de las imágenes recopiladas. Los principales desafíos técnicos incluían:
Desarrollar un sistema de reconocimiento óptico de caracteres (OCR) para extraer con precisión texto, tablas y otros datos relevantes de un conjunto diverso de imágenes.
Organizar los datos extraídos en un formato estructurado, como JSON, asignando pares clave-valor, filas y columnas de tablas, y otros elementos a una estructura coherente.
Integrar sin problemas los procesos de extracción de datos en el ecosistema AWS existente del cliente, aprovechando servicios como Amazon S3 para el almacenamiento y AWS Glue para la transformación de datos y los procesos ETL.
Crear conjuntos de datos adaptados a las necesidades específicas de análisis e integrarlos en una arquitectura Data Lakehouse para realizar consultas e informes de manera eficiente.
Desarrollar paneles de control y visualizaciones intuitivas que permitan a los equipos de clientes analizar y comparar los tipos de cambio de la competencia en diferentes ubicaciones, optimizando así sus propios tipos de cambio para obtener una ventaja competitiva.
Detalles de la solución
Strata Analytics, socio de AWS con amplia experiencia en aprendizaje automático y análisis de datos, colaboró con el cliente para diseñar e implementar una solución integral que aprovecha los servicios de IA/ML de AWS.
- Carga y procesamiento de imágenes: Los representantes del cliente subieron imágenes de las tarifas de la competencia a un bucket de Amazon S3, lo que activó una función de AWS Lambda para iniciar el proceso de extracción de datos.
- Extracción de texto y datos: Se utilizó Amazon Textract, un potente servicio de OCR, para extraer texto, tablas, formularios y otros datos relevantes de las imágenes. Esto incluyó la detección de pares clave-valor, datos estructurados como tablas y texto no estructurado. Debido a la variabilidad en las estructuras de datos, sobre la salida inicial de las API de Textract, se empleó un modelo de lenguaje natural multimodal, Claude 3.5 Sonnet, basado en Amazon Bedrock, para resolver las discrepancias y completar los casos donde se detectaron lagunas.
- Estructuración de datos: Los datos extraídos se organizaron en formato JSON estructurado mediante un modelo lógico multimodal (LLM), Claude 3.5 Sonnet, alojado en Amazon Bedrock. Esto implicó mapear pares clave-valor, filas y columnas de tablas, y otros elementos a una estructura coherente mediante indicaciones.
- Integración de bases de datos: Posteriormente, los datos estructurados se insertaron en una base de datos Amazon DynamoDB, donde cada imagen o documento correspondía a una nueva entrada o registro, y los campos se rellenaron en función de los datos extraídos.
- Seguimiento histórico y control de versiones: Se implementó un sistema de control de versiones para realizar un seguimiento de los cambios a lo largo del tiempo, lo que permite comparaciones históricas y consultas temporales mediante el almacenamiento de marcas de tiempo y otros metadatos.
- Análisis y elaboración de informes de datos: Los datos estructurados se integraron en la arquitectura Data Lakehouse del cliente, aprovechando Amazon Athena y Amazon QuickSight para una consulta y generación de informes eficientes. Se desarrollaron paneles intuitivos para visualizar los tipos de cambio de la competencia en diferentes ubicaciones, lo que permitió a los equipos del cliente optimizar sus propios tipos de cambio para aumentar su competitividad.
Resultados empresariales y métricas de éxito
La solución basada en inteligencia artificial proporcionada por Strata Analytics permitió al cliente obtener una importante ventaja competitiva en el mercado de remesas. Los principales resultados comerciales y métricas de éxito incluyeron:
- Eficiencia operativa: La automatización del proceso de extracción y análisis de datos redujo el esfuerzo manual en más de 80%, lo que permitió a los equipos del cliente centrarse en la toma de decisiones estratégicas.
- Información basada en datos: Los completos paneles de control y las capacidades de generación de informes proporcionaron al cliente información valiosa sobre las tendencias del mercado, lo que permitió implementar estrategias proactivas para mantener una ventaja competitiva.
- Gracias a los servicios de IA/ML de AWS y a la experiencia de Strata Analytics, el cliente transformó con éxito un proceso manual e ineficiente en una solución escalable basada en datos.
- Este artículo se elaboró con la ayuda de la IA generativa, a través de la aplicación AIML Case Study Generator del kit de herramientas AWS Party Rock.
