Hasta un 94% de precisión en la identificación de inconsistencias en las facturas de energía y una reducción significativa del tiempo dedicado a estas detecciones, son algunos de los beneficios proyectados del modelo de inteligencia artificial desarrollado en el marco de la Maestría en Ciencias – Estadística de la UNAL e implementado por Empresas Públicas de Medellín, que marca un hito en el sector energético para una mayor precisión en los cobros y una mejor experiencia para los clientes.

EPM emite cerca de 2.5 millones de facturas de energía al mes. Con este desarrollo se evitan errores en la facturación. Foto Unimedios.

Son cerca de 2.5 millones de facturas de energía las que emite mensualmente Empresas Públicas de Medellín (EPM) para Antioquia. Este volumen de cuentas contiene indicadores de consumo, conceptos de cobro, valor total, entre otros, lo que dificulta el proceso de liquidación y puede generar errores que se reflejan posteriormente en reclamaciones y usuarios insatisfechos. Con modelos estadísticos y de aprendizaje automático, el egresado de la UNAL Medellín, Juan Sebastián Arboleda Restrepo, creó una alternativa para detectar de manera temprana errores en el proceso de facturación, que, debido a su precisión, ha contribuido a mejorar la eficiencia y la agilidad de la compañía en este aspecto.

“Llegué a este tema debido a dos factores. Al componente personal, como ciudadano y cliente, porque también soy usuario y creo que todo lo relacionado con servicios públicos es un tema transversal a todo el ecosistema de los territorios y estoy muy interesado en tener la tranquilidad que esa factura de servicios públicos llegue con calidad y oportunidad, lo que además es un derecho, en un tema que nos afecta tanto el flujo de caja. Y la segunda motivación es la académica y profesional, siempre tuve muy claro que quería contribuir al proceso en el que yo laboraba para apoyar a la empresa y a mi formación”, explicó el ingeniero de sistemas y magister en Diseño y Gestión de Proyectos Tecnológicos.

Arboleda Restrepo destaca que, pese a que actualmente el proceso de facturación ha evolucionado en los controles y la automatización, “en la inmersión en nuevas tecnologías teníamos una deuda grande y es lograr una validación del 100% de las facturas, dada la volumetría que hay. Con los mecanismos tradicionales que veníamos incorporando nos estábamos quedando un poco cortos. Entonces empezamos a migrar metodologías un poco más especializadas”, agregó el egresado en la Maestría en Ciencias - Estadística de la Universidad Nacional de Colombia sede Medellín.

De los tres servicios que presta la compañía, acueducto, gas y energía, para la investigación se seleccionó la facturación del último, por ser el de mayor cobertura, representando más del 70% de los ingresos para la organización. Aunque el modelo solo aplica para Antioquia, EPM tiene presencia en ciudades como Armenia, Bucaramanga Y Cartagena.

“Lo que queríamos era asegurar que el modelo tuviera una variable objetivo, que es el valor facturado, entonces pusimos un versus entre los métodos tradicionales y lo nuevo que está llegando en torno a la inteligencia artificial y de cada uno de esos dos grupos decidimos evaluar dos modelos: la regresión logística que es, en cierta medida, un modelamiento muy tradicional, muy abordado académicamente, con mucha historia y mucha referencia literaria. Y otro modelo con machine learning. En general, ambos entregaron muy buenos resultados, se supieron desenvolver muy bien en diferentes métricas de evaluación”, mencionó Juan Sebastián.

Para la evaluación de los modelos se seleccionaron la exactitud y la sensibilidad. “La exactitud, más entendida como una métrica que mide la proporción de predicciones correctas de un modelo en un conjunto de pruebas. Y la sensibilidad es la tasa de verdaderos aciertos, es decir, cómo logramos nosotros, en cierta medida, decir que el valor facturado por ese servicio público es realmente correcto para lograr identificar una tasa de casos positivos. La regresión logística mostró una sensibilidad del 94.95 %, mientras que los árboles de clasificación alcanzaron una precisión del 75.36 %”, agregó Arboleda.

Además de mejorar la confiabilidad de la factura, con este desarrollo se logró mejorar los tiempos de revisión, “estos procesos implicaban revisiones manuales, que de una u otra manera generaban muchos reprocesos en las diferentes actividades en la calidad de la facturación, el hecho de que hoy incorporemos esta tecnología, y otras cosas adicionales que hemos hecho como procesos de robotización, ayudan a que ese indicador de calidad esté mucho más alto”, señaló el ingeniero de sistemas.

De acuerdo con la tesis, antes de tener el modelo, el equipo de calidad se tomaba 8 horas para la revisión de un ciclo de facturación, en las pruebas realizadas con estas herramientas pasaron a 5 horas, lo que representa una reducción de 3 horas/ciclo de facturación en promedio en el tiempo de revisión. Lo anterior es relevante dado que se tienen 40 ciclos en un mes, para un ahorro/mes de 120 horas.

Para el director de la tesis, el profesor Freddy Hernández Barajas, este desarrollo representa un hito para el sector de los servicios públicos del país. “Este proceso evita la insatisfacción de los clientes, prediciendo si una factura está mal calculada o no. Estas herramientas permiten tener más control de la facturación y sería muy útil para otras empresas de servicios públicos. Aunque se hizo el desarrollo para electricidad, aplica para el consumo de gas y de agua”, resaltó el doctor en Ciencias – Estadística.

“Hay muchas necesidades que nosotros podemos tener hoy acá en Medellín, que las pueden tener también en Cartagena, en Quindío o en Bucaramanga, entonces en el corto y mediano plazo estamos proyectando poner al servicio de todas estas regiones y filiales este tipo de implementaciones”, concluyó Juan Sebastián.

El modelo actualmente está en fase de pruebas y estabilización por parte de Empresas Públicas de Medellín.

(FIN/JRDP)

12 de agosto de 2024