Candia Vallejos, CristianAssmann Segura, Julio2026-03-112026-03-112025https://hdl.handle.net/11447/10621Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceEl presente proyecto aborda la optimización del ciclo de facturación en Grupo SAESA, específicamente en la gestión de 'documentos apartados de cálculo'. Actualmente, cerca de 15.000 documentos mensuales (1,7% del total de los documentos generados) son apartados del proceso de cálculo debido a inconsistencias, ocasionando sobrecarga operativa y afectando la experiencia del cliente. Para mitigar esta problemática, se propone el diseño de un sistema de automatización inteligente híbrido. La metodología integra la implementación de reglas de negocio predefinidas con modelos de Machine Learning basados en XGBoost, con el objetivo de clasificar las excepciones de manera predictiva. Esta arquitectura faculta a un sistema RPA (Robotic Process Automation) para ejecutar acciones correctivas autónomas, logrando una reducción significativa en la intervención manual y una mejora sustancial en los tiempos de procesamiento. Este proyecto logró automatizar el 82.3% de los documentos retenidos y redujo la carga manual al 17.7%, manteniendo un AUC de 0.94. Dicha eficiencia se traduce en la liberación de 10 horas semanales de capacidad operativa, permitiendo transformar el rol del equipo desde la ejecución manual hacia la gestión estratégica. Asimismo, el proyecto establece un marco de trabajo escalable y replicable, sentando las bases para la expansión de la automatización inteligente a diversas actividades de la empresa, como lo son tratado de inverosímiles y apartados de facturación.40 p.es070037SRPAMachine learningBillingEmpresa eléctricaFacturaciónThesis