🤖 Sistema de Predicción de Fallas RPA

Este proyecto desarrolla un sistema inteligente para el análisis y predicción de fallas en procesos de Automatización Robótica de Procesos (RPA) utilizando técnicas avanzadas de análisis de series de tiempo y modelamiento estadístico.

📋 Descripción del Proyecto

Desarrollado para el área de Robotics del Banco Itaú

El sistema permite analizar patrones históricos de fallas en robots RPA y generar predicciones futuras para optimizar la disponibilidad y eficiencia operacional de los procesos automatizados.

👥 Equipo de Desarrollo

• Bruno Cerda
• Santiago Valenzuela

Agradecemos especialmente la colaboración de Eduardo Cancino y Jonathan García por su invaluable apoyo en este proyecto.

🏗️ Estructura del Proyecto

Prediccion_de_fallas/
├── requirements.txt              # Dependencias del proyecto
├── clean_data/                   # Datos procesados
│   ├── avg_global.parquet       # Métricas globales agregadas
│   ├── process_robot.parquet    # Datos agrupados por proceso y robot
│   └── semi_raw.parquet         # Datos semi-procesados
├── data/                        # Datos originales
│   └── WorkQueueLog_2025.csv    # Logs de trabajo de RPA
├── notebooks/                   # Notebooks de análisis
│   ├── ETS.ipynb               # Modelo ETS (Error, Trend, Seasonality)
│   └── limpieza.ipynb          # Limpieza y procesamiento de datos
└── streamlit/                   # Aplicación web interactiva
    ├── Inicio.py               # Página principal
    ├── pages/                  # Páginas de la aplicación
    │   ├── 1 Analisis_exploratorio.py
    │   ├── 2 Supuestos.py
    │   ├── 3 Modelamiento.py
    │   └── 4 Prediccion.py
    └── utils/                  # Utilidades y funciones auxiliares
        ├── data_loader.py      # Carga de datos
        └── modeling_utils.py   # Utilidades de modelamiento

🚀 Instalación y Configuración

Prerrequisitos

• Python 3.8 o superior
• pip (gestor de paquetes de Python)

Pasos de Instalación

1. Clonar el repositorio

   git clone <url-del-repositorio>
   cd Prediccion_de_fallas

2. Crear un entorno virtual (recomendado)

   python -m venv venv
   # En Windows:
   venv\Scripts\activate
   # En macOS/Linux:
   source venv/bin/activate

3. Instalar dependencias

   pip install -r requirements.txt

🖥️ Ejecutar la Aplicación

Método 1: Streamlit (Recomendado)

cd streamlit
streamlit run Inicio.py

La aplicación se abrirá automáticamente en tu navegador web en http://localhost:8501

Método 2: Notebooks Jupyter

jupyter notebook

Navega a la carpeta notebooks/ para acceder a los análisis detallados.

📊 Funcionalidades de la Aplicación

🔍 1. Análisis Exploratorio

• Visualización interactiva de datos RPA
• Análisis de tendencias y patrones temporales
• Estadísticas descriptivas de las tasas de excepción
• Comparación entre diferentes robots y procesos
• Identificación de anomalías y comportamientos atípicos

✅ 2. Supuestos de Datos

• Verificación de estacionariedad de las series
• Análisis de descomposición temporal (tendencia, estacionalidad)
• Transformaciones de estabilización (Box-Cox)
• Tests estadísticos de validación
• Análisis de autocorrelación y periodicidad

📈 3. Modelamiento

• Implementación de modelos ETS (Error, Trend, Seasonality)
• Entrenamiento con validación temporal
• Evaluación de métricas de rendimiento (MAE, MSE, R²)
• Análisis de residuos para validación del modelo
• Diagnóstico de la calidad del ajuste

🔮 4. Predicción

• Pronósticos futuros de tasas de excepción
• Intervalos de confianza para las predicciones
• Visualización interactiva de resultados
• Configuración de horizontes de predicción personalizados

📁 Datos Utilizados

El sistema analiza datos de logs de trabajo de robots RPA que incluyen:

• Tasas de excepción por robot y proceso: Métricas de fallos específicas
• Métricas globales agregadas: Datos consolidados por período temporal
• Información de rendimiento histórico: Tendencias y patrones temporales
• Patrones de comportamiento temporal: Estacionalidad y ciclos

Estructura de Datos Principales:

semi_raw.parquet

• Status: Estado del proceso (Completed, Exception, etc.)
• Worktime: Tiempo de trabajo del proceso
• ProcessName: Nombre del proceso automatizado
• UserRobot: Robot que ejecutó el proceso
• Fecha de ejecución: Timestamp del proceso

avg_global.parquet

• entries: Número total de entradas por día
• tasa_excepcion: Tasa de excepción agregada diaria

🎯 Objetivos del Sistema

El sistema predictivo permite:

• ✨ Anticipar fallas en procesos RPA antes de que ocurran
• 🚀 Optimizar la disponibilidad de los robots automatizados
• ⏰ Reducir tiempos de inactividad mediante predicciones tempranas
• 📈 Mejorar la eficiencia operacional de los procesos automatizados

🔧 Tecnologías Utilizadas

• Python: Lenguaje principal de desarrollo
• Streamlit: Framework para la aplicación web interactiva
• Pandas: Manipulación y análisis de datos
• Plotly: Visualizaciones interactivas
• Statsmodels: Modelos estadísticos y análisis de series de tiempo
• SciPy: Cálculos científicos y estadísticos
• NumPy: Operaciones numéricas

📝 Guía de Uso

1. Inicio: Navega a la aplicación principal para obtener una visión general
2. Análisis Exploratorio: Familiarízate con los datos y patrones
3. Supuestos de Datos: Valida las condiciones necesarias para el modelamiento
4. Modelamiento: Entrena y evalúa el modelo predictivo
5. Predicción: Genera pronósticos futuros y analiza resultados

🤝 Contribuciones

Este proyecto fue desarrollado como parte de un proyecto de grado para el área de Robotics del Banco Itaú. Las contribuciones y mejoras son bienvenidas.

📧 Contacto

Para consultas o colaboraciones:

• Bruno Cerda
• Santiago Valenzuela

---

Desarrollado para el análisis y predicción de fallas en sistemas RPA - Banco Itaú