Diseño de arquitectura para automatización de carga de facturas con microservicios en la nube. Caso: Evol Services

Abstract

Evol Services valida los cobros de sus clientes libres con los datos de unas 800 facturas mensuales, en 30 formatos. Su carga en EMER era el único paso manual. Una automatización por reglas redujo el esfuerzo de 60 a 28-33 horas-persona al mes, pero falla en cerca del 30% de las facturas y su mantención consume más de un tercio de ese esfuerzo. Esta memoria diseña, implementa y valida una arquitectura de microservicios en la nube que automatiza la extracción y carga de esos datos: cinco servicios serverless en AWS coordinados por colas, extracción con un modelo de lenguaje y una validación determinística que deriva a revisión toda factura dudosa. Con 100 facturas reales en el ambiente de calidad, la solución alcanzó una precisión de 98%, frente a 91% del bot; incorporar un formato tomó de 2 a 4 horas, frente a cerca de 25, y el esfuerzo mensual estimado fue de 10 a 16 horas-persona, frente a 28-33 del bot y 60 del manual. Cumple las metas de los ocho escenarios de calidad, lo que la hace viable para reducir el esfuerzo y los errores y reemplazar progresivamente al bot.

Evol Services validates the payments of its free-market electricity clients using data from about 800 monthly invoices in 30 formats. Loading them into EMER was the only manual step. A rule-based automation cut the effort from 60 to 28-33 person-hours per month, but it fails on about 30% of the invoices, and its maintenance takes more than a third of that effort. This thesis designs, implements, and validates a cloud microservices architecture that automates the extraction and loading of that data: five serverless services on AWS coordinated by queues, extraction with a language model, and a deterministic validation that routes any doubtful invoice to manual review. With 100 real invoices in the quality assurance environment, the solution reached an accuracy of 98%, compared with 91% for the bot; adding a new format took 2 to 4 hours, compared with about 25, and the estimated monthly effort was 10 to 16 person-hours, compared with 28-33 for the bot and 60 for the manual procedure. It met the goals of all eight quality scenarios, making it viable for reducing effort and errors and progressively replacing the bot.