| dc.description.abstract | Hoy en día las billeteras virtuales están en auge en varios lugares del mundo, uno de esos
lugares es América Latina. Los active users crecen a un ritmo muy acelerado. Algunos
ejemplos de billeteras son MercadoPago, Brubank, Nubank, entre otros. La innovación en
este rubro es constante y cada año las Fintech sacan nuevos productos al mercado. En el caso
de Argentina, un producto/feature que tuvo mucha adopción fue el pago con QR. Las
billeteras pueden tener varios flujos de productos, como cuenta en USD, transferencias de
dinero, pagos, fondeos, retiros, etc. Un flujo particular, que resulta muy importante, es el de
single player (recarga de celular, recarga de tarjeta de transporte, pago de servicios, etc.), el
cual es una vertiente muy importante en las billeteras virtuales.
En Argentina, la recarga de la tarjeta SUBE se realiza en primera instancia con una billetera
virtual (se realiza el pago del monto a cargar) y en un segundo paso se actualiza el saldo en
la tarjeta. Este último paso se puede hacer con algunas Apps en un teléfono con NFC o bien
desde un punto físico de recarga.
En este trabajo se analiza cómo distribuir estos puntos físicos de recarga en las paradas de
colectivo de una ciudad, el cual es un problema de tipo set covering. El objetivo es usar la
menor cantidad de dispositivos brindando un buen servicio al usuario final. Como un análisis
extra se suma un estudio para insertar redundancias (dispositivos extra) en zonas importantes
o de interés, para eso se tuvo que definir ¿Qué es una zona de interés? y cómo identificarlas
Para este trabajo se consideraron la ciudad de Berlín y el AMBA. Sobre estas zonas se usaron
las paradas de colectivo como input, luego se complementan con otras fuentes de información
y se asignan los dispositivos según cuatro modelos diferentes. Sobre cada modelo se hace un
análisis de los resultados obtenidos.
El primer modelo planteado es por fuerza bruta. Los restantes son de Programación Lineal
Entera: uno un modelo estándar, en el siguiente se agregaron restricciones por puntos de
interés cercanos y el último suma restricciones de redundancias.
A lo largo del trabajo se demostró las limitaciones del algoritmo por fuerza bruta y la
escalabilidad de las soluciones con modelos de Programación Lineal Entera, pudiendo definir
de manera precisa y objetiva donde colocar los dispositivos en las ciudades. | es_AR |
