: Predicción de comisiones en pagos internacionales y su implementación en una Herramienta de Business Intelligence

Abstract

En el ámbito de los pagos internacionales, la correcta estimación de los costes transaccionales representa un factor crítico para la rentabilidad de las operaciones. Ebury, entidad fintech especializada en pagos transfronterizos y gestión de divisas, se enfrentaba a la imposibilidad de predecir con precisión las comisiones cargadas por los bancos corresponsales antes de la ejecución de cada transacción, lo que generaba tanto pérdidas de margen operativo como situaciones de falta de transparencia con el cliente. En este trabajo se presenta el diseño, desarrollo e implementación de una herramienta centralizada de predicción de costes transaccionales integrada en el ecosistema de Business Intelligence de la compañía. Para ello, se ha construido un modelo de datos sobre Google BigQuery utilizando dbt como motor de transformación, procesando más de 350.000 combinaciones únicas de divisa, entidad emisora, país de destino y tramo de importe. El modelo incorpora además un componente probabilístico basado en el análisis del histórico de más de 2 millones de transacciones reales ejecutadas desde mayo de 2024, volumen que crece de forma continua al ejecutarse el modelo a diario, y que permite estimar la ruta bancaria más probable y su coste asociado para cada operación. Los resultados se exponen a través de un dashboard interactivo en Sigma Computing, accesible en tiempo real por el equipo comercial. La herramienta permite reducir la incertidumbre en la tarificación, proteger el margen operativo y mejorar la calidad de la información ofrecida al cliente. Como línea futura de trabajo, se propone la implementación de un motor de recomendación basado en la fragmentación estratégica de pagos de gran volumen.

In the field of international payments, the accurate estimation of transactional costs is a critical factor for operational profitability. Ebury, a fintech company specialising in cross-border payments and foreign exchange management, faced the inability to reliably predict the fees charged by correspondent banks prior to transaction execution, leading to margin erosion and a lack of transparency towards clients. This work presents the design, development and implementation of a centralised transactional cost prediction tool integrated into the company’s Business Intelligence ecosystem. A data model was built on Google BigQuery using dbt as the transformation engine, processing over 350,000 unique combinations of currency, issuing entity, destination country and amount bracket. The model also incorporates a probabilistic component based on the analysis of over 2 million historical transactions executed since May 2024, a volume that grows continuously as the model runs daily, enabling the estimation of the most likely banking route and its associated cost for each operation. Results are delivered through an interactive dashboard in Sigma Computing, accessible in real time by the sales team. The tool reduces pricing uncertainty, protects operational margins and improves the quality of cost information provided to clients. As a future line of work, the implementation of a recommendation engine based on the strategic splitting of high-volume payments is proposed.