💰 quantitative finance

Fair Distribution of Digital Payments: Balancing Transaction Flows for Regulatory Compliance

Este artículo aborda el desafío computacional de redistribuir las transacciones de pagos digitales para cumplir con el límite del 30% de cuota de mercado de aplicaciones UPI en la India, formalizando el problema como el problema de Flujo de Activación de Aristas Mínimas NP-Completo y proponiendo una heurística escalable, DTAS, que minimiza eficientemente las molestias al usuario mientras impone los límites regulatorios.

Autores originales: Ashlesha Hota, Shashwat Kumar, Daman Deep Singh, Abolfazl Asudeh, Palash Dey, Abhijnan Chakraborty

Publicado 2026-06-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ashlesha Hota, Shashwat Kumar, Daman Deep Singh, Abolfazl Asudeh, Palash Dey, Abhijnan Chakraborty

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el sistema de pagos digitales de la India, UPI, como un sistema de autopistas masivo y superrápido donde miles de millones de personas conducen su dinero cada día. Ahora mismo, casi todo el mundo conduce por solo dos carreteras específicas: PhonePe y Google Pay. Estas dos "apps" son tan populares que están gestionando más del 80% de todo el tráfico.

Esto crea un problema. Si una de estas dos carreteras tiene un bache enorme (una caída del servidor) o si se congestiona demasiado, todo el sistema podría atascarse. Además, se siente injusto que la infraestructura gratuita del gobierno esté siendo utilizada principalmente por solo dos empresas.

Para solucionar esto, el regulador (NPCI) tiene una nueva regla: Ninguna aplicación individual puede transportar más del 30% del tráfico total.

El Gran Desafío

Aquí está la parte complicada: No puedes simplemente decirle a millones de personas: "Deja de usar tu aplicación favorita y cámbiate a una nueva hoy mismo". La gente es una criatura de hábitos; les gustan las aplicaciones que ya tienen.

Si una aplicación alcanza su límite del 30%, el sistema no puede simplemente bloquear el pago del usuario (eso sería grosero y causaría errores). En su lugar, el sistema necesita guiar suavemente a los usuarios hacia otras aplicaciones menos congestionadas. Pero la mayoría de la gente solo tiene una o dos aplicaciones instaladas. Para usar una aplicación diferente, tienen que descargar e instalarla primero.

Los investigadores hicieron una pregunta simple: ¿Cuál es el número mínimo absoluto de personas que necesitan instalar una nueva aplicación para que los pagos de todos puedan seguir realizándose sin romper la regla del 30%?

El "Acertijo" que Resolvieron

Los autores se dieron cuenta de que esto es un rompecabezas matemático gigante y complejo.

Los Jugadores: Millones de usuarios (que tienen diferentes cantidades de dinero para enviar) y muchas aplicaciones (que tienen un límite de cuánto tráfico pueden manejar).
El Objetivo: Conectar usuarios con aplicaciones de modo que ninguna aplicación se sobrecargue, mientras se obliga al menor número posible de personas a descargar una nueva aplicación.

Demostraron que resolver esto perfectamente es increíblemente difícil; tan difícil que incluso las supercomputadoras más rápidas tardarían una eternidad en encontrar la respuesta perfecta para un escenario del mundo real. Es como intentar resolver un Sudoku donde la cuadrícula tiene el tamaño de una ciudad y las reglas cambian cada segundo.

Su Solución: El "Gestor de Tráfico Inteligente"

Dado que no podían resolver el acertijo perfecto instantáneamente, construyeron un "Gestor de Tráfico Inteligente" llamado DTAS (Estrategia de Asignación de Dos Etapas Desacopladas). Piensa en esto como un policía de tráfico muy astuto que utiliza algunos trucos inteligentes:

La Regla de "Primero lo Ligero":
Imagina una fiesta donde tienes que sentar a los invitados. Si sientas primero a los invitados gigantes y pesados, ocuparán todas las mesas grandes, dejando a los invitados pequeños sin lugar donde sentarse.
Los investigadores descubrieron que si intentas dirigir a los "usuarios pesados" (personas que realizan miles de transacciones) primero, estos consumen toda la capacidad de las aplicaciones populares de inmediato. Esto obliga a todos los demás a instalar nuevas aplicaciones.
Su truco: Dirigir a los "usuarios ligeros" (personas que pagan por un café o artículos pequeños) primero. Ellos encajan fácilmente en los asientos vacíos. Para cuando llegan los "usuarios pesados", todavía hay espacio suficiente para que ellos compartan la carga sin necesidad de instalar nuevas aplicaciones.
El Truco de "Espera un Segundo" (para sistemas en línea):
En el mundo real, los pagos ocurren uno por uno, y el sistema no sabe quién es un usuario pesado hasta que comienzan a pagar.
El sistema utiliza un "sketch" (un truco de memoria rápida) para adivinar quién es un usuario pesado. Si cree que alguien es un usuario pesado, pone su pago en una fila de espera por una fracción de segundo. Este retraso permite al sistema ver el panorama completo y dirigir el pago a una aplicación menos congestionada, en lugar de volcarlo en la más popular.
La Opción de "Equidad":
También construyeron una versión llamada Fair_DTAS. Esta versión se preocupa aún más por asegurar que cada aplicación reciba una parte justa del tráfico, no solo por evitar el límite del 30%. Es como un profesor que no solo se asegura de que ningún estudiante repruebe, sino que garantiza que todos reciban una atención similar. Esto cuesta que un poco más de personas instalen nuevas aplicaciones, pero crea un ecosistema mucho más equilibrado.

Lo que Encontraron

Probaron su sistema utilizando datos de 100 millones de transacciones (simuladas a partir de datos bancarios reales).

Eficiencia: Su "Gestor de Tráfico Inteligente" fue casi tan bueno como la solución matemática perfecta, pero funcionó millones de veces más rápido.
Costo: Requirió solo 1 o 2 instalaciones de aplicaciones adicionales por usuario en promedio en comparación con el mejor caso teórico.
El Intercambio (Trade-off): Mostraron una curva clara: Si quieres una distribución de tráfico perfectamente justa, necesitas que un poco más de personas instalen nuevas aplicaciones. Si solo quieres cumplir con la regla del 30% con el menor esfuerzo, instalas menos aplicaciones, pero el tráfico está menos distribuido de manera uniforme.

La Conclusión

Este artículo es el primero en tratar este problema regulatorio como un acertijo de ciencias de la computación. Demuestra que no necesitamos obligar a millones de personas a cambiar sus hábitos de la noche a la mañana. En cambio, mediante el uso de algoritmos inteligentes para decidir quién debería instalar qué aplicación, los reguladores pueden aplicar la regla del 30% de manera fluida, manteniendo la autopista de pagos digitales fluyendo libremente para todos sin causar un atasco de tráfico.

Resumen Técnico: Distribución Justa de Pagos Digitales

1. Definición del Problema

El artículo aborda el problema de UPI con Restricción de Capacidad, un desafío regulatorio derivado de la concentración de transacciones dentro del ecosistema de la Interfaz de Pagos Unificados (UPI) en la India. Actualmente, dos aplicaciones (PhonePe y Google Pay) procesan más del 80% de las transacciones, lo que crea riesgos sistémicos y una utilización desigual de los subsidios públicos. Para mitigar esto, la Corporación Nacional de Pagos de la India (NPCI) ha estipulado que ninguna aplicación UPI individual puede procesar más del 30% del volumen total de transacciones.

El desafío computacional central es redistribuir las transacciones de los usuarios entre las aplicaciones para satisfacer este tope del 30% minimizando la inconveniencia del usuario, definida aquí como el número de instalaciones de aplicaciones adicionales requeridas. El problema se modela como un problema de Flujo de Activación de Mínima Arista (MEAF) en una red bipartita:

Nodos: Usuarios ( $U$ ) y Aplicaciones ( $A$ ).
Aristas: Las aristas sólidas representan instalaciones existentes; las aristas discontinuas representan posibles nuevas instalaciones.
Restricciones: Los usuarios tienen volúmenes de transacción ( $t_u$ ); las aplicaciones tienen límites de capacidad ( $c_a$ ).
Objetivo: Activar el subconjunto mínimo de aristas discontinuas (nuevas instalaciones) para enrutar todas las transacciones desde una fuente a un sumidero sin violar las capacidades de las aplicaciones.

El problema se formaliza en tres variantes:

UPI con Restricción de Capacidad: Entorno offline con registros de transacciones conocidos.
UPI con Restricción de Capacidad Online: Entorno en tiempo real donde las transacciones llegan secuencialmente sin conocimiento del futuro.
UPI con Restricción de Capacidad Justa: Una extensión que busca equilibrar la distribución de la carga (minimizando la brecha Máximo-Mínimo o el coeficiente de Gini) junto con la minimización de las instalaciones.

2. Análisis de Complejidad

Los autores demuestran que el problema de Flujo de Activación de Mínima Arista es NP-Completo mediante una reducción del problema de 3-Partición.

Dureza: El problema de decisión de encontrar el conjunto más pequeño de activaciones para satisfacer las demandas de flujo es NP-completo, incluso cuando se restringe a tres aplicaciones.
Inaproximabilidad: El problema generaliza el problema de Cobertura de Conjuntos (Set Cover), lo que implica que, a menos que P=NP, no existe un algoritmo de aproximación en tiempo polinomial con un factor mejor que $(1-o(1))\log n$ .
Implicación: Las soluciones exactas (como la Programación Lineal Entera) son computacionalmente intratables a la escala de 100 millones de transacciones, lo que requiere enfoques heurísticos escalables.

3. Metodología

El artículo propone una serie de algoritmos que van desde formulaciones exactas hasta heurísticas escalables para entornos tanto offline como online.

3.1 Formulaciones Exactas (ILP)

Se desarrollan dos modelos de Programación Lineal Entera (ILP) como líneas base:

ILP de Minimización de Instalación: Minimiza el número de aristas discontinuas activadas sujeto a la conservación del flujo y las restricciones de capacidad.
ILP de Equidad Máximo-Mínimo: Utiliza el recuento de instalaciones óptimo del primer modelo como una restricción de presupuesto y maximiza el nivel de carga mínimo entre las aplicaciones para garantizar la equidad.

3.2 Estrategia Offline: Estrategia de Asignación Desacoplada de Dos Etapas (DTAS)

Para manejar datos offline a gran escala, los autores proponen DTAS, una heurística voraz (greedy) que aprovecha la asimetría de la carga de trabajo (donde una pequeña fracción de usuarios genera la mayoría de las transacciones).

Idea Clave: Procesar los usuarios en orden descendente de volumen de transacción (priorizando a los usuarios "pesados") satura rápidamente las aplicaciones de alta capacidad, obligando a los usuarios "ligeros" a instalar nuevas aplicaciones innecesariamente.
Mecanismo: DTAS procesa a los usuarios en orden ascendente de volumen de transacción.
- Fase 1: Asigna transacciones utilizando las aplicaciones preinstaladas.
- Fase 2: Satisface la demanda restante tomando prestado de un grupo compartido de aplicaciones existentes antes de activar nuevas instalaciones.
Resultado: Este orden preserva la flexibilidad de capacidad para los usuarios pesados posteriormente, reduciendo significativamente el número total de instalaciones requeridas.

3.3 Estrategias Online

Para el enrutamiento de transacciones en tiempo real, el artículo introduce algoritmos adaptativos:

Online_DTAS: Una extensión de DTAS para datos de flujo (streaming).
- Detección de Usuarios Pesados: Utiliza un algoritmo de boceto (sketch) Space-Saving para estimar dinámicamente las frecuencias de los usuarios e identificar usuarios "pesados" sin mantener contadores para todos los usuarios.
- Programación Retardada: Los usuarios pesados se detienen temporalmente en una cola de prioridad acotada. Los usuarios ligeros se enrutan inmediatamente utilizando la estrategia de tres niveles (preinstalado $\to$ grupo compartido $\to$ nueva instalación).
- Mecanismo de Drenaje: Las transacciones de usuarios pesados retrasadas se procesan periódicamente para evitar el desbordamiento de la cola, asegurando la eficiencia a largo plazo.
Fair_DTAS: Una extensión de Online_DTAS orientada a la equidad.
- Puntuación Compuesta: En lugar de seleccionar aplicaciones basándose únicamente en la disponibilidad, utiliza una función de puntuación: $Score(a) = \alpha \cdot InstallPenalty(a) + \beta \cdot \Delta Fair(a)$ .
- Término de Equidad: $\Delta Fair(a)$ estima el aumento en el desequilibrio de carga global (varianza) si una transacción se asigna a la aplicación $a$ .
- Compromiso (Trade-off): Los parámetros $\alpha$ y $\beta$ permiten a los reguladores ajustar el equilibrio entre minimizar los costos de instalación y maximizar el equilibrio de la carga.

4. Resultados Experimentales

Los autores evaluaron sus métodos utilizando un conjunto de datos de 100 millones de transacciones derivado del conjunto de datos de transacciones de Rabobank, escalado para simular los patrones de uso de UPI.

Eficiencia vs. Optimidad: DTAS logra resultados dentro de 1 a 2 instalaciones adicionales del óptimo de ILP en todas las escalas probadas, mientras que se ejecuta varios órdenes de magnitud más rápido.
Sobrecarga de Instalación:
- Online_DTAS supera significativamente a las líneas base (Random, Least_Used) y a las variantes de ablación (DTAS_No_Delay) en la minimización de instalaciones.
- Fair_DTAS incurre en un aumento modesto en el costo de instalación (aproximadamente un 21% más que Online_DTAS) pero logra un índice de equidad de Jain de 0.89, comparado con ~0.42 para otros métodos.
Sensibilidad de Capacidad:
- Con un límite estricto de capacidad de aplicación del 10%, aproximadamente el 2.25% de los usuarios requieren nuevas instalaciones, y ~65 millones de transacciones quedan sin asignar.
- Con un límite del 30% (el tope propuesto por la NPCI), las transacciones no asignadas disminuyen significativamente, y la necesidad de nuevas instalaciones se vuelve insignificante para la gran mayoría de los usuarios.
- Los autores señalan que aumentar los límites de capacidad mejora la factibilidad, pero puede fortalecer inadvertidamente el duopolio al permitir que las aplicaciones dominantes absorban más carga.

5. Significancia y Reivindicaciones

El artículo afirma ser el primer trabajo en modelar y abordar formalmente el problema de equilibrar los flujos de transacciones financieras para el cumplimiento regulatorio. Su significancia radica en:

Factibilidad Regulatoria: Proporciona un marco algorítmico concreto para aplicar el tope del 30% de la NPCI sin interrumpir los hábitos de los usuarios o causar fallos en las transacciones.
Análisis Costo-Beneficio: Cuantifica el compromiso entre la equidad y los costos de instalación, ofreciendo a los responsables de políticas una "curva de compromiso concreta" para informar los plazos de cumplimiento y los presupuestos de incentivos (por ejemplo, programas de cashback).
Escalabilidad: Demuestra que se pueden lograr soluciones casi óptimas a la escala de 100 millones de transacciones utilizando heurísticas escalables, lo que hace que la solución sea viable para un despliegue en el mundo real.
Perspectiva Conductual: Destaca que retrasar a los usuarios pesados y priorizar a los usuarios ligeros es contraintuitivo pero crítico para la eficiencia del sistema, un hallazgo que desafía las heurísticas estándar de equilibrio de carga.

Los autores concluyen que, si bien su formulación actual se centra en el recuento de transacciones, el trabajo futuro podría incorporar valores de transacción para abordar los riesgos financieros y equilibrios de equidad más ricos. Enfatizan que su marco sirve como una herramienta de soporte de decisiones para que los reguladores mantengan un ecosistema de pagos digitales competitivo, resiliente y equitativo.