Modelo predictivo de detractores en casos de customer service

La industria del e-commerce viene creciendo a un ritmo exponencial tras cambios en los hábitos del consumo. En entornos cada vez más competitivos, aquellas empresas que adquieren políticas enfocadas en el usuario logran captar la mayor parte del crecimiento del negocio y así subsistir en el tiemp...

Descripción completa

Detalles Bibliográficos
Autor principal: Novo, Lucas
Otros Autores: Dalla Via Monti, Josefina
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2023
Materias:
Comercio electrónico
Comportamiento del Consumidor
Aprendizaje automático
e-commerce
Ingeniería de Atributos
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/11863
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-11863
record_format dspace
spelling I57-R163-20.500.13098-118632023-06-06T07:36:35Z Modelo predictivo de detractores en casos de customer service Novo, Lucas Dalla Via Monti, Josefina Comercio electrónico Comportamiento del Consumidor Aprendizaje automático e-commerce Ingeniería de Atributos La industria del e-commerce viene creciendo a un ritmo exponencial tras cambios en los hábitos del consumo. En entornos cada vez más competitivos, aquellas empresas que adquieren políticas enfocadas en el usuario logran captar la mayor parte del crecimiento del negocio y así subsistir en el tiempo. En la presente tesis se argumenta que, mediante técnicas de aprendizaje automático, se puede obtener información valiosa de los grandes volúmenes de datos que maneja una de las empresas latinoamericanas más importantes de e-commerce y así tomar decisiones de negocio que ayuden a mejorar la experiencia de los usuarios. Se trabajaron diferentes modelos de aprendizaje automático con los datos (estructurados y no estructurados) disponibles de todos los casos abiertos por los usuarios en los canales offline del centro de customer service, y que tuvieron una respuesta en la encuesta de NPS (Net Promoter Score). El foco del trabajo estuvo puesto en la construcción de un modelo de aprendizaje automático que pudiera predecir la probabilidad de que un caso entrante termine con una mala experiencia, en función de la información conocida (nivel del usuario, país, proceso, etc.) y del texto que escribe explicando su motivo de contacto. Mediante el uso de técnicas de ingeniería de atributos, procesamiento del lenguaje natural y experimentación con diferentes algoritmos, se logró sacar provecho de una base de datos en un contexto de un problema de clasificación. Como resultado, se obtuvo un modelo con un rendimiento que alcanzó un puntaje de 0.70 de área bajo la curva ROC. Dicho modelo, tiene como objetivo ser la base para construir una mejora al sistema de asignación actual de la empresa (el cual se basa en asignar los casos de manera aleatoria) y así proponer una asignación de los casos con mayor probabilidad de detracción a los mejores representantes, de forma que podría servir para mitigar una mala experiencia del usuario, asignando el mejor representante al caso abierto. Tomando una serie de supuestos, se midió el impacto económico de implementar este nuevo sistema de asignación y se obtuvo que la ganancia anual sería de 4,2 millones de dólares. 2023-06-05T22:00:44Z 2023-06-05T22:00:44Z 2021 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/11863 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 77 p. application/pdf application/pdf Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Comercio electrónico
Comportamiento del Consumidor
Aprendizaje automático
e-commerce
Ingeniería de Atributos
spellingShingle Comercio electrónico
Comportamiento del Consumidor
Aprendizaje automático
e-commerce
Ingeniería de Atributos
Novo, Lucas
Modelo predictivo de detractores en casos de customer service
topic_facet Comercio electrónico
Comportamiento del Consumidor
Aprendizaje automático
e-commerce
Ingeniería de Atributos
description La industria del e-commerce viene creciendo a un ritmo exponencial tras cambios en los hábitos del consumo. En entornos cada vez más competitivos, aquellas empresas que adquieren políticas enfocadas en el usuario logran captar la mayor parte del crecimiento del negocio y así subsistir en el tiempo. En la presente tesis se argumenta que, mediante técnicas de aprendizaje automático, se puede obtener información valiosa de los grandes volúmenes de datos que maneja una de las empresas latinoamericanas más importantes de e-commerce y así tomar decisiones de negocio que ayuden a mejorar la experiencia de los usuarios. Se trabajaron diferentes modelos de aprendizaje automático con los datos (estructurados y no estructurados) disponibles de todos los casos abiertos por los usuarios en los canales offline del centro de customer service, y que tuvieron una respuesta en la encuesta de NPS (Net Promoter Score). El foco del trabajo estuvo puesto en la construcción de un modelo de aprendizaje automático que pudiera predecir la probabilidad de que un caso entrante termine con una mala experiencia, en función de la información conocida (nivel del usuario, país, proceso, etc.) y del texto que escribe explicando su motivo de contacto. Mediante el uso de técnicas de ingeniería de atributos, procesamiento del lenguaje natural y experimentación con diferentes algoritmos, se logró sacar provecho de una base de datos en un contexto de un problema de clasificación. Como resultado, se obtuvo un modelo con un rendimiento que alcanzó un puntaje de 0.70 de área bajo la curva ROC. Dicho modelo, tiene como objetivo ser la base para construir una mejora al sistema de asignación actual de la empresa (el cual se basa en asignar los casos de manera aleatoria) y así proponer una asignación de los casos con mayor probabilidad de detracción a los mejores representantes, de forma que podría servir para mitigar una mala experiencia del usuario, asignando el mejor representante al caso abierto. Tomando una serie de supuestos, se midió el impacto económico de implementar este nuevo sistema de asignación y se obtuvo que la ganancia anual sería de 4,2 millones de dólares.
author2 Dalla Via Monti, Josefina
author_facet Dalla Via Monti, Josefina
Novo, Lucas
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Novo, Lucas
author_sort Novo, Lucas
title Modelo predictivo de detractores en casos de customer service
title_short Modelo predictivo de detractores en casos de customer service
title_full Modelo predictivo de detractores en casos de customer service
title_fullStr Modelo predictivo de detractores en casos de customer service
title_full_unstemmed Modelo predictivo de detractores en casos de customer service
title_sort modelo predictivo de detractores en casos de customer service
publisher Universidad Torcuato Di Tella
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/11863
work_keys_str_mv AT novolucas modelopredictivodedetractoresencasosdecustomerservice
_version_ 1768086694145294336

Ejemplares similares