Análisis de datos para la gestión de carteras castigadas en Contact Centers Virtuales
Barra lateral del artículo
Contenido principal del artículo
Introducción: los contact center virtuales que brindan servicios BPO han experimentado un crecimiento exponencial en los sectores de atención al cliente, ventas y cobranzas en los últimos años. Este crecimiento ha impulsado una búsqueda continua de mayores niveles de eficacia y eficiencia operativa en la gestión de usuarios, especialmente en el contexto de la recuperación de carteras y la optimización de tiempos de gestión.
Objetivo: el objetivo de este estudio es analizar datos históricos mediante técnicas de análisis de datos exploratorios y modelos de aprendizaje automático para identificar estrategias que mejoren la efectividad operativa, específicamente en términos de la cantidad de carteras recuperadas y el tiempo necesario para completar las tareas de gestión.
Metodología: la metodología sigue el marco del ciclo de vida de los datos para proyectos de aprendizaje automático, abarcando seis etapas: desde la adquisición de datos hasta la implementación del modelo. Se aplicaron análisis exploratorios para comprender los patrones en los datos y luego se implementaron modelos de aprendizaje automático para prever y mejorar el rendimiento de la gestión de carteras.
Resultados: los resultados obtenidos se compararon con el modelo basado en reglas utilizado actualmente por la empresa y un enfoque de gestión manual basado en la experiencia de los analistas. Los resultados muestran una mejora significativa del 21,8% en la eficacia respecto a la gestión manual y una mejora del 519,51% en comparación con el modelo basado en reglas existente.
Conclusiones: el estudio demuestra que la implementación de modelos de aprendizaje automático puede mejorar considerablemente la eficiencia operativa en los contact center virtuales, superando significativamente los enfoques tradicionales basados en reglas y la gestión manual. Estos resultados destacan el potencial de la inteligencia artificial para transformar la gestión de usuarios en el ámbito de los servicios BPO, mejorando tanto la recuperación de carteras como los tiempos de ejecución de las tareas.
L. Wang, N. Huang, Y. Hong, L. Liu, X. Guo, and G. Chen, “Voice-based AI in call center customer service: A natural field experiment,” Production and Operations Management, vol. 32, no. 4, pp. 1002-1018, 2023. https://doi.org/10.1111/poms.13953 DOI: https://doi.org/10.1111/poms.13953
B. Li and L. Liu, “Does voice-based AI improve call center operational performance? Event study in a working telecommunication company,” in PACIS 2021 Proceedings, vol. 132, 2021. Available: https://aisel.aisnet.org/pacis2021/132.
F. Kreuter and G. Müller, “A note on improving process efficiency in panel surveys with paradata,” Field Methods, vol. 27, no. 1, pp. 55-65, 2015. https://doi.org/10.1177/1525822X14538205 DOI: https://doi.org/10.1177/1525822X14538205
Z. Zhang, B. Li, and L. Liu, “The impact of AI-based conversational agent on the firms’ operational performance: Empirical evidence from a call center,” Applied Artificial Intelligence, vol. 37, no. 1, 2022. https://doi.org/10.1080/08839514.2022.2157592 DOI: https://doi.org/10.1080/08839514.2022.2157592
Ş. Ozan, “Classification of audio segments in call center recordings using convolutional recurrent neural networks,” arXiv e-prints, Art. no. arXiv:2106.02422, 2021. Available: https://arxiv.org/pdf/2106.02422
C. Sánchez, S. Maldonado, and C. Vairetti, “Improving debt collection via contact center information: A predictive analytics framework,” Decision Support Systems, vol. 159, p. 113812, 2022. https://doi.org/10.1016/j.dss.2022.113812 DOI: https://doi.org/10.1016/j.dss.2022.113812
M. Pinelis and D. Ruppert, “Machine learning portfolio allocation,” The Journal of Finance and Data Science, vol. 8, pp. 35-54, 2022. https://doi.org/10.1016/j.jfds.2021.12.001 DOI: https://doi.org/10.1016/j.jfds.2021.12.001
K. Sivamayilvelan, et al., “Flexible recommendation for optimizing the debt collection process based on customer risk using deep reinforcement learning,” Expert Systems with Applications, vol. 256, p. 124951, 2024. https://doi.org/10.1016/j.jfds.2021.12.001 DOI: https://doi.org/10.1016/j.eswa.2024.124951
G. Lemaitre, F. Nogueira, and C. K. Aridas, “Imbalanced-learn: A Python toolbox to tackle the curse of imbalanced datasets in machine learning,” Journal of Machine Learning Research, vol. 18, pp. 1-5, 2017. Available: https://inria.hal.science/hal-01516244v1.
L. Breiman, “Random forests,” Machine Learning, vol. 45, pp. 5-32, 2001. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324
D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning, Academic Press, 2020, pp. 101-121. https://doi.org/10.1016/B978-0-12-815739-8.00006-7 DOI: https://doi.org/10.1016/B978-0-12-815739-8.00006-7
T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ‘16), New York, NY, USA: Association for Computing Machinery, 2016, pp. 785-794. https://doi.org/10.1145/2939672.2939785 DOI: https://doi.org/10.1145/2939672.2939785
Á. F. Pinheiro, D. S. da Silveira, and F. B. de Lima Neto, “Use of machine learning for active public debt collection with recommendation for the method of collection via protest,” in CS & IT Conference Proceedings, vol. 12, no. 9, May 2022. https://doi.org/10.5121/csit.2022.120909 DOI: https://doi.org/10.5121/csit.2022.120909
E. Dumitrescu, et al., “Machine learning for credit scoring: Improving logistic regression with non-linear decision-tree effects,” European Journal of Operational Research, vol. 297, no. 3, pp. 1178-1192, 2022. https://doi.org/10.1016/j.ejor.2021.06.053 DOI: https://doi.org/10.1016/j.ejor.2021.06.053
M. Doumpos, et al., “Operational research and artificial intelligence methods in banking,” European Journal of Operational Research, vol. 306, no. 1, pp. 1-16, 2023. https://doi.org/10.1016/j.ejor.2022.04.027 DOI: https://doi.org/10.1016/j.ejor.2022.04.027
S. Akter, et al., “Algorithmic bias in machine learning-based marketing models,” Journal of Business Research, vol. 144, pp. 201-216, 2022. https://doi.org/10.1016/j.jbusres.2022.01.083 DOI: https://doi.org/10.1016/j.jbusres.2022.01.083
A. M. Benavides, et al., Modelo para la predicción de interacciones recibidas en un centro de atención telefónico, Tesis de maestría, Facultad de Ingeniería, Pontificia Universidad Javeriana, Bogotá, Colombia, 2022. [Online]. Available: http://hdl.handle.net/10554/61764
M. Calero, M. Baldeon Calisto, S. Bonilla, and D. Riofrio, “Application of machine learning algorithms for the prediction of payment by agreement in a debt collection company with the CRISP-DM methodology,” in 3rd South American International Conference on Industrial Engineering and Operations Management, May 2022. https://doi.org/10.46254/SA03.20220112 DOI: https://doi.org/10.46254/SA03.20220112
D. M. Arango Correa, L. J. Colmenares Colmenares, and I. C. Rave Contreras, “Comparación entre el método tradicional y algunos basados en inteligencia artificial para el estudio del riesgo crediticio en instituciones financieras colombianas,” 2018. Available: http://hdl.handle.net/10784/12983
S. Tyagi, “Analyzing machine learning models for credit scoring with explainable AI and optimizing investment decisions,” arXiv preprint, arXiv:2209.09362, 2022. Available: https://arxiv.org/abs/2209.09362
Kaggle, “Give Me Some Credit - Kaggle Competition,” Kaggle, Available: https://www.kaggle.com/competitions/GiveMeSomeCredit [Accessed: Feb. 19, 2025].
Aceptado 2025-02-10
Publicado 2025-02-20
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
Los autores ceden los derechos patrimoniales a la revista y a la Universidad del Valle sobre los manuscritos aceptados, pero podrán hacer los reusos que consideren pertinentes por motivos profesionales, educativos, académicos o científicos, de acuerdo con los términos de la licencia que otorga la revista a todos sus artículos.
Los artículos serán publicados bajo la licencia Creative Commons 4.0 BY-NC-SA (de atribución, no comercial, sin obras derivadas).