Show simple item record

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributorMarenco, Javieres_AR
dc.contributor.authorLoose, Santiagoes_AR
dc.date.accessioned2023-01-10T19:24:44Z
dc.date.available2023-01-10T19:24:44Z
dc.date.issued2022
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/11582
dc.description.abstractEn los últimos años, las empresas de e-commerce han crecido exponencialmente y, debido a sus elevados volúmenes de actividad (ventas, entregas, transacciones, etcétera), suelen generar fricciones con los usuarios finales del producto, quienes tienen preguntas, consultas y quejas, que los llevan a contactarse con equipos de Customer Service para obtener soporte. Estamos en un mercado muy dinámico, sobre todo en compañías digitales y tecnológicas, ya que constantemente surgen nuevos competidores que brindan servicios similares para dichos usuarios, motivo por el cual se generan ambientes altamente competitivos, y es por esto por lo que toda empresa busca brindar cada vez mejores experiencias para los usuarios de manera tal de destacarse ante la competencia. El corriente trabajo de investigación parte del análisis de un modelo de Machine Learning llamado Natural Language Programming (NLP) que analiza el texto escrito por un usuario al momento de contactarse con un equipo de Customer Service. Tras analizar dicho texto, es posible determinar la probabilidad de detracción de un determinado caso de incoming en las encuestas de NPS. Luego de conocer la probabilidad de detracción de un caso de incoming generado por un usuario, la misma fue considerada como input para el desarrollo de diferentes estrategias de asignación de éste a los respectivos agentes del equipo de Customer Service (que son quienes gestionan las consultas de dichos usuarios). De esta manera se proponen una alternativa de asignación de casos que reemplazaría a la estrategia que se realiza actualmente en dicha compañía. Se llevaron a cabo distintas estrategias para realizar dichas asignaciones, las cuales finalmente se compararon entre sí con el objetivo de encontrar cuál de ellas se debe recomendar a la empresa en cuestión para que pueda implementar en la operación de su equipo de Customer Service. Estas estrategias se pueden dividir en dos grupos: asignaciones manuales y automatizadas a través de modelos de programación lineal entera de tipo batching utilizando un software de optimización combinatoria. Independientemente de la estrategia que se utilice, el objetivo consiste en asignar todos los casos de incoming entre los respectivos agentes de Customer Service de manera tal de reducir las probabilidades de detracción de dichos usuarios tras la gestión de su correspondiente consulta o pregunta. La estrategia de asignación resultante es aquella que logra la asignación óptima en la dupla de caso de incoming – agente de Customer Service. Luego de realizar la comparación de distintas estrategias, se llega a la conclusión de que la asignación más adecuada para usar en la práctica es aquella que surge al utilizar un modelo de programación lineal entera de tipo batching ya que es la estrategia que logra maximizar la función objetivo considerada, logrando buenos resultados, con un tiempo de espera en la cola de gestión del caso de incoming razonable para el usuario.es_AR
dc.format.extent77 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectComportamiento del Consumidores_AR
dc.subjectSatisfaccion del clientees_AR
dc.titleModelo de Asignación de casos de Incoming a un equipo de Customer Servicees_AR
dc.typeinfo:eu-repo/semantics/otheres_AR
dc.subject.keyworde-commercees_AR
dc.subject.keywordMachine Learninges_AR
dc.subject.keywordNatural Lenguage Programminges_AR
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_AR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record