Show simple item record

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributor.advisorGálvez, Ramiro H.
dc.contributor.authorGonzález Giménez, Martín Cruzes_AR
dc.date.accessioned2024-03-04T17:54:18Z
dc.date.available2024-03-04T17:54:18Z
dc.date.issued2023
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/12441
dc.description.abstractLos canales conversacionales se volvieron uno de los medios más elegidos por empresas y usuarios para relacionarse. Muchas empresas buscan ofrecer parte de sus servicios y su atención al cliente mediante estos canales. Esto se debe a que disminuyen la fricción en adopción para el usuario y son potencialmente más intuitivos para navegar que canales tradicionales como sitios web o aplicaciones. Sin embargo, lograr adaptar la experiencia ofrecida durante el transcurso de las conversaciones para maximizar la satisfacción de los usuarios, es un desafío que en la mayoría de estas empresas no se está tratando. Bajo este contexto, Bleett es una startup que diseña, implementa y desarrolla soluciones en el canal conversacional (chatbots) para este tipo de empresas. El objetivo de este trabajo es intentar encontrar un modelo que permita clasificar experiencias conversacionales negativas, utilizando la información disponible dentro de los primeros intercambios de cualquier conversación, para rescatarlas mediante la participación de operadores humanos y así mejorar la experiencia de usuario que ofrece el canal. Se utilizarán los datos de las conversaciones de un cliente Bleett, que se mantendrá anónimo, para perseguir este objetivo. Los resultados obtenidos sugieren que dicha estrategia de rescate de conversaciones es posible y justifican su implementación a modo de evaluación para validar el impacto real que podría tener en el nivel de satisfacción del usuario. En este trabajo se analizan datos de conversaciones de atención al cliente reales para validar la naturaleza de la propuesta. Se presenta en detalle las decisiones metodológicas detrás de los modelos desarrollados, se explican las transformaciones realizadas sobre la estructura de datos para generar los features utilizados por los modelos, se evalúa la performance de los mismos y finalmente se discuten como aplicar los modelos entrenados dentro de la solución y posibles mejoras para futuras iteraciones.es_AR
dc.format.extent72 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.languageenges_AR
dc.publisherUniversidad Torcuato Di Tellaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectCanales conversacionaleses_AR
dc.subjectAtención al clientees_AR
dc.subjectCustomer carees_AR
dc.subjectExperiencia de usuarioes_AR
dc.subjectCustomer experiencees_AR
dc.subjectCustomer carees_AR
dc.subjectSatisfaccion del clientees_AR
dc.subjectUser satisfactiones_AR
dc.titleModelos de intervención preventiva de experiencias conversacionales negativas en servicios de atención al clientees_AR
dc.typeinfo:eu-repo/semantics/masterThesises_AR
dc.typeinfo:ar-repo/semantics/tesis de maestríaes_AR
thesis.degree.nameMaster in Management + Analyticsen
dc.subject.keywordChatbotses_AR
dc.subject.keywordBleett (startup)es_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