Modelo predictivo de detractores en casos de customer service

Abstract

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.