Business">
Nothing Special   »   [go: up one dir, main page]
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 19 vistas

    Entregable Etapa I

    Cargado por

    Johnattan Solis
    Este documento presenta un anteproyecto para desarrollar un modelo de pronóstico utilizando técnicas de aprendizaje automático para predecir el patrón de llegada de llamadas en una línea de servicio al cliente de BPO. El objetivo es investigar modelos predictivos y herramientas de aprendizaje automático para aplicarlos a un caso de estudio y evaluar su desempeño para establecer cuáles son los más adecuados para predecir el patrón de llegada y optimizar la eficiencia. Se espera identificar

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Entregable Etapa I

    Cargado por

    Johnattan Solis
    19 vistas9 páginas
    Este documento presenta un anteproyecto para desarrollar un modelo de pronóstico utilizando técnicas de aprendizaje automático para predecir el patrón de llegada de llamadas en una línea de servicio al cliente de BPO. El objetivo es investigar modelos predictivos y herramientas de aprendizaje automático para aplicarlos a un caso de estudio y evaluar su desempeño para establecer cuáles son los más adecuados para predecir el patrón de llegada y optimizar la eficiencia. Se espera identificar

    Descripción original:

    Entregable Etapa I

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un anteproyecto para desarrollar un modelo de pronóstico utilizando técnicas de aprendizaje automático para predecir el patrón de llegada de llamadas en una línea de servicio al cliente de BPO. El objetivo es investigar modelos predictivos y herramientas de aprendizaje automático para aplicarlos a un caso de estudio y evaluar su desempeño para establecer cuáles son los más adecuados para predecir el patrón de llegada y optimizar la eficiencia. Se espera identificar

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    19 vistas9 páginas

    Entregable Etapa I

    Cargado por

    Johnattan Solis
    Este documento presenta un anteproyecto para desarrollar un modelo de pronóstico utilizando técnicas de aprendizaje automático para predecir el patrón de llegada de llamadas en una línea de servicio al cliente de BPO. El objetivo es investigar modelos predictivos y herramientas de aprendizaje automático para aplicarlos a un caso de estudio y evaluar su desempeño para establecer cuáles son los más adecuados para predecir el patrón de llegada y optimizar la eficiencia. Se espera identificar

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 9

    FORECASTING PARA LA PREDICCIÓN DEL PATRON DE ARRIBO DE CONTACTOS EN

    UNA LINEA DE BPO

    Johnattan Solis Padilla


    Código 8974378

    Anteproyecto del Proyecto Aplicado para optar al título de


    Magister en Ciencia de Datos

    Director(a)
    Isabel Cristina Garcia Arboleda

    FACULTAD DE INGENIERÍA Y CIENCIAS


    MAESTRÍA EN CIENCIA DE DATOS
    SANTIAGO DE CALI, NOVIEMBRE 11 DE 2022
    FICHA RESUMEN
    ANTEPROYECTO DE TRABAJO DE GRADO

    POSIBLE TÍTULO:

    1. ÁREA DE TRABAJO: Machine Learning


    2. TIPO DE PROYECTO : Aplicado
    3. ESTUDIANTE(S): Johnattan Solis Padilla
    4. CORREO ELECTRÓNICO: johnattans07@javerianacali.edu.co
    5. DIRECCIÓN Y TELEFONO: Calle 99 # 65 64 Barranquilla
    6. DIRECTOR: Isabel Cristina Garcia Arboleda
    7. VINCULACIÓN DEL DIRECTOR:
    8. CORREO ELECTRÓNICO DEL DIRECTOR: isabel.garcia@javerianacali.edu.co
    9. CO-DIRECTOR (Si aplica):
    10. GRUPO O EMPRESA QUE LO AVALA (Si aplica): Teleperformance
    11. OTROS GRUPOS O EMPRESAS:
    12. PALABRAS CLAVE (al menos 5): Forecasting, BPO, Machine Learning, Data Modeling, Sizing.
    13. FECHA DE INICIO: 11/23/2022
    14. DURACIÓN ESTIMADA (En meses): 10
    15. RESUMEN: El tema a trabajar es el desarrollo de un modelo de forecasting utilizando
    técnicas de machine learning para la predicción del patrón de arribo de llamadas en una
    línea de costumer service. Actualmente, en la industria se utilizan métodos simples de
    pronóstico como media móvil o regresiones lineales en base de los datos históricos, sin
    embargo, la pandemia nos demostró que en situaciones donde no existe un referente
    histórico es necesario un modelo de forecasting robusto, capas de predecir en condiciones
    de incertidumbre. Con este proyecto se pretende establecer la técnica o el modelo más
    apropiado para realizar el forecast de arribo de llamadas, esto con el fin de mejorar la
    eficiencia de la línea, esto utilizando las más avanzadas técnicas de machine learning para
    modelos predictivos. Este proyecto será aplicado a una línea de soporte de una cuenta
    anónima, pero se espera que su aplicabilidad se extienda a las más de 250 líneas que opera
    la empresa de BPO más grande en Colombia y una de las mas grandes del mundo.

    2
    3
    TABLA DE CONTENIDO

    Pág.
    INTRODUCCIÓN 5
    1. DEFINICIÓN DEL PROBLEMA ?
    1.1 PLANTEAMIENTO DEL PROBLEMA
    1.2 FORMULACIÓN DEL PROBLEMA
    2. OBJETIVOS DEL PROYECTO
    2.1 OBJETIVO GENERAL
    2.2 OBJETIVOS ESPECÍFICOS
    2.3 RESULTADOS ESPERADOS
    3. ALCANCE
    4. JUSTIFICACIÓN
    5. MARCO TEÓRICO DE REFERENCIA Y ANTECEDENTES (ESTADO DEL ARTE)
    5.1 TRABAJOS RELACIONADOS
    6. METODOLOGÍA
    7. RECURSOS A EMPLEAR
    7.1 HUMANOS
    7.1.1 Director
    7.1.2 Codirector y Asesores (si aplica)
    7.1.3 Grupo de Investigación o Empresa que lo Avala (Si aplica)
    7.2 OTROS RECURSOS
    8. CRONOGRAMA DE ACTIVIDADES (Diagrama de Gantt)
    9. REFERENCIAS BIBLIOGRÁFICAS (Estilo IEEE)

    4
    LISTA DE FIGURAS
    LISTA DE TABLAS
    LISTA DE ANEXOS

    5
    INTRODUCCIÓN

    --

    6
    1. DEFINICIÓN DEL PROBLEMA

    1.1. PLANTEAMIENTO DEL PROBLEMA

    Algunos de los procesos más comunes en la industria del BPO (Business Process
    Outsourcing) es la atención en líneas de soporte, ventas, cobranza etc. Muchas empresas a
    nivel mundial tercerizan estos procesos debido a la complejidad de la administración de ellos
    y lo económicamente rentable que resulta subcontratar estas operaciones de atención de
    contactos, entendamos por contactos llamadas, chats, emails, tickets etc. Los métodos
    comunes de facturación de la empresa que tercerizan el proceso a la empresa primaria son:
    contacto gestionado, minuto de gestión, hora de gestión, entre otros. Independientemente
    de la medida de facturación, todas tienen un núcleo común y es que son directamente
    proporcional a la producción o gestión de contactos.

    Luego el objetivo principal de las empresas de BPO es gestionar la mayor cantidad de


    contactos ofrecidos, pero teniendo en cuenta que tener una capacidad instalada o capacidad
    de atención más de la necesaria genera ineficiencias en el proceso ya que la empresa de BPO
    debe pagar la nómina de los empleados, pero esta no puede ser mayor que la factura al
    cliente (empresa primaria) porque de lo contrario se estarían generando perdidas.

    El dilema se encuentra en que el volumen de contactos ofrecidos depende de variables


    económicas, temporadas, día de la semana, hora del día y muchas otras variables que
    generan incertidumbre en el numero de contactos que ingresarán a las líneas y el momento
    en que estos sucederán. Es aquí en donde se genera el reto más grande de las empresas de
    BPO y es saber en qué momento y con que flujo ingresaran los contactos a la línea con el fin
    de tener la capacidad instalada necesaria (número de agentes disponibles) para gestionar
    esos contactos sin llegar a generar ineficiencias.

    Toda esta introducción la vimos necesaria para definir nuestro problema como el desarrollo
    de un modelo de forecasting para la predicción del patrón de arribo de contactos en una
    línea de BPO. Como coordinador de analistas de datos de líneas de BPO soy consciente que
    la ciencia de datos nos ofrece herramientas muy sólidas para hacer forecasting y que en la
    mayoría de los casos no se usan en la industria por desconocimiento.

    1.2. FORMULACIÓN DEL PROBLEMA


    7
    Este proyecto busca encontrar un modelo de forecasting capaz de predecir con un buen nivel
    de ajuste el volumen de contactos que ingresan a una línea de llamadas. Para esto es
    necesario cuestionarnos ¿Qué modelos modelos o herramientas predictivas existen
    actualmente que se puedan usar para este cometido?, durante este proyecto se pretenden
    investigar modelos predictivos y herramientas de machine learning con el fin de aplicarlas al
    caso de estudio y evaluar su desempeño en la predicción de la variable de respuesta para
    finalmente establecer que modelo(s) son los más apropiados para la predicción del patrón de
    arribo en la una línea de soporte.

    8
    2. OBJETIVOS DEL PROYECTO

    2.1 OBJETIVO GENERAL


    Desarrollar modelo de forecasting teniendo en cuenta herramientas de machine learning y
    herramientas tradicionales para la predicción del patrón de arribo de llamadas en una línea de
    servicio al cliente con el fin de optimizar la eficiencia en la gestión de esta.
    2.2 OBJETIVOS ESPECÍFICOS
     Aplicación de diferentes modelos predictivos para estimar el patrón de arribo de interacciones
    en una línea de atención de contactos.
     Implementar herramientas avanzadas como Machine Learning para la predicción del patrón de
    arribo de contactos en una línea de llamadas.
     Evaluar el desempeño de modelos predictivos para determinar cuál o cuáles son los más apro-
    piados para la predicción del patrón de arribo de contactos en una línea de llamadas.

    2.3 RESULTADOS ESPERADOS

    El resultado esperado de este proyecto es la identificación de un modelo predictivo apropiado


    para el forcasteo del patrón de arribo de contactos en una línea de llamadas, generando con esto
    una mayor precisión en la configuración de los recursos necesarios para atender dicho patrón de
    arribo.

    También podría gustarte