Análisis y predicción de recontactos en un contact center
Fecha
2021
Autores
Velásquez Gaviria, Diana Catalina
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
The main purpose of this work is to solve in a methodical and formal way, making use of ma- chine learning models, a real problem of the productive sector that allows in addition to adding value for decision making, to provide a methodology and a compact, simple and reliable model that can be deployed and put into production in the technological platform that supports the call handling of a contact center so that benefits can be generated in the provision of the service for different sectors, generating efficiencies in the use of the channel and maximizing the customer experience in the attention of their requirements. To achieve this purpose, an airline dataset was taken containing the detail of all historical calls made by customers to a contact center during a period of 7 months (February to August 2019) and information associated with the performance of the agents handling those calls in order to predict whether users will generate at least one recontact to the contact center for the attention of their requirements before three days with respect to their initial contact. The methodology used was focused on making an ap- propriate selection of features and choosing a machine learning model that generates optimal results and enables an easy implementation allowing to identify in real time those customers with high probabilities of recontacting so that a strategy can be developed with them to impro- ve their experience. It was found that with 7 variables associated with the historical behavior of customers in the use of the channel such as frequency of calls (amount), average duration, number of agents who have served the customer (agents), time elapsed between first and last call (validity), number of days per month in which calls are made (AverageDaysInMonth), ave- rage number of calls per day (Average-Day) and time elapsed since the customer’s last call to the cut-off date of the analysis (Recency), it is possible to predict with a simple model and with very good results (AUC=88.9 %) whether a customer will call the contact center again.
Descripción
El propósito principal de este trabajo es resolver de manera metódica y formal, haciendo uso de modelos de aprendizaje automático, un problema real del sector productivo que permi- ta además de agregar valor para la toma de decisiones, proveer una metodología y un modelo compacto, simple y confiable que pueda ser desplegado y puesto en producción en la platafor- ma tecnológica que soporta la atención de llamadas de un centro de contactos de tal forma que puedan generarse beneficios en la prestación del servicio para diferentes sectores, generando eficiencias en el uso del canal y maximizando la experiencia del cliente en la atención de sus requerimientos. Para lograr este propósito se tomó un conjunto de datos de una aerolínea que contiene el detalle de todas las llamadas históricas que han realizado los clientes a un centro de contactos durante un período de 7 mes (febrero a agosto de 2019) e información asociada al desempeño de los agentes que atienden dichas llamadas con el fin de predecir si los usua- rios generarán al menos un recontacto al contact center para la atención de sus requerimientos antes de tres días con respecto a su contacto inicial. La metodología utilizada se centró en reali- zar una adecuada selección de características y escoger un modelo de aprendizaje automático que genere óptimos resultados y posibilite una fácil implementación permitiendo identificar en tiempo real aquellos clientes con altas probabilidades de volver a comunicarse, de tal forma que pueda desarrollarse una estrategia con ellos que mejore su experiencia. Se encontró que con 7 variables asociadas al comportamiento histórico de los clientes en el uso del canal tales como frecuencia de llamadas (monto), duración promedio, cantidad de agentes que han atendido al cliente (agentes), tiempo transcurrido entre primera y última llamada (vigencia), cantidad de días del mes en los que se realizan las llamadas (PromedioDiasEnMes), promedio de llama- das por día (Promedio-Diario) y tiempo transcurrido desde la última llamada del cliente hasta la fecha de corte del análisis (Recencia) es posible predecir con un modelo sencillo y con re- sultados muy buenos (AUC=88.9 %) si un cliente volverá a comunicarse al centro de contactos