La Inteligencia Artificial (IA) ha logrado avances significativos en la lectura automática de texto. Esto cobra una gran relevancia cuando se debe automatizar procesos que involucran una gran cantidad de datos, como es el caso del ruteo de consultas y reclamos de una organización.
Aprovechando el potencial de esta tecnología, la investigación del académico del Departamento de Control de Gestión y Sistemas de Información (DCS) de la Facultad de Economía y Negocios de la Universidad de Chile, Sebastián Maldonado, junto a sus coautores Carla Vairetti, Ignacio Aránguiz, Juan Pablo Karmy y Alonso Leal de la Universidad de los Andes, desarrollaron la investigación Analytics-driven complaint prioritisation via deep learning and multicriteria decision-making.
Este estudio presenta una metodología novedosa para automatizar el etiquetado y priorización de los reclamos de clientes, utilizando técnicas de análisis de texto y métodos de investigación operativa. La investigación se centra en la eficiencia de la gestión de quejas de la Asociación Chilena de Seguridad (ACHS).
El académico del DCS señala que “una de las principales lecciones aprendidas es que una automatización completa del proceso de etiquetado de texto es generalmente inviable, en especial cuando se cuentan con múltiples etiquetas disponibles poco representadas en los datos”.
Añadió que “sin embargo, las ganancias de automatización de un 70% a 80% del proceso de etiquetado de texto es aún significativo en entidades con un gran flujo de datos textuales, lo que permite liberar un tiempo importante del proceso para dedicarlo a una mejor resolución de los casos”.
Innovación metodológica
Para la automatización del etiquetado y priorización de reclamos, el enfoque propuesto utilizó un sistema automático que permitiera clasificar y priorizar el texto, asociado a los reclamos de clientes, por medio del modelo pre entrenado de aprendizaje profundo (en particular, el modelo de BETO, que es una variante chilena del modelo de BERT).
Asimismo, para realizar el etiquetado de los reclamos se utilizó un enfoque de toma de decisiones que combina varios criterios, un proceso común en la investigación operativa (MCDM). Esta etapa permitió asignar un puntaje de prioridad a cada reclamo, antes de ser procesada por el modelo de aprendizaje automático.
La división que se realizó entre los reclamos urgentes y otros, permite que las empresas puedan priorizar y manejar de manera más eficiente aquellos que son prioritarios de los que no y que podrían afectar la satisfacción del cliente.
Resultados y rendimiento
Para entrenar y evaluar el funcionamiento del modelo, se analizaron más de 44.000 reclamos de la ACHS, correspondientes al año 2019. Entre los principales hallazgos, destaca que el modelo de BETO identificó correctamente los reclamos urgentes y no urgentes en un 92,1% de los casos.
¿Beneficios? Entre ellos, se encuentra que el enfoque mejora la gestión de quejas en empresas grandes, permitiendo una respuesta más rápida y precisa a los reclamos urgentes. Gracias a la automatización del proceso de priorización, las empresas pueden mejorar la satisfacción del cliente y reducir las tasas de abandono.
Además, este permite liberar una parte importante del tiempo que destinan los analistas a catalogar manualmente los reclamos para su priorización, pudiendo utilizarlo en resolver y dar solución a consultas y reclamos con mayor prontitud.
Cabe destacar, además, que la metodología puede ser aplicable en diversas industrias que manejan grandes volúmenes de datos de clientes.
