Predicción de la satisfacción del usuario a partir de chats de atención al cliente

Mostrar todas las versiones(4)

Los servicios de atención al cliente son determinantes de la  experiencia de usuario de las empresas Fintech. Este trabajo busca entender, empleando técnicas de machine learning, qué factores llevan a los clientes de una Fintech a evaluar de forma positiva su experiencia. Esto se hizo a partir de do...

Descripción completa

Detalles Bibliográficos
Autores principales: Romanisio, Alejandro, Gravano, Agustín
Formato: Articulo
Lenguaje:Español
Publicado: 2024
Materias:
Ciencias Informáticas
atención al cliente
encuestas de satisfacción
modelos predictivos
XGBoost
procesamiento de lenguaje natural
customer service
satisfaction surveys
predictive models
natural language processing
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/167056
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-167056
record_format dspace
spelling I19-R120-10915-1670562024-08-19T17:09:32Z http://sedici.unlp.edu.ar/handle/10915/167056 Predicción de la satisfacción del usuario a partir de chats de atención al cliente Predicting user satisfaction from customer service chats Romanisio, Alejandro Gravano, Agustín 2024-04-19 2024-06-11T14:06:23Z es Ciencias Informáticas atención al cliente encuestas de satisfacción modelos predictivos XGBoost procesamiento de lenguaje natural customer service satisfaction surveys predictive models XGBoost natural language processing Los servicios de atención al cliente son determinantes de la  experiencia de usuario de las empresas Fintech. Este trabajo busca entender, empleando técnicas de machine learning, qué factores llevan a los clientes de una Fintech a evaluar de forma positiva su experiencia. Esto se hizo a partir de dos fuentes de datos: los registros de los usuarios y las conversaciones del servicio de atención al cliente vía WhatsApp. Experimentamos con modelos predictivos basados en XGBoost, entrenados con features del contexto del usuario, las características de las conversaciones y la semántica de las palabras utilizadas en las conversaciones. Los resultados fueron menores a lo esperado (AUC = 0.5152), pero dejan aprendizajes valiosos para quienes encaren problemas semejantes en el futuro, relacionados a los desafíos de los siguientes aspectos críticos: i. evitar el data leakage, ii. evaluar modelos y scoring metrics exhaustivamente, iii. realizar chequeos intermedios, iv. no subestimar el tiempo necesario para la transformación de datos, v. realizar un proceso de unit testing y vi. conocer el dominio. Este trabajo describe las distintas etapas de la metodología: extracción y transformación de los datos, generación de features, entrenamiento de modelos predictivos, selección del modelo óptimo y evaluación en datos de test. Customer service is a determining factor in the user experience of Fintech companies. This work seeks to  understand, using machine learning techniques, what factors lead the clients of a specific Fintech company to positively evaluate their experience. Two data sources were used to achieve this: user records from their sign up and the log of conversations with customer service via WhatsApp. We experimented with predictive models based on XGBoost, trained with features of the user context, the characteristics of the conversations and the semantics of the words used in the conversations. The results were lower than expected (AUC = 0.5152), but they leave valuable lessons for those who face similar problems in the future, related to the challenges of the following critical aspects: i. avoid data leakage, ii. evaluate models and scoring metrics thoroughly, iii. carry out intermediate checkpoints, iv. do not underestimate the time required for data transformation, v. perform a unit testing process and vi. know the domain. This paper describes the different stages of the methodology: data extraction and transformation, feature generation, predictive model training, optimal model selection and test data evaluation Sociedad Argentina de Informática e Investigación Operativa Articulo Articulo http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 2-24
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
atención al cliente
encuestas de satisfacción
modelos predictivos
XGBoost
procesamiento de lenguaje natural
customer service
satisfaction surveys
predictive models
XGBoost
natural language processing
spellingShingle Ciencias Informáticas
atención al cliente
encuestas de satisfacción
modelos predictivos
XGBoost
procesamiento de lenguaje natural
customer service
satisfaction surveys
predictive models
XGBoost
natural language processing
Romanisio, Alejandro
Gravano, Agustín
Predicción de la satisfacción del usuario a partir de chats de atención al cliente
topic_facet Ciencias Informáticas
atención al cliente
encuestas de satisfacción
modelos predictivos
XGBoost
procesamiento de lenguaje natural
customer service
satisfaction surveys
predictive models
XGBoost
natural language processing
description Los servicios de atención al cliente son determinantes de la  experiencia de usuario de las empresas Fintech. Este trabajo busca entender, empleando técnicas de machine learning, qué factores llevan a los clientes de una Fintech a evaluar de forma positiva su experiencia. Esto se hizo a partir de dos fuentes de datos: los registros de los usuarios y las conversaciones del servicio de atención al cliente vía WhatsApp. Experimentamos con modelos predictivos basados en XGBoost, entrenados con features del contexto del usuario, las características de las conversaciones y la semántica de las palabras utilizadas en las conversaciones. Los resultados fueron menores a lo esperado (AUC = 0.5152), pero dejan aprendizajes valiosos para quienes encaren problemas semejantes en el futuro, relacionados a los desafíos de los siguientes aspectos críticos: i. evitar el data leakage, ii. evaluar modelos y scoring metrics exhaustivamente, iii. realizar chequeos intermedios, iv. no subestimar el tiempo necesario para la transformación de datos, v. realizar un proceso de unit testing y vi. conocer el dominio. Este trabajo describe las distintas etapas de la metodología: extracción y transformación de los datos, generación de features, entrenamiento de modelos predictivos, selección del modelo óptimo y evaluación en datos de test.
format Articulo
Articulo
author Romanisio, Alejandro
Gravano, Agustín
author_facet Romanisio, Alejandro
Gravano, Agustín
author_sort Romanisio, Alejandro
title Predicción de la satisfacción del usuario a partir de chats de atención al cliente
title_short Predicción de la satisfacción del usuario a partir de chats de atención al cliente
title_full Predicción de la satisfacción del usuario a partir de chats de atención al cliente
title_fullStr Predicción de la satisfacción del usuario a partir de chats de atención al cliente
title_full_unstemmed Predicción de la satisfacción del usuario a partir de chats de atención al cliente
title_sort predicción de la satisfacción del usuario a partir de chats de atención al cliente
publishDate 2024
url http://sedici.unlp.edu.ar/handle/10915/167056
work_keys_str_mv AT romanisioalejandro predicciondelasatisfacciondelusuarioapartirdechatsdeatencionalcliente
AT gravanoagustin predicciondelasatisfacciondelusuarioapartirdechatsdeatencionalcliente
AT romanisioalejandro predictingusersatisfactionfromcustomerservicechats
AT gravanoagustin predictingusersatisfactionfromcustomerservicechats
_version_ 1809234682942849024

Ejemplares similares