Mostrar el registro sencillo del ítem

dc.contributor.advisorOrjuela Canon, Alvaro David
dc.contributor.authorPérez Ospino, Camilo Andrés
dc.date.accessioned2023-01-23T19:13:10Z
dc.date.available2023-01-23T19:13:10Z
dc.date.issued2022
dc.identifier.urihttps://repositorio.escuelaing.edu.co/handle/001/2151
dc.description.abstractEste proyecto de investigación trata de solventar una problemática que afrontan hoy en día las empresas de call center, la cual es la rotación de sus empelados, dejando brechas operativas y económicas en la compañía. Desde la división de innovación de Millenium BPO, Datos No Estructuras. Se propone actuar de manera activa ante esta situación por lo que se propone el uso de la analítica de datos y la correlación de variables en sus asesores que demuestren declive en su comportamiento operacional y de estos mediante el uso de modelos de inteligencia artificial predecir la renuncia psicológica, término acuñado para describir a los empleados que antes de su renuncia presentan patrones de comportamiento que van en contra vía de lo esperado por la empresa, como lo puede ser una baja productividad, no relacionarse con sus compañeros, perdida en la calidad de su trabajo, entre otros. Por diferentes motivos, como lo son la insatisfacción laboral, altas metas operativas, poco crecimiento dentro de la empresa, entre otros. Por ello, esta investigación está enfocada en la para la extracción y transformación de datos con el fin de describir de patrones operaciones de asesores de un call center junto con la implementación de datos socio-demográficos en asesores activos y retirados dentro de la campaña de Icetex durante 12 semanas consecutivas laborales y con estos datos entrenar diferentes modelos de inteligencia artificial para predicción de la renuncia. Los resultados de esta investigación demuestran una diferencia significativa en el rendimiento de las personas que estaban a punto de renunciar y los asesores activos, en términos de la productividad, eficiencia, ausencia en el trabajo y calidad de gestión ante el usuario, otros. Por lo que se expone el comportamiento característico de la renuncia psicológica en los asesores antes de su retiro voluntario. Se realizó un entrenamiento de aprendizaje de máquina para la predicción de un asesor en los estados de activo y retirado, donde se presenta que el modelo de bosques aleatorios (random forest) es el mejor con un 89,5 % ± 4,3 % de exactitud en las pruebas realizadas en 58 agentes de call center.spa
dc.description.abstractThis research project tries to solve a problem that call center companies face today, which is the turnover of its employees, leaving operational and economic gaps in the company. From the innovation division of Millenium BPO, Data Not Structures. It is proposed to act actively against this situation by proposing the use of data analytics and the correlation of variables in data analytics and the correlation of variables in their advisors that show a decline in their operational behavior and from these, through the use of artificial intelligence models, predict psychological resignation, a term coined to describe employees who, before their resignation, present behavior patterns that go against the company's expectations, such as low productivity, not relating with their colleagues, loss in the quality of their work, among others. For different reasons, such as job dissatisfaction, high operational goals, little growth within the company, among others. Therefore, this research is focused on the extraction and transformation of data in order to describe patterns of operations of a call center advisors along with the implementation of socio-demographic data in active and retired advisors within the Icetex campaign during 12 consecutive work weeks and with these data to train different artificial intelligence models for predicting resignation. The results of this research show a significant difference in the performance of people who were about to resign and active advisors, in terms of productivity, efficiency, absence at work and quality of management before the user, others. Therefore, the characteristic behavior of psychological resignation in advisors before their voluntary retirement is exposed. A machine learning training was carried out for the prediction of an advisor in the active and retired states, where it is shown that the random forest model is the best with 89.5 % ± 4.3 % of accuracy in the tests carried out on 58 call center agents.eng
dc.format.extent60 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.titleAnálisis de comportamiento operacional en agente de call center empleando inteligencia artificialspa
dc.title.alternativeOperational behavior analysis in call center agent using artificial intelligenceeng
dc.typeTrabajo de grado - Pregradospa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.contributor.corporatenameMillenium BPOspa
dc.contributor.researchgroupSemillero de Inteligencia artificial en salud (SEMILL-IAS)spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Biomédico(a)spa
dc.identifier.urlhttps://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23266
dc.publisher.facultyIngeniería Biomédicaspa
dc.publisher.programIngeniería Biomédicaspa
dc.relation.indexedN/Aspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.armarcIngeniería Biomédica
dc.subject.armarcInteligencia artificial
dc.subject.proposalIngeniería Biomédicaspa
dc.subject.proposalBiomedical engineeringeng
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalArtificial intelligenceeng
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem