Implementación de machine learning para la toma de decisiones en el área de planeamiento de un call center, Lima 2025

Abstract

El presente informe tiene como objetivo implementar un modelo predictivo basado en Machine Learning para optimizar la asignación de recursos y mejorar la eficiencia operativa en un call center ; la metodología empleada se basa en CRISP-DM la cual es complementaria con la experiencia adquirida; durante este período se utilizaron herramientas como SQL Server y Python junto con el algoritmo Random Forest Regressor para desarrollar soluciones que permitieran una toma de decisiones más precisa y eficiente. El diagnóstico inicial identificó que la previsión manual de chats entrantes mediante Excel generaba errores humanos tales como una asignación ineficiente de recursos y decisiones operativas desalineadas; para resolver estos problemas se implementó un modelo predictivo que basado en datos históricos y técnicas de aprendizaje supervisado, permitió prever con mayor precisión el volumen de chats y el desempeño de los ejecutivos; el proceso incluyó la preparación y limpieza de datos, el entrenamiento del modelo y su evaluación. Los resultados expusieron una mejora en la precisión de las previsiones lo que optimizó la asignación de personal, redujo los tiempos de espera y mejoró la experiencia del cliente; además, el modelo facilitó la identificación de patrones de comportamiento y tendencias, permitiendo una planificación más proactiva y alineada con los objetivos estratégicos del negocio; en conclusión la implementación de este modelo predictivo no solo mejoró la eficiencia operativa y la satisfacción del cliente, sino que también consolidó a la empresa como un referente en el uso de tecnologías avanzadas para la optimización de procesos.

This report aims to implement a predictive model based on Machine Learning to optimize resource allocation and improve operational efficiency in a call center; the methodology used is based on CRISP-DM which is complementary to the experience acquired; during this period, tools such as SQL Server and Python were used together with the Random Forest Regressor algorithm to develop solutions that allowed for more accurate and efficient decision making. The initial diagnosis identified that manual forecasting of incoming chats using Excel generated human errors such as inefficient resource allocation and misaligned operational decisions; to solve these problems, a predictive model was implemented that, based on historical data and supervised learning techniques, allowed for more accurate forecasting of chat volume and executive performance; the process included data preparation and cleaning, model training and evaluation. The results showed an improvement in the accuracy of the forecasts, which optimized staff allocation, reduced waiting times and improved customer experience; In addition, the model facilitated the identification of behavioral patterns and trends, allowing for more proactive planning aligned with the business's strategic objectives. In conclusion, the implementation of this predictive model not only improved operational efficiency and customer satisfaction but also consolidated the company as a benchmark in the use of advanced technologies for process optimization.