Una bona previsió de la demanda és imprescindible per la correcta gestió d'un call center. Si el volum de peticions sobrepassa la capacitat preparada, el temps d'espera per atendre als clients incrementa, i la frustració addicional generada dificulta la tasca dels agents telefònics. Si entren menys trucades de les previstes, la inversió realitzada en plantilla té un retorn inferior a l'esperat, i la rendibilitat del negoci disminueix. El present treball analitza el cas particular d'una empresa banc asseguradora, i en concret del servei telefònic que ofereix per gestionar les peticions de cancel·lació dels clients. Un dels avantatges competitius de les empreses banc asseguradores és precisament el gran volum de dades a les que tenen accés, i l'oportunitat d'utilitzar ciència de dades per identificar patrons i tendències que aportin rendiment econòmic a l'empresa. Així doncs, el projecte consisteix en realitzar una anàlisi crítica del procés actual, tenint en compte el context sectorial i les necessitats de negoci vinculades, i en presentar una proposta de millora utilitzant eines predictives. Per fer aquesta proposta de millora s'han implementat en llenguatge Python diverses eines predictives en competència: regressió logística, arbres de decisió, xarxes neuronals i màquines de vectors de suport. L'eina que millor ha funcionat com a model predictiu de propensió a trucada han estat els arbres de decisió, però no s'ha aconseguit millorar l'efectivitat del procés de previsió de trucades implantat actualment. Aquest fet s'atribueix a la poca varietat de dades utilitzades en la creació del model, ja que una de les limitacions imposades al projecte ha estat utilitzar les mateixes bases de dades que s'utilitzen en el model actual (enlloc d'explorar l'opció d'ampliar el volum de dades tractades al fer la previsió). L'anàlisi econòmica ha mostrat que l'oportunitat de negoci de continuar millorant el mètode de previsió de trucades és atractiva, pel que es recomana invertir en la continuació del projecte integrant en el model una major varietat de dades. Cal destacar també que el model desenvolupat pot tenir utilitat per l'empresa, ja que és capaç d'identificar un conjunt de clients amb major propensió a trucada i, per tant, a cancel·lació. Aquests clients es podrien utilitzar com a objectiu per campanyes proactives de fidelització, evitant així potencials sol·licituds de cancel·lació futures
Una buena previsión de la demanda es imprescindible para la correcta gestión de un call center. Si el volumen de peticiones supera la capacidad preparada, el tiempo de espera para atender a los clientes aumenta, y la frustración adicional generada dificulta la tarea de los agentes telefónicos. Si entran menos llamadas de las previstas, la inversión realizada en personal tiene un retorno inferior al esperado, y la rentabilidad del negocio disminuye. El presente trabajo analiza el caso particular de una empresa de banca seguros, y en concreto del servicio telefónico que ofrece para gestionar las peticiones de cancelación de los clientes. Una de las ventajas competitivas de las empresas de banca seguros es precisamente el gran volumen de datos a los que tienen acceso, y la oportunidad de utilizar ciencia de datos para identificar patrones y tendencias que aporten rendimiento económico a la empresa. Así pues, el proyecto consiste en realizar un análisis crítico del proceso actual, teniendo en cuenta el contexto sectorial y las necesidades de negocio vinculadas, y en presentar una propuesta de mejora utilizando herramientas predictivas. Para realizar la propuesta de mejora se han implementado en lenguaje Python varias herramientas predictivas en competencia: regresión logística, árboles de decisión, redes neuronales y máquinas de vectores de soporte. La herramienta que mejor ha funcionado como modelo predictivo de propensión a llamada han sido los árboles de decisión, pero no se ha conseguido mejorar la efectividad del proceso de predicción de llamadas implantado actualmente. Este hecho se atribuye a la poca variedad de datos utilizados en la creación del modelo, ya que una de las limitaciones impuestas al proyecto ha sido utilizar las mismas bases de datos que se utilizan en el modelo actual (en lugar de explorar la opción de ampliar el volumen de datos tratados al hacer la predicción). El análisis económico ha mostrado que la oportunidad de negocio de continuar mejorando el método de predicción de llamadas es atractiva, por lo que se recomienda invertir en la continuación del proyecto integrando en el modelo una mayor variedad de datos. Cabe destacar también que el modelo desarrollado puede tener utilidad para la empresa, ya que es capaz de identificar un conjunto de clientes con mayor propensión a llamada y, por lo tanto, a cancelación. Estos clientes se podrían utilizar como objetivo para campañas proactivas de fidelización, evitando así potenciales solicitudes de cancelación futuras
A good demand forecast is essential for the proper management of a call center. If the volume of requests exceeds the prepared capacity, the waiting time for attending to customers increases, and the additional frustration generated hinders the task of the call center's agents. If fewer calls come in than expected, the investment made in personnel has a lower return than anticipated, and the profitability of the business decreases. This paper analyzes the particular case of a bank insurance company, specifically the telephone service it offers for managing customer cancellation requests. One of the competitive advantages of bank insurance companies is precisely the large volume of data they have access to, and the opportunity to use data science to identify patterns and trends that contribute to the company's economic performance. Thus, the project consists on conducting a critical analysis of the current process, taking into account the sectoral context and related business needs, and presenting an improvement proposal using predictive tools. To carry out the improvement proposal, several predictive tools have been implemented using Python language: logistic regression, decision trees, neural networks, and support vector machines. The tool that has worked best as a predictive model for call propensity has been decision trees, but it has not been able to improve the effectiveness of the currently implemented call prediction process. This is attributed to the limited variety of data used in the creation of the model, since one of the limitations imposed on the project has been to use the same databases that are used in the current model (instead of exploring the option to expand the volume of data processed when making the prediction). The economic analysis has shown that the business opportunity to continue improving the call prediction method is attractive, so it is recommended to invest in the continuation of the project by integrating a greater variety of data into the model. It is worth noting that the developed model can be useful for the company, as it is capable of identifying a group of customers with a higher propensity to call and, therefore, to cancel. These customers could be used as targets for proactive loyalty campaigns, thus preventing potential future cancellation requests