Gestión estratégica de atención al cliente mediante modelos lingüísticos difusos, modelos de decisión y machine learning. Aplicación práctica en entornos B2C y B2B

  1. MARIN DIAZ, GABRIEL
Dirigida por:
  1. Ramón Alberto Carrasco González Director/a
  2. Daniel Gómez González Director/a
  3. Carlos Gregorio Rodríguez Director/a

Universidad de defensa: Universidad Complutense de Madrid

Fecha de defensa: 13 de julio de 2022

Tribunal:
  1. Cristóbal Pareja Flores Presidente/a
  2. Rosario Espínola Vílchez Secretario/a
  3. Manuel Jesús Cobo Vocal
  4. Gema Fernández-Avilés Calderón Vocal
  5. Carlos Gustavo Porcel Gallego Vocal

Tipo: Tesis

Resumen

En el último decenio hemos asistido a lo que se conoce como Cuarta Revolución Industrial. Entre los factores que han contribuido a este cambio están entre otros la capacidad de almacenamiento y procesamiento de información, además de la velocidad de las comunicaciones. Todo esto ha supuesto para las empresas un importante cambio de paradigma, pasando de una aproximación centrada en el producto a otra donde el cliente pasa a ser el centro de su estrategia, en inglés Customer Centric. Conceptos como Transformación Digital e Industria 4.0, entre otros aspectos tienen en cuenta esta aproximación centrada en el cliente. En este entorno, cobra especial relevancia la comunicación bidireccional entre cliente y marca, donde el marketing y el servicio de atención al cliente personalizados son fundamentales en la definición de una estrategia de reconocimiento de marca, logrando así una mayor retención de clientes y en consecuencia mayor rentabilidad para la empresa. A pesar de la utilidad demostrada y validada por el amplio uso del modelo RFM, basado en los siguientes parámetros de venta (Recencia, Frecuencia y Monetario), no contempla las interacciones que ocurren entre empresa y cliente tras el proceso de venta y que, constituyen un aspecto fundamental de cara a establecer una verdadera estrategia con centro en el cliente. El objetivo primero de la presente tesis es proponer un nuevo modelo, basado en el modelo RFM ampliado con el modelo lingüístico difuso 2-tupla (LD2T), y utilizando técnicas de decisión multicriterio (MCDM), en concreto el proceso de análisis jerárquico, en inglés Analytic Hierarchy Process (AHP), de forma que permita a los expertos del área de atención al cliente (Customer Service) establecer estrategias de relación con los clientes, cimentadas en su interacción con el Contact Center. Optimizando de esta manera el valor del cliente no solo desde el punto de vista de las compras que éste realiza, se propone obtener una valoración del cliente desde el punto de vista del histórico de relación del cliente con la marca a través del Contact Center. Como resultado del modelo desarrollado, y mediante procesos de segmentación, se proponen distintas estrategias relacionales entre cliente y marca. Por tanto, el modelo desarrollado, constituye una mejora del modelo RFM-LD2T, ya que es aplicado a un ámbito de trabajo inédito hasta ahora, es decir, a la interacción entre cliente y Contact Center. Como objetivo segundo, una extensión del modelo desarrollado nos ha permitido investigar el proceso de priorización y establecer un cierto grado de personalización en las interacciones del cliente con el Contact Center, aplicando para ello los mismos fundamentos teóricos que los comentados en el párrafo anterior, RFM, AHP y LD2T, de esta forma se propone para la gestión de colas de incidencias un enfoque de toma de decisión multicriterio que permite priorizar en tiempo real la comunicación entre cliente y marca, y como consecuencia, personalizar y recomendar el canal de comunicación más adecuado en el momento en que se produce la interacción. La literatura relacionada con los modelos de Inteligencia Artificial (IA) y con la predicción de abandono de clientes o bien del personal de una compañía es abundante y rica. Como tercer objetivo, se ha propuesto un proceso metodológico que contribuye a analizar y explicar las predicciones de algoritmos de IA relacionadas con la predicción de abandono, para ello se utilizan técnicas de aprendizaje automático, en inglés Machine Learning (ML), y sobre dichas técnicas se ha desarrollado un modelo de trabajo que incluye un conjunto de algoritmos agnósticos de interpretabilidad, para de esta forma proporcionar una guía metodológica que permita desarrollar un modelo explicativo aplicable a algoritmos poco interpretables.