Roteamento inteligente de chamadas

Abstract

Nas empresas de telecomunicações, as centrais de chamadas são os elementos que têm maior interação com os clientes, e o desempenho dos operadores é vital porque um excelente serviço satisfaz o cliente e ajuda a um melhor funcionamento. Deste modo, tenta-se utilizar dados de clientes, dados de operadores de chamadas e dados históricos de serviço de forma a melhorar o suporte. O emparelhamento de um cliente com um operador que se sinta confortável com o problema a resolver ajuda as empresas a reduzir custos, melhora o atendimento ao cliente e aumenta a produtividade dos colaboradores. Nesta dissertação, propõe-se um modelo de previsão, baseado em machine learning e em otimização, que antevê o problema pelo qual o cliente está a ligar e encaminha a chamada e o cliente para o operador mais apropriado. Após a análise de um dataset não balanceado, com aproximadamente 2.9 milhões de entradas, e recorrendo à metodologia CRISP-DM para modelação, alguns algoritmos inovadores como o LightGBM, permitiram obter um micro-F1 de 0.41 e AUC-ROC de 0.84. Deste modo, pode-se aferir alguma capacidade na previsão da razão para o cliente estar a contactar a empresa. A alocação e otimização num cenário simulado, pós-previsão, indicou uma melhoria na ordem dos 50%, relativamente ao ganho de eficiência, eficácia e rapidez do call-center. Os resultados mostram que a utilização de grandes quantidades de dados comerciais para a previsão pode melhorar o desempenho do suporte ao cliente. Além disso, as conclusões e as estratégias exploradas nesta tese podem levar à utilização deste sistema, e com isso ajudar a empresa a obter maiores lucros e podem ajudar futuros investigadores a tomar melhores decisões no estudo e no desenvolvimento de soluções parecidas.

At telecommunications companies, call-centers have the highest interaction with customers, and the operators’ performance is vital because an excellent service satisfies the customer and helps a better operation. Therefore, attempts are made to use customer data, call operator data, and historical service data to improve support. Pairing a customer with an operator who is comfortable with the problem to solve helps companies reducing costs, improves customer service, and increases employee productivity. In this thesis, we propose an approach based on machine learning and optimization, which predicts the problem for which the customer is calling and routes the call and the customer to the most appropriate call operator. After the analysis of an unbalanced dataset, with approximately 2.9 million entries, and using the CRISP-DM methodology for modeling, some innovative algorithms such as LightGBM, allowed obtaining a micro-F1 of 0.41 and AUC-ROC of 0.84. These results allow us to gauge some capacity in predicting why the client is contacting the company. The optimization in a simulated scenario, post-prediction, indicated an improvement in the order of 50%, concerning the efficiency gain, effectiveness, and speed of the call-center. The results show that using large amounts of business data for the prediction can improve customer support performance. Also, the findings and strategies explored in this thesis can lead to the use of this system, thus helping the company obtain higher profits and help future researchers make better decisions in the study and development of similar solutions.