LUCA Talk: La importancia de la seguridad y aspectos legales en el gobierno de los datos. FORMATO: Charla de 30 minutos + Q&A de 10 minutosCUÁNDO: 3 de marzo, 16:00 h (CET)CÓMO: Inscripción gratuita en eventbrite SOBRE QUÉ: Desde la Comisión Europea se está definiendo y escribiendo...
Paloma Recuero de los Santos Drones e IA para detectar síntomas de COVID19 La Universidad de Australia de Sur, UniSA ha diseñado una tecnología pionera en el mundo que combina ingeniería, drones, cámaras e inteligencia artificial para monitorizar a distancia constantes vitales....
LUCA Lo más destacado del BDID2017 (VI): como crear el mejor equipo de eSports del mundo, Pedro de Alarcón y Fernando Piquer El Big Data Innovation Day 2017 cerró la agenda del evento con un tema de gran interés para un gran público: los eSports. Una ponencia de la mano de...
Álvaro Capell Osorio La importancia de tener un plan A día de hoy no hay duda de los beneficios que proporciona a las compañías el correcto análisis de la información que generan. Conceptos como el “petróleo del siglo...
LUCA Planificando la ubicación de un site de retail con los datos Una de las decisiones de negocio clave para cualquier marca es decidir dónde “establecer su tienda”. Esto implica la necesidad de conocer muy bien a los consumidores y su...
Alicia Martín Domingos El futuro de la telelectura de contadores de agua más allá del COVID19. A estas alturas del año y después de que la tercera ola del COVID19 esté en boca de todos, ya no es ninguna sorpresa decir que la pandemia ha...
LUCA Movistar Team: Los mejores ciclistas, el mejor cuerpo técnico, la mejor estrategia … y Big Data By Mikel Zabala, PhD (Sport Scientist, Profesor Titular de la Universidad de Granada y miembro del equipo de entrenadores de Movistar Team), Javier Carro (Data Scientist en LUCA) y...
LUCA LUCA Fleet, ¿qué datos se esconden tras los vehículos de una flota? Contenido creado por Raquel Crespo Crisenti, Pedro A. Baigorri, María Luisa Rivero y Marta García Moreno, miembros del equipo de producto de LUCA. Son muchos los datos que se generan cada...
Paloma Recuero de los Santos Video Post #7: ¿Qué se puede hacer y qué no con Inteligencia Artificial? En el video Post de hoy, hablaremos de uno de los temas que más nos preocupan de la Inteligencia Artificial y, en particular, del Machine Learning. ¿Cuáles...
LUCA LUCA Talk: Blockchain y los caminos por descubrir Desde hace varios años, Blockchain aparece recurrentemente en el listado de las tecnologías emergentes más disruptivas y con mayor capacidad de transformar el mundo que conocemos. Desde que se...
LUCA Talk: La importancia de la seguridad y aspectos legales en el gobierno de los datos. FORMATO: Charla de 30 minutos + Q&A de 10 minutosCUÁNDO: 3 de marzo, 16:00 h (CET)CÓMO: Inscripción gratuita en eventbrite SOBRE QUÉ: Desde la Comisión Europea se está definiendo y escribiendo...
LUCA LUCA Talk: Comunicación inteligente y Big Data en el punto de venta: Loterías y Apuestas del Estado FORMATO: Charla de 30 minutos + Q&A de 10 minutosCUÁNDO: 10 de febrero, 16:00 h (CET)CÓMO: Inscripción gratuita en eventbrite SOBRE QUÉ: El conocimiento de los clientes y su comportamiento de...
Mejorando la operatividad de un Call Center con Machine LearningVictor Gonzalez Pacheco 20 agosto, 2019 Entender a nuestros clientes y dar la mejor respuesta a sus necesidades en el menor tiempo posible es clave para aumentar su satisfacción y su engagement con la compañía. El problema comienza cuando el número de clientes es alto y nos llegan cientos o miles de mensajes al día. En esta situación tenemos dos problemas a solucionar. Primero hay que priorizar a qué mensajes le vamos a dar respuesta primero y, segundo, hay que entender qué es lo que nos dicen. Está claro que algunos mensajes serán más importantes o más urgentes que otros, y no siempre es fácil priorizar. Para facilitar esta tarea podemos servirnos de técnicas de Machine Learning que hagan parte del trabajo por nosotros. En este post nos vamos a centrar en el caso de un Call Center para clientes B2B de una operadora Telco. Una parte de las comunicaciones y las gestiones de los clientes con el Call Center se realizan mediante correos electrónicos. Analizando estos correos es posible extraer métricas que nos ayuden a entender las necesidades de los clientes que se comunican por esa vía. Este análisis se realiza, principalmente, mediante técnicas de Procesamiento de Lenguaje Natural (PLN). De hecho, nosotros hicimos la analítica a dos niveles: Nivel de operativa – Este nivel es más básico e implica un análisis a nivel de envío y respuesta de correos. Esto se hace simplemente analizando las cabeceras de los correos.Nivel de contenido – Es decir, procesar el contenido de los mensajes de los clientes para clasificarlos automáticamente en función del contenido de los mismos. Podemos entender esto como las reglas de filtrado que programamos en nuestros clientes de correo, pero mucho más avanzadas. El análisis a nivel de operativa nos permite obtener métricas sencillas como cuantos correos se reciben en el Call Center, de qué clientes, a qué horas se reciben más correos, cuánto se tarda en responder cada correo, etc. Pero también es posible realizar algún análisis más complejo extrayendo datos de conversaciones enteras: analizando los correos de una conversación (un hilo de correos), podemos descubrir cuánto tiempo tardamos en solucionar un problema de un cliente, cuantos correos se han necesitado para solucionarlo, cuantas personas de nuestro Call Center se han visto involucradas o de qué departamentos. El análisis a nivel de contenido es más complejo ya que requiere un pre-procesamiento de los datos más sofisticado pero nos permite extraer insights mucho más interesantes. La limpieza de los correos incluye extraer el cuerpo de los mensajes, limpiarlos (aquí el reto está en eliminar firmas o respuestas en línea a otros correos) y utilizar técnicas de Procesamiento de Lenguaje Natural (NLP) que nos permitan transformar el contenido en características entendibles por el algoritmo de aprendizaje automático que queramos utilizar. Usualmente este paso incluye eliminar stop-words (palabras sin significado como preposiciones o artículos), crear “bags of words” o “n-gramas” y vectorizarlos con algoritmos como, por ejemplo, TF-IDF. Con los datos preparados, ya se puede alimentar a un algoritmo que aprenda a categorizar los correos automáticamente. Nosotros abordamos este problema como uno de clasificación ya que la operadora nos facilitó las categorías en las que quería clasificar sus correos. De esta manera teníamos 8 categorías (altas, modificaciones de línea, incidencias técnicas o bajas entre otros) que etiquetamos manualmente en un conjunto de los datos para su entrenamiento. Aunque esto pueda parecer un proceso laborioso, se puede llegar a resultados interesantes muy rápidamente. Por ejemplo, con sólo una muestra de 100 correos etiquetados ya era posible distinguir perfectamente algunas de las categorías propuestas por el cliente. A continuación detallamos algunos de los KPIs que obtuvimos del Call Center: Tiempo de respuesta medio a los correos por parte de los operadores.Tiempo de resolución de incidencias (es decir el tiempo entre el primer y el último mail de una cadena de correos)Tamaño de la cola de correos e incidencias por resolver en cada momento. Es decir, número de correos por contestar e incidencias por resolver en cada momento (podemos sacar los tamaños de estas colas por hora o bien día de la semana), lo que nos permite conocer si estamos ante un pico de incidencias.Al procesar el contenido de los correos, podemos categorizar los mismos automáticamente y con estas categorías, se pueden asignar correos automáticamente a la persona más indicada para su respuesta.Adicionalmente, conociendo las categorías de los correos, es posible tener las métricas anteriores por categoría. Por ejemplo, volúmenes y tiempos de respuesta por categoría. En este post hemos visto qué métricas podemos obtener de un análisis de correos electrónicos de los clientes de un Call Center. Analizando las cabeceras y el contenido de los correos es posible obtener métricas que nos faciliten KPIs de la capacidad operativa y del dimensionamiento del Call Center así como datos que nos ayuden a perfilar al cliente y sus necesidades. Para mantenerte al día con LUCA visita nuestra página web. También puedes seguirnos en Twitter, LinkedIn y YouTube. El proceso de aprendizaje de Aura, la Inteligencia Artificial de TelefónicaVideo Post #11: Tipos de error en Machine Learning
Fran Ramírez Las matemáticas del Machine Learning: Números aleatorios y dónde encontrarlos (II) En el artículo anterior mencionamos la importancia que tienen en nuestro día a día los números aleatorios, utilizados para realizar cualquier tipo de simulación y fundamentales a la hora...
LUCA Talk: La importancia de la seguridad y aspectos legales en el gobierno de los datos. FORMATO: Charla de 30 minutos + Q&A de 10 minutosCUÁNDO: 3 de marzo, 16:00 h (CET)CÓMO: Inscripción gratuita en eventbrite SOBRE QUÉ: Desde la Comisión Europea se está definiendo y escribiendo...
LUCA La teoría Gestalt en Gobierno del Dato Al igual que un dato por si sólo no vale nada si no se le dota de información, conocimiento y se usa para un propósito, “Gobernar el dato por...
Paloma Recuero de los Santos Drones e IA para detectar síntomas de COVID19 La Universidad de Australia de Sur, UniSA ha diseñado una tecnología pionera en el mundo que combina ingeniería, drones, cámaras e inteligencia artificial para monitorizar a distancia constantes vitales....
LUCA Planificando la ubicación de un site de retail con los datos Una de las decisiones de negocio clave para cualquier marca es decidir dónde “establecer su tienda”. Esto implica la necesidad de conocer muy bien a los consumidores y su...
Paloma Recuero de los Santos Python para todos: Matplotlib y la curva corazón Hoy os proponemos aprender a realizar visualizaciones sencillas con Python. Y, como siempre nos gusta hacer un guiño a San Valentín (reconozcámoslo, es muy cursi, pero tiene su gracia...