A otimização dos custos operacionais do Call center empregando técnicas de classificação
DOI:
https://doi.org/10.33448/rsd-v9i11.10491Palavras-chave:
Call center; Aprendizado de máquina; Modelos supervisionados; Classificação e modelo preditivo.Resumo
A oferta de crédito aos clientes de redes bancárias, através de serviços de call center sempre foi um dos recursos que geram uma renda significativa as instituições financeiras, porém, o serviço oferece um custo, que muitas vezes está acima do desejável para garantir contratações rentáveis ao banco. Baseado nisso este trabalho tem por objetivo avaliar a otimização de custos operacionais de call center, empregando técnicas de classificação, através de experimentação de técnicas de aprendizado de máquina supervisionado para realizar a tarefa de classificação, a fim de gerar um modelo preditivo, que ofereça um melhor desempenho na operação de oferta de crédito bancário, para a realização de uma ação eficaz e produtiva, concebendo maior economia a empresa na identificação do público com maior aderência. Para isso foi utilizada uma base de dados com 11.162 registros de ligações feitas de um banco, oferecendo aos seus clientes uma carta de crédito. Os resultados apresentaram correlações de valor entre as variáveis, como tempo de duração da ligação, estado civil, nível escolaridade e até recorrência na adesão à contratos de crédito dos assinantes. Com a aplicação da PCA para redução da dimensionalidade e dos modelos de classificação, como: AdaBoost, Gradient Boosting, SVM RBF, Naive Bayes, Random Forest, foi possível perceber o perfil do consumidor com boa aquiescência para proposta de investimento e um grupo de pessoas com probabilidade alta de não adesão à carta de crédito, assim pôde-se delinear uma ação direcionada ao público predisposto à oferta, minimizando gastos atingindo maior lucratividade.
Referências
Bateh, J., & Farah, J. (2017). Reducing call center wait times through Six Sigma. The Journal of Business Inquiry, 17(2), 131-148.
Brown, L., Gans, N., Mandelbaum, A., Sakov, A., Shen, H., Zeltyn, S., & Zhao, L. (2005). Statistical analysis of a telephone call center: A queueing-science perspective. Journal of the American statistical association, 100(469), 36-50.
Clark, C. M., Tan, M. L., Murfett, U. M., Rogers, P. S., & Ang, S. (2019). The call center agent’s performance paradox: A mixed-methods study of discourse strategies and paradox resolution. Academy of Management Discoveries, 5(2), 152-170.
Dumortier, A., Beckjord, E., Shiffman, S., & Sejdić, E. (2016). Classifying smoking urges via machine learning. Computer methods and programs in biomedicine, 137, 203-213.
Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), 119-139.
Gião, P. R., Borini, F. M., & Júnior, M. D. M. O. (2010). A influência da tecnologia no desempenho dos call centers brasileiros. JISTEM-Journal of Information Systems and Technology Management (Online), 7(2), 335-352.
Gil, A. C. (2002). Como elaborar projetos de pesquisa, 4, 175. São Paulo: Atlas.
González, S., Herrera, F., & García, S. (2015). Monotonic random forest with an ensemble pruning mechanism based on the degree of monotonicity. New Generation Computing, 33(4), 367-388.
Gualandi, S., & Toscani, G. (2018). Call center service times are lognormal: A Fokker–Planck description. Mathematical Models and Methods in Applied Sciences, 28(08), 1513-1527.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). Boosting and additive trees. In The elements of statistical learning (pp. 337-387). Springer, New York, NY.
Hawkins, L., Meier, T., Nainis, S., & James, H. (2001). The Evolution of the Call Center to Customer Contact Center. Information Technology Support Center, White Paper.
Ibrahim, R., Ye, H., L’Ecuyer, P., & Shen, H. (2016). Modeling and forecasting call center arrivals: A literature survey and a case study. International Journal of Forecasting, 32(3), 865-874.
Levatić, J., Ceci, M., Kocev, D., & Džeroski, S. (2017). Semi-supervised classification trees. Journal of Intelligent Information Systems, 49(3), 461-486.
Lu, J., Hu, H., & Bai, Y. (2015). Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm. Neurocomputing, 152, 305-315.
Luštrek, M., Gams, M., & Martinčić-Ipšić, S. (2016). What makes classification trees comprehensible?. Expert Systems with Applications, 62, 333-346.
Martins, F. S., da Cunha, J. A. C., & Serra, F. A. R. (2018). Secondary data in research–uses and opportunities. PODIUM Sport, Leisure and Tourism Review, 7(3).
Monard, M. C., & Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, 1(1), 32.
Moro, S., Cortez, P., & Rita, P. (2014). A data-driven approach to predict the success of bank telemarketing. Decision Support Systems, 62, 22-31.
Moro, S., Laureano, R., & Cortez, P. (2011). Using data mining for bank direct marketing: An application of the crisp-dm methodology.
Mwendwa, L. (2017). Factors influencing call center agent attrition: A case of Kenya Power call center (Doctoral dissertation, University of Nairobi).
PreRESTUS Secretárias Compartilhadas [Site institucional], Recuperado de <https://www.prestus.com.br/call-center/>.
Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data and data-driven decision making. Big data, 1(1), 51-59.
Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. "O'Reilly Media, Inc.".
Provost, F., Melville, P., & Saar-Tsechansky, M. (2007, August). Data acquisition and cost-effective predictive modeling: targeting offers for electronic commerce. In Proceedings of the ninth international conference on Electronic commerce (pp. 389-398).
Kaggle. Base de Dados Bank. Recuperado de <https://www.kaggle.com/he nriqueyamahata/bank-marketing>.
Rokach, L. (2016). Decision forest: Twenty years of research. Information Fusion, 27, 111-125.
Strnad, D., & Nerat, A. (2016). Parallel construction of classification trees on a GPU. Concurrency and Computation: Practice and Experience, 28(5), 1417-1436.
Song, W., Du, C., & Zhang, C. (2018). Research and Practice on Performance Test of Call Center Platform System. JPhCS, 1069(1), 012088.
Sun, B., Chen, S., Wang, J., & Chen, H. (2016). A robust multi-class AdaBoost algorithm for mislabeled noisy data. Knowledge-Based Systems, 102, 87-102.
Xiao, L., Dong, Y., & Dong, Y. (2018). An improved combination approach based on Adaboost algorithm for wind speed time series forecasting. Energy Conversion and Management, 160, 273-288.
Zhu, M., Xia, J., Jin, X., Yan, M., Cai, G., Yan, J., & Ning, G. (2018). Class weights random forest algorithm for processing class imbalanced medical data. IEEE Access, 6, 4641-4652.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Amanda Ferreira de Moura; Cíntia Maria de Araújo Pinho; Domingos Márcio Rodrigues Napolitano; Fellipe Silva Martins; João Carlos Franco de Barros Fornari Junior
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
