Modelo Predictivo del Índice NPS Basado en Información Textual de Percepción del Servicio al Cliente
En la actualidad la administradora del fondo de pensiones (AFP) del mercado peruano viene realizando encuestas telefónicas para medir el nivel de servicio que ofrece a sus clientes, se hace uso del Net Promoter Score una metodología que clasifica a los clientes en función a la calificación que brind...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2019 |
| País: | Perú |
| Institución: | Universidad Ricardo Palma |
| Repositorio: | URP-Tesis |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.urp.edu.pe:20.500.14138/2480 |
| Acceso en línea: | https://hdl.handle.net/20.500.14138/2480 |
| Access Level: | acceso abierto |
| Palabra clave: | AFP Net Promoter Score comentarios motivos promotores neutros detractores Naive Bayes F1 Score |
| Sumario: | En la actualidad la administradora del fondo de pensiones (AFP) del mercado peruano viene realizando encuestas telefónicas para medir el nivel de servicio que ofrece a sus clientes, se hace uso del Net Promoter Score una metodología que clasifica a los clientes en función a la calificación que brinda a la pregunta: “¿Qué tan probable es que recomiende nuestro producto / servicio / empresa a un amigo o colega?”. La escala de la calificación va del 0 hasta el 10. En este trabajo de tesis se planteó abordar un enfoque no estructurado es decir analizar los comentarios de los clientes con la finalidad de hallar insights que permitan generar los resultados que se buscan, en este trabajo se verán los pasos que se realizaron para identificar los motivos de no recomendación y finalmente pasar por la etapa de revisión de resultados y el modelado, en este caso clasificar los comentarios en función a los tipos de clientes: promotores, neutros y detractores. Entre los principales hallazgos referidos a los motivos de no recomendación se encontró para el grupo de los NEUTROS los conceptos de difundir más la información y mejorar la rentabilidad mientras que para el grupo de los DETRACTORES se tienen los conceptos de mejorar la atención al cliente y reducción de comisiones, por el lado del modelo de clasificación, el que arrojo mejores resultados fue Naive Bayes los siguientes resultados de desempeñando (F1 Score) fueron: para el grupo de Detractores 34.7%, para el grupo de Neutros 57.2% y para el grupo de Promotores 86.6%. |
|---|