Optimización de contactos telefónicos efectivos en gestión de cobranzas mediante un modelo de mejor horario de llamada, usando regresión multinomial
DOI:
https://doi.org/10.18537/mskn.09.01.09Palabras clave:
regresión multinomial, inteligencia de negocios, análsis de negocios, big data, centro de llamadas, contactabilidadResumen
Los Centros de llamadas (en inglés Call Centers) representan una industria consolidada a nivel mundial y una de sus actividades es la gestión de cobranzas. El presente trabajo propone un modelo estadístico predictivo para aumentar la probabilidad de contactabilidad telefónica en la gestión de cobranzas a través del mejor horario de llamada. Esto lleva directamente a considerar más de dos posibilidades, es decir, nos enfrentamos a un problema de respuesta multicategórica por lo que se especifica un modelo multinomial. Los datos de corte transversal utilizados en el análisis empírico provienen de una empresa de cobranza de gran escala situada en Ecuador. Los individuos, objeto de este análisis, son prestatarios que se encontraban en mora de productos de crédito de consumo y de microcrédito. El estudio incluye el análisis de aproximadamente 6,000 individuos y el tratamiento de 139 variables explicativas, recogidas en un período histórico entre enero y septiembre de 2016. Los resultados sugieren que información histórica de contactabilidad, día de la semana, características del contrato moroso y la propensión de pago (dada por la razón del saldo en atraso entre el corto plazo y largo plazo), son determinantes de un contacto telefónico efectivo.
Descargas
Métricas
Citas
Anderson, R. (2007). The credit scoring toolkit: Theory and practice for retail credit risk management and decision automation. Oxford, UK: OUP.
Bayrak, H., Bulbul, A. A., Conser, E. T., Bergh, G. de, Dorai, C., Veen, A. (2013). US20130060587A1. United States. Retrieved from https://patents.google.com/patent/US20130060587A1/en
Bendel, R. B., Afifi, A. A. (1977). Comparison of stopping rules in forward ‘stepwise’ regression. Journal of the American Statistical Association, 72(357), 46-53. https://doi.org/10.2307/2286904
Chen, H. (2011). Editorial: Design science, grand challenges, and societal impacts. ACM Transactions on Management Information Systems (TMIS), 2(1), 1-10. https://doi.org/10.1145/1929916.1929917
Cunningham, P., Martin, D., Brick, J. M. (2003). An experiment in call scheduling. In: Proceedings of the Survey Research Methods Section, American Statistical Association, pp. 59-66. Nashville, TN, USA: American Statistical Association. Retrieved from http://ww2.amstat.org/sections/srms/proceedings/y2003/Files/JSM2003-000306.pdf
Durrant, G. B., D’Arrigo, J., Steele, F. (2011). Using field process data to predict best times of contact conditioning on household and interviewer influences. Journal of the Royal Statistical Society. Series A: Statistics in Society, 174(4), 1029-1049.
Hand, D. J., Till, R. J. (2001). A simple generalization of the area under the ROC curve for multiple class classification problems. Machine Learning, 45(2), 171-186. https://doi.org/10.1023/A:1010920819831
Kreuter, F., Müller, G. (2015). A note on improving process efficiency in panel surveys with para data. Field Methods, 27(1), 55-65. https://doi.org/10.1177/1525822X14538205
Landgrebe, T., Duin, R. P. W. (2006). A simplified extension of the area under the ROC to the multiclass domain. Delft, The Netherlands: Delft University of Technology. Disponible en https://pdfs.semanticscholar.org/dc70/1e7fca147e2bf37f14481e35e1b975396809.pdf?_ga=2.32111294.1451026522.1529313596-700634931.1501938280
Loftus, S. C., House, L. L., Hughey, M. C., Walke, J. B., H, M., Belden, L. K. (2015). Dimension reduction for multinomial models via a Kolmogorov-Smirnov measure (KSM) Technical No. 15-1, 19 p. Blacksburg, VA, USA: Virginia Tech. Retrieved from https://www.stat.vt.edu/about/research/research-technical-reports.html
Milone, G. (2004). Estatistica geral e aplicada. Editora Pioneira Thomson Learning. Retrieved from https://www.estantevirtual.com.br/livros/giuseppe-milone/estatistica-geral-e-aplicada/1704135913
Park, S. H., Huh, S. Y., Oh, W., Han, S. P. (2012). A social network-based inference model for validating customer profile data. MIS Quarterly: Management Information Systems, 36(4), 1217-1238.
Wooldridge, J. (2012). Introductory econometrics: A modern approach (5th ed.). Michigan, US: Michigan State University, Cengage Learning.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Copyright © Autors. Creative Commons Attribution 4.0 License para cualquier artículo enviado a partir del 6 de junio de 2017. Para los manuscritos presentados anteriormente, se utilizó la licencia CC BY 3.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
Mayor información sobre este acuerdo de autoría y licencia, transferencia de derechos o solicitudes de reproducción, pueden ser consultados en este enlace.