Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/55/55137/tde-04022022-172002/ |
Resumo: | A reclamação é uma ação garantida por entidades de proteção ao consumidor, e com a digitalização crescente da sociedade e a popularização das plataformas digitais de reclamações, têm-se um aumento crescente das reclamações de clientes nestas plataformas. A escalada das reclamações em ambientes digitais tratadas incorretamente impactam a imagem das empresas e geram uma necessidade cada vez mais latente de capturar, processar, analisar e gerar conhecimento usando automatizações. Com este cenário, este trabalho propõe a utilização de técnicas de Mineração de Textos e Aprendizado de Máquina em um fluxo de triagem de reclamações com objetivo de minimizar a probabilidade de não-resolução das reclamações de clientes de serviços financeiros. A abordagem proposta é avaliada por meio de 3 arquiteturas distintas de complexidade, sendo que para modelo base utilizou-se o Naive-Bayes SVM, para o intermediário foi utilizado as embeddings FastText com classificador Multi-layer Perceptron e como técnica desafiante foi utilizado o modelo de linguagem DistilBERT. A utilização apenas da narrativa da reclamação do consumidor apresentou resultado pouco relevante na discriminação da resolutividade, porém quando agregado a narrativa de atendimento da empresa os modelos performaram consideravelmente bem e podem ser aplicados em uma estratégia de atendimento. Os resultados mostraram que os métodos podem gerar valor em sistemas de apoio à tomada de decisão na área operacional das empresas e podem auxiliar as mesmas no atendimento de seus clientes, elevando o nível de satisfação dos consumidores e reduzindo o risco de imagem da empresa. A escolha de um bom modelo de predição depende da estratégia de atuação da operação de atendimento, sendo que a capacidade de ordenação do risco torna-se preponderante nessa escolha. |
id |
USP_0e5d9434f5832c6982a489c0bbc2335d |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-04022022-172002 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de ClientesMachine Learning Applied in Customer Complaint ServiceAprendizado de MáquinaAtendimento de ClientesCustomer ServiceMachine LearningMineração de TextosText MiningA reclamação é uma ação garantida por entidades de proteção ao consumidor, e com a digitalização crescente da sociedade e a popularização das plataformas digitais de reclamações, têm-se um aumento crescente das reclamações de clientes nestas plataformas. A escalada das reclamações em ambientes digitais tratadas incorretamente impactam a imagem das empresas e geram uma necessidade cada vez mais latente de capturar, processar, analisar e gerar conhecimento usando automatizações. Com este cenário, este trabalho propõe a utilização de técnicas de Mineração de Textos e Aprendizado de Máquina em um fluxo de triagem de reclamações com objetivo de minimizar a probabilidade de não-resolução das reclamações de clientes de serviços financeiros. A abordagem proposta é avaliada por meio de 3 arquiteturas distintas de complexidade, sendo que para modelo base utilizou-se o Naive-Bayes SVM, para o intermediário foi utilizado as embeddings FastText com classificador Multi-layer Perceptron e como técnica desafiante foi utilizado o modelo de linguagem DistilBERT. A utilização apenas da narrativa da reclamação do consumidor apresentou resultado pouco relevante na discriminação da resolutividade, porém quando agregado a narrativa de atendimento da empresa os modelos performaram consideravelmente bem e podem ser aplicados em uma estratégia de atendimento. Os resultados mostraram que os métodos podem gerar valor em sistemas de apoio à tomada de decisão na área operacional das empresas e podem auxiliar as mesmas no atendimento de seus clientes, elevando o nível de satisfação dos consumidores e reduzindo o risco de imagem da empresa. A escolha de um bom modelo de predição depende da estratégia de atuação da operação de atendimento, sendo que a capacidade de ordenação do risco torna-se preponderante nessa escolha.The complaint is an action guaranteed by consumer protection entities, and with the increasing digitization of society and the popularization of digital complaint platforms, there is a growing increase in customer complaints in these platforms. The escalation and the incorrectly handled complaints in the digital platforms impact the image of companies and generate an increasingly latent need to capture, process, analyze and generate knowledge using automations. With this scenario, this dissertation proposes the use of Text Mining and Machine Learning techniques in a complaints triage flow in order to minimize the probability of non-resolution of complaints from financial services customers. The proposed approach is evaluated through 3 different architectures of complexity, with the Naive-Bayes SVM that was used as a baseline model, the FastText that was used as the intermediate model and the DistilBERT that was used as a challenging technique. The use of only the narratives of the consumers complaints presented little relevant result in the discrimination of the resoluteness, however when added to the narrative of the companys service, the models performed considerably well and can be applied in a service strategy. The results showed that the methods can generate value in decision-making support systems in the operational area of companies and can help them in serving their customers, raising the level of consumer satisfaction and reducing the risk of the companys image. The choice of a good prediction model depends on the performance strategy of the customer service, and the ability to sort the risk becomes preponderant in this choice.Biblioteca Digitais de Teses e Dissertações da USPRezende, Solange OliveiraPeixoto, Luiz Henrique Rowan2021-12-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/55/55137/tde-04022022-172002/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2022-02-04T19:26:02Zoai:teses.usp.br:tde-04022022-172002Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-02-04T19:26:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes Machine Learning Applied in Customer Complaint Service |
title |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes |
spellingShingle |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes Peixoto, Luiz Henrique Rowan Aprendizado de Máquina Atendimento de Clientes Customer Service Machine Learning Mineração de Textos Text Mining |
title_short |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes |
title_full |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes |
title_fullStr |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes |
title_full_unstemmed |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes |
title_sort |
Aprendizado de Máquina Aplicado no Atendimento de Reclamações de Clientes |
author |
Peixoto, Luiz Henrique Rowan |
author_facet |
Peixoto, Luiz Henrique Rowan |
author_role |
author |
dc.contributor.none.fl_str_mv |
Rezende, Solange Oliveira |
dc.contributor.author.fl_str_mv |
Peixoto, Luiz Henrique Rowan |
dc.subject.por.fl_str_mv |
Aprendizado de Máquina Atendimento de Clientes Customer Service Machine Learning Mineração de Textos Text Mining |
topic |
Aprendizado de Máquina Atendimento de Clientes Customer Service Machine Learning Mineração de Textos Text Mining |
description |
A reclamação é uma ação garantida por entidades de proteção ao consumidor, e com a digitalização crescente da sociedade e a popularização das plataformas digitais de reclamações, têm-se um aumento crescente das reclamações de clientes nestas plataformas. A escalada das reclamações em ambientes digitais tratadas incorretamente impactam a imagem das empresas e geram uma necessidade cada vez mais latente de capturar, processar, analisar e gerar conhecimento usando automatizações. Com este cenário, este trabalho propõe a utilização de técnicas de Mineração de Textos e Aprendizado de Máquina em um fluxo de triagem de reclamações com objetivo de minimizar a probabilidade de não-resolução das reclamações de clientes de serviços financeiros. A abordagem proposta é avaliada por meio de 3 arquiteturas distintas de complexidade, sendo que para modelo base utilizou-se o Naive-Bayes SVM, para o intermediário foi utilizado as embeddings FastText com classificador Multi-layer Perceptron e como técnica desafiante foi utilizado o modelo de linguagem DistilBERT. A utilização apenas da narrativa da reclamação do consumidor apresentou resultado pouco relevante na discriminação da resolutividade, porém quando agregado a narrativa de atendimento da empresa os modelos performaram consideravelmente bem e podem ser aplicados em uma estratégia de atendimento. Os resultados mostraram que os métodos podem gerar valor em sistemas de apoio à tomada de decisão na área operacional das empresas e podem auxiliar as mesmas no atendimento de seus clientes, elevando o nível de satisfação dos consumidores e reduzindo o risco de imagem da empresa. A escolha de um bom modelo de predição depende da estratégia de atuação da operação de atendimento, sendo que a capacidade de ordenação do risco torna-se preponderante nessa escolha. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-12-08 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/55/55137/tde-04022022-172002/ |
url |
https://www.teses.usp.br/teses/disponiveis/55/55137/tde-04022022-172002/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1815256650231054336 |