Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos

ilustraciones, diagramas

Autores:
Castaño Pabón, María Cristina
Tipo de recurso:
Fecha de publicación:
2023
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/84747
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/84747
https://repositorio.unal.edu.co/
Palabra clave:
004 - Procesamiento de datos Ciencia de los computadores
360 - Problemas y servicios sociales; asociaciones::362 - Problemas sociales y servicios para grupo de personas
Quejas del consumidor
Servicios públicos - Quejas
Consumer complaints
Public utilities - Complaints
Pronostico
Series de tiempo
Empresas de Servicios Públicos
PQR
ARIMA
Sistema de simulación
Forecast
Time series
Public utility companies
Simulation system
Response times
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
id UNACIONAL2_25bef7a7d09318c9657b5b9e681262d2
oai_identifier_str oai:repositorio.unal.edu.co:unal/84747
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
dc.title.translated.eng.fl_str_mv Prototype of a Decision Support System for Claims Management in Public Utility Companies
title Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
spellingShingle Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
004 - Procesamiento de datos Ciencia de los computadores
360 - Problemas y servicios sociales; asociaciones::362 - Problemas sociales y servicios para grupo de personas
Quejas del consumidor
Servicios públicos - Quejas
Consumer complaints
Public utilities - Complaints
Pronostico
Series de tiempo
Empresas de Servicios Públicos
PQR
ARIMA
Sistema de simulación
Forecast
Time series
Public utility companies
Simulation system
Response times
title_short Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
title_full Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
title_fullStr Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
title_full_unstemmed Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
title_sort Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
dc.creator.fl_str_mv Castaño Pabón, María Cristina
dc.contributor.advisor.none.fl_str_mv Velásquez Henao, Juan David
dc.contributor.author.none.fl_str_mv Castaño Pabón, María Cristina
dc.contributor.orcid.spa.fl_str_mv Velásquez Henao, Juan David [0000-0003-3043-3037]
dc.subject.ddc.spa.fl_str_mv 004 - Procesamiento de datos Ciencia de los computadores
360 - Problemas y servicios sociales; asociaciones::362 - Problemas sociales y servicios para grupo de personas
topic 004 - Procesamiento de datos Ciencia de los computadores
360 - Problemas y servicios sociales; asociaciones::362 - Problemas sociales y servicios para grupo de personas
Quejas del consumidor
Servicios públicos - Quejas
Consumer complaints
Public utilities - Complaints
Pronostico
Series de tiempo
Empresas de Servicios Públicos
PQR
ARIMA
Sistema de simulación
Forecast
Time series
Public utility companies
Simulation system
Response times
dc.subject.lemb.spa.fl_str_mv Quejas del consumidor
Servicios públicos - Quejas
dc.subject.lemb.eng.fl_str_mv Consumer complaints
Public utilities - Complaints
dc.subject.proposal.spa.fl_str_mv Pronostico
Series de tiempo
Empresas de Servicios Públicos
PQR
ARIMA
Sistema de simulación
dc.subject.proposal.eng.fl_str_mv Forecast
Time series
Public utility companies
Simulation system
Response times
description ilustraciones, diagramas
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-10-03T15:47:32Z
dc.date.available.none.fl_str_mv 2023-10-03T15:47:32Z
dc.date.issued.none.fl_str_mv 2023-09
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/84747
dc.identifier.instname.spa.fl_str_mv Universidad Nacional de Colombia
dc.identifier.reponame.spa.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv https://repositorio.unal.edu.co/
url https://repositorio.unal.edu.co/handle/unal/84747
https://repositorio.unal.edu.co/
identifier_str_mv Universidad Nacional de Colombia
Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.indexed.spa.fl_str_mv Bireme
RedCol
LaReferencia
dc.relation.references.spa.fl_str_mv Assaf, S., & Srour, I. (2021). Using a data driven neural network approach to forecast building occupant complaints. Building and Environment, 200. Obtenido de https://doi.org/10.1016/j.buildenv.2021.107972
Chehade, A., Savargaonkar, M., & Krivtsov, V. (2022). Conditional Gaussian mixture model for warranty claims. Reliability Engineering and System Safety, 218. Obtenido de https://www.sciencedirect.com/science/article/pii/S0951832021006645
Donghui, W. (2017). A big data analytics framework for forecasting rare customer complaints: A use case of predicting MA members' complaints to CMS. Proceedings - 2017 IEEE International Conference on Big Data, Big Data 2017, (págs. 3965-3967).
Fox, D. G. (1981). Judging Air Quality Model Performance: A Summary of the AMS Workshop on Dispersion Model Performance, Woods Hole, Mass., 8–11 September 1980. Zulletin of the American Meteorological Society, 599 - 609. Obtenido de https://journals.ametsoc.org/view/journals/bams/62/5/1520-0477_1981_062_0599_jaqmp_2_0_co_2.xml
Gajowniczek, K., & Ząbkowski, T. (2018). Simulation Study on Clustering Approaches for Short-Term Electricity Forecasting. Complexity, vol. 2018, 21. Obtenido de https://doi.org/10.1155/2018/3683969
Gujarati, D. N. (2011). Econometría básica. McGraw Hill Brasil.
Haykin, S. (2009). Neural Networks and Learning Machines. Pearson.
Hilera González, J. R., & Martínez Hernando, V. J. (1994). Redes neuronales artificiales: fundamentos, modelos y aplicaciones. SERBIULA (sistema Librum 2.0).
Medeiros, M., Vasconcelos, G., Veiga, Á., & Zilberman, E. (2021). Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Journal of Business \& Economic Statistics, 1-22. Obtenido de https://doi.org/10.1080/07350015.2019.1637745
Montgomery, D. C., Peck, E. C., & Vining, G. G. (2002). Introducción al análisis de regresión lineal. Compañía Editorial Continental.
Qi, M., & Zhang, G. P. (2001). An investigation of model selection criteria for neural network time series forecasting. European Journal of Operational Research, 666- 680. Obtenido de https://doi.org/10.1016/S0377-2217(00)00171-5.
Shaomin, W., & Akbarov, A. (2012). Forecasting warranty claims for recently launched products. Reliability Engineering and System Safety, 160-164. Obtenido de https://doi.org/10.1016/j.ress.2012.06.008
Velasquéz Henao, J. D. (4 de 5 de 2022). Cursos de Analítica y Machine Learning. Obtenido de https://jdvelasq.github.io/courses/modulos/dataops%20pqrs/parte%201/notebooks /1-01_simulacion_rdbms.html
Willmott, C. J. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society, 1309–1313. Obtenido de https://doi.org/10.1175/1520-0477(1982)063<1309:SCOTEO>2.0.CO;2
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 50 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.country.none.fl_str_mv Colombia
dc.publisher.spa.fl_str_mv Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv Medellín - Minas - Maestría en Ingeniería - Analítica
dc.publisher.faculty.spa.fl_str_mv Facultad de Minas
dc.publisher.place.spa.fl_str_mv Medellín, Colombia
dc.publisher.branch.spa.fl_str_mv Universidad Nacional de Colombia - Sede Medellín
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/84747/3/37390191.2023.pdf.jpg
https://repositorio.unal.edu.co/bitstream/unal/84747/1/license.txt
https://repositorio.unal.edu.co/bitstream/unal/84747/2/37390191.2023.pdf
bitstream.checksum.fl_str_mv 1ce450bccd24542038a90ea61eb8b155
eb34b1cf90b7e1103fc9dfd26be24b4a
134726ac0b6ce0543bf180b485ded91e
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089816323653632
spelling Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Velásquez Henao, Juan David7b16d4a5377f0f1b1f90d3c8c6fd9f8bCastaño Pabón, María Cristina02d2e21dde71e7ac9018736373b07924Velásquez Henao, Juan David [0000-0003-3043-3037]2023-10-03T15:47:32Z2023-10-03T15:47:32Z2023-09https://repositorio.unal.edu.co/handle/unal/84747Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasLas empresas de servicios públicos deben responder a tiempo las PQR (Peticiones, Quejas y Reclamos) de sus usuarios. En el caso específico de EPM, el número de PQR recibidas mensualmente ha experimentado fuertes variaciones, especialmente durante la pandemia del COVID-19. Esto ha ocasionado retrasos en los tiempos de respuesta debido a la falta de pronóstico en la cantidad de PQR que se recibirán en los próximos meses, lo que impide una óptima asignación de recursos humanos. En este trabajo de investigación de la maestría, se exploraron diferentes tipos de modelos para pronosticar tanto la serie agregada de reclamos diarios recibidos, como las series individuales asociadas a cada ciclo de facturación. Como resultado, se encontró que el modelo ARIMA brinda el pronóstico más preciso para la serie agregada de reclamos. Este modelo se utiliza en un sistema de simulación que permite estimar los KPI (Indicadores Clave de Desempeño) relevantes del proceso, con el propósito de brindar información para la toma de decisiones. (Texto tomado de la fuente)Public utility companies must respond to PQR (Petitions, Complaints, and Claims) from their users in a timely manner. In the specific case of EPM, the number of PQRs received monthly has experienced significant variations, especially during the COVID-19 pandemic. This has resulted in delays in response times due to the lack of forecasting the quantity of PQR that will be received in the coming months, hindering optimal allocation of human resources. In this master's research work, different types of models were explored to forecast both the aggregated series of daily received claims and the individual series associated with each billing cycle. As a result, it was found that the ARIMA model provides the most accurate forecast for the aggregated series of claims. This model is used in a simulation system that allows estimating the relevant Key Performance Indicators (KPIs) of the process, aiming to provide information for decision-making.MaestríaMagíster en Ingeniería - AnalíticaÁrea Curricular de Ingeniería de Sistemas e Informática50 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín004 - Procesamiento de datos Ciencia de los computadores360 - Problemas y servicios sociales; asociaciones::362 - Problemas sociales y servicios para grupo de personasQuejas del consumidorServicios públicos - QuejasConsumer complaintsPublic utilities - ComplaintsPronosticoSeries de tiempoEmpresas de Servicios PúblicosPQRARIMASistema de simulaciónForecastTime seriesPublic utility companiesSimulation systemResponse timesPrototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicosPrototype of a Decision Support System for Claims Management in Public Utility CompaniesTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMColombiaBiremeRedColLaReferenciaAssaf, S., & Srour, I. (2021). Using a data driven neural network approach to forecast building occupant complaints. Building and Environment, 200. Obtenido de https://doi.org/10.1016/j.buildenv.2021.107972Chehade, A., Savargaonkar, M., & Krivtsov, V. (2022). Conditional Gaussian mixture model for warranty claims. Reliability Engineering and System Safety, 218. Obtenido de https://www.sciencedirect.com/science/article/pii/S0951832021006645Donghui, W. (2017). A big data analytics framework for forecasting rare customer complaints: A use case of predicting MA members' complaints to CMS. Proceedings - 2017 IEEE International Conference on Big Data, Big Data 2017, (págs. 3965-3967).Fox, D. G. (1981). Judging Air Quality Model Performance: A Summary of the AMS Workshop on Dispersion Model Performance, Woods Hole, Mass., 8–11 September 1980. Zulletin of the American Meteorological Society, 599 - 609. Obtenido de https://journals.ametsoc.org/view/journals/bams/62/5/1520-0477_1981_062_0599_jaqmp_2_0_co_2.xmlGajowniczek, K., & Ząbkowski, T. (2018). Simulation Study on Clustering Approaches for Short-Term Electricity Forecasting. Complexity, vol. 2018, 21. Obtenido de https://doi.org/10.1155/2018/3683969Gujarati, D. N. (2011). Econometría básica. McGraw Hill Brasil.Haykin, S. (2009). Neural Networks and Learning Machines. Pearson.Hilera González, J. R., & Martínez Hernando, V. J. (1994). Redes neuronales artificiales: fundamentos, modelos y aplicaciones. SERBIULA (sistema Librum 2.0).Medeiros, M., Vasconcelos, G., Veiga, Á., & Zilberman, E. (2021). Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Journal of Business \& Economic Statistics, 1-22. Obtenido de https://doi.org/10.1080/07350015.2019.1637745Montgomery, D. C., Peck, E. C., & Vining, G. G. (2002). Introducción al análisis de regresión lineal. Compañía Editorial Continental.Qi, M., & Zhang, G. P. (2001). An investigation of model selection criteria for neural network time series forecasting. European Journal of Operational Research, 666- 680. Obtenido de https://doi.org/10.1016/S0377-2217(00)00171-5.Shaomin, W., & Akbarov, A. (2012). Forecasting warranty claims for recently launched products. Reliability Engineering and System Safety, 160-164. Obtenido de https://doi.org/10.1016/j.ress.2012.06.008Velasquéz Henao, J. D. (4 de 5 de 2022). Cursos de Analítica y Machine Learning. Obtenido de https://jdvelasq.github.io/courses/modulos/dataops%20pqrs/parte%201/notebooks /1-01_simulacion_rdbms.htmlWillmott, C. J. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society, 1309–1313. Obtenido de https://doi.org/10.1175/1520-0477(1982)063<1309:SCOTEO>2.0.CO;2EstudiantesInvestigadoresMaestrosTHUMBNAIL37390191.2023.pdf.jpg37390191.2023.pdf.jpgGenerated Thumbnailimage/jpeg5463https://repositorio.unal.edu.co/bitstream/unal/84747/3/37390191.2023.pdf.jpg1ce450bccd24542038a90ea61eb8b155MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/84747/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL37390191.2023.pdf37390191.2023.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf2767397https://repositorio.unal.edu.co/bitstream/unal/84747/2/37390191.2023.pdf134726ac0b6ce0543bf180b485ded91eMD52unal/84747oai:repositorio.unal.edu.co:unal/847472023-10-03 23:03:37.116Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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

Publicaciones similares