Mostrar el registro sencillo del documento
Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos
dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional |
dc.contributor.advisor | Velásquez Henao, Juan David |
dc.contributor.author | Castaño Pabón, María Cristina |
dc.date.accessioned | 2023-10-03T15:47:32Z |
dc.date.available | 2023-10-03T15:47:32Z |
dc.date.issued | 2023-09 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/84747 |
dc.description | ilustraciones, diagramas |
dc.description.abstract | Las 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) |
dc.description.abstract | 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. |
dc.format.extent | 50 páginas |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.publisher | Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.subject.ddc | 004 - Procesamiento de datos Ciencia de los computadores |
dc.subject.ddc | 360 - Problemas y servicios sociales; asociaciones::362 - Problemas sociales y servicios para grupo de personas |
dc.title | Prototipo de un sistema de apoyo para toma de decisiones en la gestión de reclamos en empresas de servicios públicos |
dc.type | Trabajo de grado - Maestría |
dc.type.driver | info:eu-repo/semantics/masterThesis |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Medellín - Minas - Maestría en Ingeniería - Analítica |
dc.coverage.country | Colombia |
dc.description.degreelevel | Maestría |
dc.description.degreename | Magíster en Ingeniería - Analítica |
dc.identifier.instname | Universidad Nacional de Colombia |
dc.identifier.reponame | Repositorio Institucional Universidad Nacional de Colombia |
dc.identifier.repourl | https://repositorio.unal.edu.co/ |
dc.publisher.faculty | Facultad de Minas |
dc.publisher.place | Medellín, Colombia |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Medellín |
dc.relation.indexed | Bireme |
dc.relation.indexed | RedCol |
dc.relation.indexed | LaReferencia |
dc.relation.references | 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 |
dc.relation.references | 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 |
dc.relation.references | 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). |
dc.relation.references | 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 |
dc.relation.references | 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 |
dc.relation.references | Gujarati, D. N. (2011). Econometría básica. McGraw Hill Brasil. |
dc.relation.references | Haykin, S. (2009). Neural Networks and Learning Machines. Pearson. |
dc.relation.references | Hilera González, J. R., & Martínez Hernando, V. J. (1994). Redes neuronales artificiales: fundamentos, modelos y aplicaciones. SERBIULA (sistema Librum 2.0). |
dc.relation.references | 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 |
dc.relation.references | Montgomery, D. C., Peck, E. C., & Vining, G. G. (2002). Introducción al análisis de regresión lineal. Compañía Editorial Continental. |
dc.relation.references | 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. |
dc.relation.references | 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 |
dc.relation.references | 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 |
dc.relation.references | 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.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.lemb | Quejas del consumidor |
dc.subject.lemb | Consumer complaints |
dc.subject.lemb | Servicios públicos - Quejas |
dc.subject.lemb | Public utilities - Complaints |
dc.subject.proposal | Pronostico |
dc.subject.proposal | Series de tiempo |
dc.subject.proposal | Empresas de Servicios Públicos |
dc.subject.proposal | PQR |
dc.subject.proposal | ARIMA |
dc.subject.proposal | Forecast |
dc.subject.proposal | Time series |
dc.subject.proposal | Public utility companies |
dc.subject.proposal | Simulation system |
dc.subject.proposal | Response times |
dc.subject.proposal | Sistema de simulación |
dc.title.translated | Prototype of a Decision Support System for Claims Management in Public Utility Companies |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
dc.type.redcol | http://purl.org/redcol/resource_type/TM |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
dcterms.audience.professionaldevelopment | Estudiantes |
dcterms.audience.professionaldevelopment | Investigadores |
dcterms.audience.professionaldevelopment | Maestros |
dc.description.curriculararea | Área Curricular de Ingeniería de Sistemas e Informática |
dc.contributor.orcid | Velásquez Henao, Juan David [0000-0003-3043-3037] |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.Este documento ha sido depositado por parte de el(los) autor(es) bajo la siguiente constancia de depósito