Modelo para la detección de errores asociados a la liquidación de la factura de energía en Antioquia

Abstract

Utility companies have the responsibility to ensure correct billing to their customers. However, products such as electricity, where regulatory factors, the volume of data, the number of associated variables, the limited time for review and controls, represent a challenge of great magnitude. Most companies perform these controls on samples of the population. The objective of this work is to enable a statistical solution that allows to review the totality of customers, that is, a 100 percent coverage of the collections, prioritizing the operational reviews in cases of error. This research uses two models from which the one with the best performance is selected, the first one is a statistical model and the second one is a machine learning model.

Las empresas de servicios públicos tienen la responsabilidad de asegurar una facturación precisa de sus servicios a los clientes. En particular, la facturación de la energía eléctrica involucra diversos factores, como regulaciones, volumen de datos, cantidad de variables asociadas y restricciones temporales para la revisión, lo que complica el proceso. Las empresas a menudo no identifican de manera oportuna los errores de facturación, generando reclamaciones y clientes insatisfechos. El propósito de este estudio fue aplicar modelos estadísticos y de aprendizaje automático para detectar precozmente errores en el proceso de facturación eléctrica y mejorar el servicio al cliente. La regresión logística mostró una sensibilidad del 94.95 %, mientras que los ´arboles de clasificación alcanzaron una precisión del 75.36 %. La implementación de estos modelos puede perfeccionar el proceso de facturación, identificando errores de manera más eficiente. Además, la automatización y agilización del análisis de grandes conjuntos de datos facilita una detección rápida y oportuna de posibles fallos en las facturas (Texto tomado de la fuete)