Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/10495/24190
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorGonzález, Jonatan A.-
dc.contributor.advisorArrieta Argel, María Ángela-
dc.contributor.authorTorres Franco, Jessica-
dc.date.accessioned2021-11-17T19:58:51Z-
dc.date.available2021-11-17T19:58:51Z-
dc.date.issued2021-
dc.identifier.urihttp://hdl.handle.net/10495/24190-
dc.description.abstractRESUMEN: En este trabajo, se presenta un análisis estadístico de tres bases de datos relacionadas con las llamadas de usuarios al soporte técnico de Tigo Home. Para el análisis, se utilizan técnicas de aprendizaje supervisado con el fin de modelar las llamadas y brindar a la empresa una base científica que sirva para la toma de decisiones relacionadas con la organización del personal que atiende a los usuarios telefónicamente. Mediante técnicas de series de tiempo, se modela el número de llamadas diarias basándose únicamente en la estacionalidad, posible tendencia de la serie y su autocorrelación; además, se propone un sistema de predicción diaria basado en cinco modelos que han sido probados exitosos. Con la ayuda de técnicas de regresión logística y árboles de decisión, se identifican los factores que influyen en que un usuario vuelva a llamar a soporte técnico por temas relacionados con el agendamiento de la cita, que ha sido programada de antemano a través de una primera llamada. A este respecto, se plantea y se prueba el rendimiento de un conjunto de cuatro modelos de acuerdo a la naturaleza de las bases de datos de aseguramiento y aprovisionamiento.spa
dc.description.abstractABSTRACT: This study presents a statistical analysis of three databases related to user calls to Tigo Home technical support. Supervised learning techniques are used to model the calls and provid the company with data that can be used to make decisions related to the organization of the person who serves the users through the telephone. Using time series techniques, the number of daily calls is modeled based only on seasonality, possible trend of the series, and its autocorrelation; furthermore, a daily prediction system is designed based on five models that have been proven successfully. With the help of logistic regression techniques and decision trees, it became easier to determine the factors that make a user to call back to technical support for issues related to the scheduling of the appointment determined in the first call. Regarding this, the performance of a set of four models is proposed and tested according to the nature of the assurance and provisioning databases.spa
dc.format.extent51spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.type.hasversioninfo:eu-repo/semantics/draftspa
dc.rightsinfo:eu-repo/semantics/openAccessspa
dc.rightsAtribución-NoComercial-CompartirIgual 2.5 Colombia (CC BY-NC-SA 2.5 CO)*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/2.5/co/*
dc.subject.lcshMultivariate analysis-
dc.subject.lcshLogistic regression analysis-
dc.subject.lcshDecision trees-
dc.subject.lcshTime-series analysis-
dc.subject.lcshDatabases-
dc.subject.lcshMathematical statistics-
dc.titleAnálisis estadístico de llamadas reincidentes a soporte técnico de Tigo Home (octubre 2020 - marzo 2021)spa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
oaire.versionhttp://purl.org/coar/version/c_b1a7d7d4d402bccespa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
thesis.degree.nameEstadísticospa
thesis.degree.levelPregradospa
thesis.degree.disciplineFacultad de Ciencias Exactas y Naturales. Estadísticaspa
thesis.degree.grantorUniversidad de Antioquiaspa
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/spa
dc.publisher.placeMedellín, Colombiaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa
dc.subject.unescoAnálisis estadístico-
dc.subject.unescoStatistical analysis-
dc.subject.lembAnálisis multivariante-
dc.subject.lembAnálisis de regresión logística-
dc.subject.lembAnálisis de series de tiempo-
dc.subject.lembBases de datos-
dc.subject.lembEstadística matemática-
dc.subject.lcshurihttp://id.loc.gov/authorities/subjects/sh85088390-
dc.subject.lcshurihttp://id.loc.gov/authorities/subjects/sh00002321-
dc.subject.lcshurihttp://id.loc.gov/authorities/subjects/sh94004363-
dc.subject.lcshurihttp://id.loc.gov/authorities/subjects/sh85135430-
dc.subject.lcshurihttp://id.loc.gov/authorities/subjects/sh86007767-
dc.subject.lcshurihttp://id.loc.gov/authorities/subjects/sh85082133-
dc.subject.unescourihttp://vocabularies.unesco.org/thesaurus/concept2238-
Aparece en las colecciones: Estadística

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TorresJessica_2021_AnalisisEstadisticoLlamadas.pdfTrabajo de grado de pregrado1.95 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons