Detección temprana de propensión a la baja con Speech Analytics

El objetivo del proyecto es prevenir la fuga de clientes en un call center usando técnicas de NLP y aprendizaje automático. Se usan registros de llamadas de clientes para entrenar varios modelos, entre ellos redes neuronales recurrentes (LSTM bidireccionales) y Transformers.

Para los modelos LSTM, se probaron cuatro versiones distintas, usando diferentes datos de entrada como transcripciones tokenizadas de las llamadas, razones de las llamadas, duración y llamadas de seguimiento. Se evaluaron los resultados de estos modelos y se vio que el Modelo 3, que identificaba las llamadas previas a la fuga hasta 15 días antes, fue el más eficaz en detectar clientes en riesgo de fuga con suficiente anticipación para actuar.

También se entrenaron dos modelos basados en Transformers: RoBERTa y DistilBERT. Estos modelos mostraron ventajas en cuanto a poder de clasificación y tamaño, respectivamente, en comparación con el modelo base BERT.

Los resultados indicaron que los dos primeros modelos LSTM tuvieron mejor desempeño en términos de métricas de aprendizaje automático, pero se eligió el Modelo 3 por su habilidad para predecir llamadas previas a la fuga. Se realizó un análisis cuantitativo que demostró la utilidad del modelo desde un punto de vista empresarial. En cuanto a los dos modelos Transformers, DistilBERT tuvo mejores resultados, aunque algo inferiores a los obtenidos por LSTM.

The aim of the project is to prevent customer churn in a call center using NLP and machine learning techniques. Customer call records are used to train various models, including recurrent neural networks (bidirectional LSTM) and Transformers.

For the LSTM models, four different versions were tested, using different input data such as tokenized transcripts of the calls, reasons for the calls, duration and follow-up calls. The results of these models were evaluated and it was seen that Model 3, which identified the calls prior to churn up to 15 days before, was the most effective in detecting customers at risk of churn with enough anticipation to act.

Two models based on Transformers were also trained: RoBERTa and DistilBERT. These models showed advantages in terms of classification power and size, respectively, compared to the base model BERT.

The results indicated that the first two LSTM models performed better in terms of machine learning metrics, but Model 3 was chosen for its ability to predict calls prior to churn. A quantitative analysis was performed that demonstrated the usefulness of the model from a business point of view. As for the two Transformer models, DistilBERT had better results, although slightly lower than those obtained by LSTM.