Modelo predictivo para mejorar la eficiencia en los tiempos de respuesta a las PQRS en una entidad de créditos de modalidad de libranza

Ruano Daza,  Doris Maritza; Duarte Ochoa, Sunny Angélica

Modelo predictivo para mejorar la eficiencia en los tiempos de respuesta a las PQRS en una entidad de créditos de modalidad de libranza

dc.contributor.advisor	Cárdenas Quintero, Beimantt Geovanni
dc.contributor.author	Ruano Daza, Doris Maritza
dc.contributor.author	Duarte Ochoa, Sunny Angélica
dc.contributor.orcid	Cárdenas Quintero, Beimantt Geovanni [0000-0003-0293-0036]
dc.date.accessioned	2025-04-03T20:39:07Z
dc.date.available	2025-04-03T20:39:07Z
dc.date.created	2024-12-06
dc.description	Las entidades de crédito bajo la modalidad de libranza enfrentan problemas relacionados con los tiempos de respuesta a las PQRS, debido a la falta de automatización en la clasificación y tipificación de las solicitudes. Esto genera errores humanos, respuestas inadecuadas e insatisfacción en los clientes. Además, el incumplimiento en los tiempos puede acarrear sanciones legales y pérdidas económicas, afectando la reputación de las entidades. Para resolver esta problemática, se propone implementar un modelo predictivo de clasificación basado en palabras clave, que automatice la asignación de categorías en las PQRS. Este modelo reducirá errores, optimizará los tiempos de respuesta e identificará patrones recurrentes en las solicitudes, permitiendo una mejor atención al cliente.
dc.description.abstract	Credit entities under the payroll loan modality face issues related to response times for PQRS (petitions, complaints, claims, and suggestions) due to a lack of automation in the classification and categorization of requests. This results in human errors, inadequate responses, and customer dissatisfaction. Furthermore, failure to meet response deadlines can lead to legal sanctions, financial losses, and damage to the entities' reputation. To address this issue, it is proposed to implement a predictive classification model based on keywords to automate the assignment of categories in PQRS. This model will reduce errors, optimize response times, and identify recurring patterns in requests, enabling improved customer service.
dc.format.mimetype	pdf
dc.identifier.uri	http://hdl.handle.net/11349/94608
dc.language.iso	spa
dc.publisher	Universidad Distrital Francisco José de Caldas
dc.relation.references	Abid Ali Awan. (2924, May 3). ¿Qué es la tokenización?
dc.relation.references	Alexander Vanyushkin, & Leonid Graschenko. (2020). Analysis of Text Collections for the Purposes of Keyword Extraction Task. JIOS, 44, 12–19.
dc.relation.references	Armouty, B., & Tedmori, S. (2019). Automated Keyword Extraction using Support Vector Machine from Arabic News Documents. 2019 IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology (JEEIT), 342–346.
dc.relation.references	https://doi.org/10.1109/JEEIT.2019.8717420
dc.relation.references	ASOBANCARIA. (2021). Mejores prácticas en la gestión de inconformidades.
dc.relation.references	Cámara de Comercio de Medellín, & Vélez, B. (2023). ¿Cómo gestionar las peticiones, quejas, reclamos y sugerencias “PQR´S” de tu empresa?
dc.relation.references	Castro Valencia, V. (2023, June 7). ¿cuáles son sus ventajas y qué requisitos necesita para obtenerlo? El Tiempo, 1–1.
dc.relation.references	Constitución política de Colombia (C.P). (1991). Constitución política de Colombia.
dc.relation.references	Dudhabaware, R. S., & Madankar, M. S. (2014). Review on natural language processing tasks for text documents. 2014 IEEE International Conference on Computational Intelligence and Computing Research, 1–5. https://doi.org/10.1109/ICCIC.2014.7238427
dc.relation.references	EDUCA Portal de Educación Financiera. (n.d.). Educa Portal de Educación Financiera. Retrieved April 6, 2024, from https://www.cmfchile.cl/educa/621/w3-article 27152.html#:~:text=El%20cr%C3%A9dito%20es%20un%20pr%C3%A9stamo,un%20com promiso%20de%20devoluci%C3%B3n%20futura.
dc.relation.references	GRUPO BANCO MUNDIAL. (n.d.). COLOMBIA NOTAS SECTORIALES DE POLÍTICA Sector financiero
dc.relation.references	Https://Documents1.Worldbank.Org/Curated/En/099055008112219979/Pdf/P17786900b34 5404f094eb03809ca35bd8f.Pdfhttps://Documents1.Worldbank.Org/Curated/En/099055008 112219979/Pdf/P17786900b345404f094eb03809ca35bd8f.Pdf. Retrieved August 29, 2024, from
dc.relation.references	https://documents1.worldbank.org/curated/en/099055008112219979/pdf/P17786900b34540 4f094eb03809ca35bd8f.pdf
dc.relation.references	IBM. (2021, August 17). El modelo de redes neuronales.
dc.relation.references	Jacqueline Biscoboing. (21 C.E., September 1). Analítica predictiva o análisis predictivo
dc.relation.references	Junhee Seok, Sunho Choi, & Soojeong Kim. (2021). Keyword Extraction in Economics Literatures using Natural Language Processing. IEEE.
dc.relation.references	Kondeti, B., S. A, J., & V. V, H. (2022). Keyword Extraction – Comparison of Latent Dirichlet Allocation and Latent Semantic Analysis. European Journal of Mathematics and Statistics, 3(3), 40–47. https://doi.org/10.24018/ejmath.2022.3.3.119
dc.relation.references	Ley 1480 de 2011
dc.relation.references	Ley 1755 de 2011
dc.relation.references	Manrique Rojas, E. (2019). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. 1–15.
dc.relation.references	Paz Couso, R. (2005). Servicio al cliente La comunicación y la calidad de servicio en la atención al cliente (Editorial Vigo, Ed.; 1st ed., Vol. 1). Editorial Ideas Propias
dc.relation.references	Perez Altamar, N. (2023, November 28). Estas son las entidades financieras que más quejas han recibido en lo corrido del año. La República, 1–1.
dc.relation.references	Pineda Pertuz, C. (2022). Aprendizaje automático y profundo en Python Una mirada hacia la inteligencia artificial. RAMA
dc.relation.references	Provost, F., & Fawcett, T. (2013). Data Science for Business. In M. Loukides & M. Blanchette (Eds.), Data Science for Business (O’Reilly Media, pp. 44–78). Sebastopol.
dc.relation.references	Qian, L., Hao, P., Jianxin, L., Congying, X., Renyu, Y., Lichao, S., Philip S. Yu, & Lifang He. (2021). A Survey on Text Classification: From Traditional to Deep Learning (Vol. 4).
dc.relation.references	Raschka, S., & Mirjalili, V. (2019). Aprendizaje automático con Python (2nd ed.). Marcombo S.A.
dc.relation.references	Siegel, E. (2015). Análisis predictivo: el poder de predecir quién hará clic, comprará, mentirá o morirá. In John Wiley & Sons Inc (Ed.), Análisis predictivo: el poder de predecir quién hará clic, comprará, mentirá o morirá (1st ed., pp. 3–3). John Wiley & Sons Inc.
dc.relation.references	Zhang, Y., Tuo, M., Yin, Q., Qi, L., Wang, X., & Liu, T. (2020). Keywords extraction with deep neural network model. Neurocomputing, 383, 113–121. https://doi.org/10.1016/J.NEUCOM.2019.11.083
dc.rights.acceso	Abierto (Texto Completo)
dc.rights.accessrights	OpenAccess
dc.subject	Modelos predictivos
dc.subject	Créditos de libranza
dc.subject	Peticiones
dc.subject	Quejas
dc.subject	Reclamo
dc.subject	Palabras clave
dc.subject.keyword	Predictive models
dc.subject.keyword	Payroll loans
dc.subject.keyword	Petitions
dc.subject.keyword	Complaints
dc.subject.keyword	Claims
dc.subject.keyword	Keywords
dc.subject.lemb	Especialización en Proyectos Informáticos -- Tesis y disertaciones académicas
dc.subject.lemb	Modelo predictivo	spa
dc.subject.lemb	Eficiencia operativa	spa
dc.subject.lemb	Servicio al cliente	spa
dc.title	Modelo predictivo para mejorar la eficiencia en los tiempos de respuesta a las PQRS en una entidad de créditos de modalidad de libranza
dc.title.titleenglish	Predictive model to improve the efficiency in the response time to PQRS in a credit institution of libranza modality
dc.type	bachelorThesis
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.degree	Investigación-Innovación
dc.type.driver	info:eu-repo/semantics/bachelorThesis