Aplicación en Machine learning para optimizar la atención de clientes en la empresa automotriz A&S Palermo SAC

• Autores: Aguilar Florian, Danitsa Alessandra, Alcocer Chaparro, Jeanpiere
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad de San Martín de Porres
• Repositorio: USMP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.usmp.edu.pe:20.500.12727/10169
• Enlace del recurso: https://hdl.handle.net/20.500.12727/10169
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Random Forest; Servicios mecánicos; Scrum; Sector automotriz; https://purl.org/pe-repo/ocde/ford#1.02.01

El presente trabajo de investigación lleva como objetivo optimizar la atención de clientes en el taller automotriz A&S Palermo SAC. a través del desarrollo de una aplicación en Machine Learning. Para lograr el objetivo se ha desarrollado una plataforma web que permita recomendar servicios mecánicos como cambio de aceite, cambio de filtro de aire, mantenimiento general y cambio de pastillas de freno, además, los clientes pueden agendar una cita con el taller una vez que hayan recibido esta recomendación y el tratamiento que sus vehículos necesitasen. De esta manera, se optimiza la atención de los clientes, obteniendo como resultado la reducción de una hora y media al tiempo de atención, a diferencia del proceso inicial que era de manera presencial. Como parte de la metodología se utilizó agilidad bajo el marco de trabajo Scrum, a fin de realizar entregas parciales que generen valor, además, para la elaboración del modelo de Machine Learning se utilizó el algoritmo de Random Forest obteniendo un 98% de precisión, permitiendo integrarse con la aplicación web para recomendar los servicios mecánicos. La aplicación web también permite enviar confirmación y recordatorio de la cita programada vía WhatsApp y enviar correo de fidelización a los clientes, así mismo, cuenta con un perfil administrador que permite visualizar gráficos dinámicos, administrar las citas y asignar mecánicos. Como resultado final, se obtuvo que nuestra aplicación reduce el tiempo de atención de clientes, ya que, anteriormente tomaba 1 hora y 43 minutos mientras que ahora, solo 13 minutos.