Mostrar el registro sencillo del ítem
Diseño de un modelo de productividad: estrategia para mejorar la eficiencia en ventas del canal presencial de una empresa de telecomunicaciones
| dc.contributor.advisor | Cortes Perez, Danitza Maria | |
| dc.coverage.spatial | cead_-_josé_acevedo_y_gómez | |
| dc.creator | Gomez Muñoz, Nelson | |
| dc.date.accessioned | 2025-06-21T06:42:52Z | |
| dc.date.available | 2025-06-21T06:42:52Z | |
| dc.date.created | 2025-06-05 | |
| dc.identifier.uri | https://repository.unad.edu.co/handle/10596/70227 | |
| dc.description | ||
| dc.description.abstract | Este proyecto desarrolló un modelo de aprendizaje automático basado en árboles de decisión para predecir la productividad de los asesores de canal presencial en una empresa de telecomunicaciones. La metodología comprendió cuatro fases: (1) definición de variables clave; (2) recopilación y preprocesamiento de datos; (3) entrenamiento y validación del modelo; y (4) diseño de estrategias de optimización. El modelo final alcanzó una puntuación F1 macro del 74 % y una precisión general del 82 %. Con base en estos resultados, se implementó un plan de acción que incluye un dashboard para seguimiento y programas de capacitación e incentivos específicos para impulsar la productividad. El modelo garantiza una mejora continua, lo que facilita la toma de decisiones estratégicas basadas en datos. | |
| dc.format | ||
| dc.title | Diseño de un modelo de productividad: estrategia para mejorar la eficiencia en ventas del canal presencial de una empresa de telecomunicaciones | |
| dc.type | Proyecto aplicado | |
| dc.subject.keywords | Productividad | |
| dc.subject.keywords | Machine Learning | |
| dc.subject.keywords | Árbol de decisión | |
| dc.subject.keywords | Telecomunicaciones | |
| dc.subject.keywords | Predicciones | |
| dc.description.abstractenglish | This project developed a decision-tree-based machine learning model to predict the productivity of in-person channel advisors at a telecommunications company. The methodology comprised four phases: (1) defining key variables; (2) collecting and preprocessing data; (3) training and validating the model; and (4) designing optimization strategies. The final model achieved a macro F1-score of 74% and an overall accuracy of 82%. Based on these results, an action plan was implemented, including a real-time monitoring dashboard and targeted training and incentive programs to boost productivity. The model also establishes a continuous improvement cycle, enabling data-driven strategic decision-making. | |
| dc.subject.category | Machine Learning | |
| dc.subject.category | Productividad Empresarial | |
| dc.subject.category | Gestión Comercial en Telecomunicaciones | |
| dc.subject.category | Ciencia de Datos |






















