Vol. 6 – Núm. 1 / Enero – Junio – 2025

Optimización De Horarios De Contacto Con Clientes Utilizando

Un Modelo De Clasificación Predictivo: Caso Empresa de

Cobranza ABC

Optimization of Customer Contact Schedules Using a Predictive

Carrillo-Tixe, V. A., & Logroño-Naranjo, S. I. (2025). Optimización De Horarios De Contacto

Con Clientes Utilizando Un Modelo De Clasificación Predictivo: Caso Empresa de Cobranza

ABC. Código Científico Revista De Investigación, 6(1), 1468–1493.

https://doi.org/10.55813/gaea/ccri/v6/n1/952

Resumen

Este estudio presenta la implementación de un modelo de tipo predictivo el cual será empleado

para la clasificación, apoyado en técnicas de aprendizaje automático, para optimizar los

horarios de contacto telefónico con clientes en una empresa dedicada a la gestión de cobranzas.

A partir del análisis de más de 3.5 millones de registros históricos, se identificaron patrones de

comportamiento que permiten establecer los momentos del día con mayor probabilidad de

comprensión del negocio hasta el despliegue del modelo en el sistema de gestión de llamadas

de la empresa. El modelo Random Forest permitió además el etiquetado inteligente de los

números telefónicos con su mejor rango horario, facilitando decisiones informadas y

personalizadas por parte de los gestores. Este enfoque contribuye notablemente a la inteligencia

y adaptable para empresas que buscan maximizar su efectividad en la comunicación con

clientes. La solución propuesta mejora no solo la tasa de contactabilidad, sino también la

experiencia del usuario, al evitar llamadas en momentos inadecuados y asignar

estratégicamente los recursos humanos y tecnológicos disponibles.

Palabras clave: efectividad de horario de contacto, gestión de cobranzas, inteligencia artificial,

machine learning, modelo predictivo, optimización de horarios.

of more than 3.5 million historical records, behavioral patterns were identified that allow

establishing the times of day with the highest probability of effective contact. The results show

that the time ranges from 9:00 to 12:59 (H2) and from 13:00 to 15:59 (H3) presented

effectiveness rates of 36.5% and 25.2%, respectively, while the night time (19:00 to 23:59)

barely reached 5.9%. With the goal of considerably improving the operational efficiency of the

call center, the Random Forest and Gradient Boosting models were used, obtaining an accuracy

of 82.23% and 82.22%, respectively. The CRISP-DM methodology guided the development

of the analytical process, from understanding the business to deploying the model in the

company's call management system. The Random Forest model also allowed the intelligent

labeling of telephone numbers with their best time range, facilitating informed and personalized

Keywords: effectiveness of contact hours, collection management, artificial intelligence,

machine learning, predictive model, schedule optimization.

Resumo

Este estudo apresenta a implementação de um modelo preditivo que será utilizado para

classificação, apoiado em técnicas de machine learning, para otimizar os agendamentos de

contato telefônico com clientes em uma empresa dedicada à gestão de cobranças. A partir da

análise de mais de 3,5 milhões de registros históricos, foram identificados padrões

comportamentais que permitem estabelecer os horários do dia com maior probabilidade de

processo analítico, desde o entendimento do negócio até a implantação do modelo no sistema

de gerenciamento de chamadas da empresa. O modelo Random Forest também permitiu a

rotulagem inteligente de números de telefone com seu melhor intervalo de tempo, facilitando

decisões informadas e personalizadas por parte dos gestores.

processos de negócios, fornecendo uma ferramenta robusta, escalável e adaptável para

empresas que buscam maximizar sua eficácia na comunicação com os clientes. A solução

proposta melhora não só a taxa de contactabilidade, mas também a experiência do utilizador,

evitando chamadas em horários inadequados e alocando estrategicamente os recursos humanos

e tecnológicos disponíveis.

Palavras-chave: efetividade das horas de contato, gestão de coletas, inteligência artificial,

Introducción

problemática común en los centros de contacto o call centers, especialmente en el sector de

cobranza: lograr identificar cuáles son los mejores momentos del día para contactar a los

clientes, logrando que las llamadas telefónicas sean respondidas y, preferentemente, efectivas,

la cobranza, con operaciones en varias provincias del país y una cartera considerable de

clientes, esta empresa como muchas otras del sector financiero enfrenta desafíos constantes

para lograr un contacto efectivo con sus usuarios, lo que repercute directamente en la tasa de

recuperación

de cartera vencida, las llamadas se realizan, en muchos casos, sin una planificación estratégica

lo que genera una baja tasa de respuesta, interacciones ineficientes, altos costos operativos y

una percepción negativa por parte de los clientes en un contexto como el ecuatoriano, donde la

cultura de pago es diversa y donde existe un segmento significativo de la población sin acceso

constante a servicios financieros formales, resulta crucial optimizar los recursos disponibles

para la gestión de cobranzas.

Golub et al., 2020; Ramírez et al., 2021). Sin embargo, en Ecuador, la literatura académica

sobre el uso de inteligencia artificial o modelos de machine learning en la industria de

cobranzas aún es limitada ya que la mayoría de las empresas ecuatorianas continúan operando

con metodologías tradicionales que no aprovechan el valor oculto en sus propios datos

históricos y esta falta de estudios locales evidencia un vacío tanto a nivel investigativo como a

ausencia de este tipo de herramientas afecta negativamente la experiencia del cliente,

incrementa el número de llamadas fallidas, y disminuye la eficiencia del personal operativo.

un modelo predictivo que, a partir de datos históricos de gestión, permita etiquetar cada número

telefónico con su rango horario más efectivo. Para ello, se emplea la metodología CRISP-DM,

ampliamente reconocida en proyectos de ciencia de datos, estructurando el trabajo desde la

comprensión del negocio hasta el despliegue del modelo en el entorno real.

¿El desarrollo de un modelo clasificador predictivo utilizando técnicas de machine learning

puede ayudar a incrementar la contactabilidad y la efectividad en las gestiones de cobro en una

empresa ecuatoriana de cobranza?

representa un desafío técnico considerable: encontrar los mejores momentos para que los call

centers llamen a sus clientes y logren que esas llamadas realmente den resultados. Para ello,

nos sumergimos de lleno en los datos históricos de las llamadas, revisándolos los datos a detalle

para descubrir patrones que nos mostraran cuándo y cómo es más probable que alguien conteste

periodos, lo cual permite realizar el análisis sin la necesidad de asignación aleatoria. Así que

optamos por un muestreo no probabilístico y nos pusimos a analizar los datos de las llamadas

que ya habían sucedido en un periodo concreto específicamente de un mes. Esto nos permitió

entender mejor cómo se comportan los clientes sin interferir en las operaciones llevadas a cabo

por parte del call center. Aunque no tuvimos el control total que uno quisiera en un experimento

ideal, esta forma de trabajar nos abrió la puerta para explorar qué cosas influyen de verdad en

que una llamada sea exitosa y para empezar a desentrañar posibles relaciones de causa y efecto.

corresponden a registros específicos de clientes y gestiones de cobranza, seleccionados con

base en criterios estratégicos de la empresa en lugar de una distribución aleatoria.

optimizar el proceso de contacto, mejorando así la eficiencia operativa y aumentando la

de variables cuantificables las cuales nos permiten analizar relaciones y tendencias en los datos.

Mediante este enfoque, buscamos garantizar la objetividad y precisión en los hallazgos

obtenidos (Powers, 2011).

Técnicas de investigación

Figura 1

mejorar la toma de decisiones en la asignación de horarios de contacto con los clientes (Chen

& Guestrin, 2016; Breiman, 2001). Estos algoritmos han demostrado un desempeño bastante

superior en comparación con otros enfoques que se han aplicado para resolver este tipo de

problemas, como Support Vector Machines (SVM) y redes neuronales, especialmente en

conjuntos de datos estructurados. Estudios anteriores dan evidencia que Random Forest supera

a SVM en precisión y eficiencia computacional esto cuando se trabaja con grandes volúmenes

de datos. Por otra parte, Gradient Boosting ha sido marcado como una alternativa más eficiente

y fácil de configurar en comparación con las redes neuronales, las cuales requieren un ajuste

exhaustivo de hiperparámetros y una mayor cantidad de datos para alcanzar un rendimiento

aceptable, estas características hacen que la dupla de Random Forest y Gradient Boosting sea

Instrumentos de investigación

que contienen registros detallados de las llamadas realizadas. Asimismo, para el procesamiento

y análisis de los datos, se emplearon los siguientes programas y entornos de desarrollo.

financieros ubicado en la Ciudad de Quito, Ecuador, este espacio se caracteriza por una alta

demanda de llamadas entrantes y salientes lo que implica una gestión intensiva de contactos

con los clientes, pero ante la falta de éxito en el contacto nace la necesidad de optimizar los

procesos operativos para mejorar la eficiencia y la satisfacción del cliente constituye un aspecto

central en este contexto (Colin, 2020).

Población y muestra

transaccionales, gestiones de todos los clientes por el lapso de los últimos 12 meses, esta

información viene siendo un volumen significativo de datos para el análisis. Los registros que

utilizamos para el análisis y modelado, será una muestra representativa a un periodo de un mes,

selección basado en criterios estadísticos y operativos, se consideraron factores como la

distribución temporal de las llamadas, los distintos tipos de cartera, los segmentos de clientes,

los horarios de contacto y la efectividad de las gestiones previas los cuales resultan claves al

momento de estudiar la representatividad de una muestra. De esta manera entonces, se aseguró

que la muestra represente la diversidad de patrones de contacto observados en el periodo total

diferentes rangos horarios son alrededor del 13.5%, esto quiere decir que por cada 100 llamadas

solo 13 llamadas son contestadas.

que superan los 60 segundos tienen un promedio de 22%, esto supera al contacto y a la

efectividad de las llamadas.

llamadas y que realmente. Después de entrenarlos y evaluarlos, el que se tuvo mejor

rendimiento fue Random Forest, que acertó en un 82.23% de los casos y tuvo un F1-score

promedio de 0.82. En palabras simples, esto nos dice que el modelo es bastante bueno para

tiene contestación por parte del cliente se considera que es llamada de contacto, una vez

establecida la comunicación si la llamada termina en una negociación positiva se considera

Efectiva, en realidad eso es lo que se busca que una llamada sea contestada por parte del cliente

y que se tenga una respuesta efectiva por parte de este.

dorados para contactar! En cambio, el peor horario fue entre las 19:00 y las 23:59 (H5), donde

solo el 5.9% de las llamadas tuvieron éxito. Esto lo podemos observar en la Figura 2.

Figura 2

Métricas de evaluación

Contacto No efectivo, por otro lado, solo puede detectar el 43% de las llamadas que son

Contacto Efectivo, esto puede deberse por el desbalance de información que tenemos.

Tabla 6

casos, aunque con una precisión del 79 %, lo que indica que algunas predicciones son

incorrectas. En contraste, para la clase 1 ("contacto efectivo") la precisión es perfecta (100%),

pero el recall es bajo (43%), lo que representa que muchos casos reales de contacto efectivo no

Importancia de las características

importancias de las características en el modelo las cuales se resumen en la siguiente tabla la

cual muestra las 10 variables más influyentes.

Tabla 7

Matriz de Confusión

construyó una matriz de correlación la cual se presenta en la Figura X, en esta matriz los valores

cercanos a 1 indican una correlación positiva alta mientras que los valores cercanos a -1 reflejan

ha evidenciado un coeficiente de correlación negativa considerable (-0.76). Asimismo, para

variables como CodigoCedente_SOLIDARIO y CodigoCedente_PASIVASSIC se ha obtenido

como resultado una correlación inversa perfecta (-1.00)este resultado se da debido a que

representan categorías mutuamente excluyentes.

ContactoEfectivo, como resultado final tendremos todos los teléfonos etiquetados con su mejor

Rango Horario.

Tabla 8

Interpretación de Resultados

creación de estrategias para el canal call center de la institución.

que los clientes con cartera activa tienen una tasa de efectividad del 69.8 %, y clientes de cartera

pasiva un 30.2 % esto se comprueba con los pagos obtenidos los cuales concuerdan que las

durante las llamadas telefónicas.

este porcentaje bajo sugiere la necesidad de implementar estrategias más óptimas para mejorar

la interacción con los clientes en horarios específicos.

Random Forest alcanzó una precisión total del 82.23 % mientras que el modelo Gradient

Boosting obtuvo un resultado de precisión del 82.22 %, con esto se nota que los dos modelos

tuvieron resultados muy similares, Random Forest tuvo un rendimiento ligeramente mejor.

llamadas más frecuentes a las llamadas de contacto y llamadas efectivas, esto indica que una

llamada con mayor tiempo de gestión representa una alta posibilidad de contacto efectivo.

llamar es a partir de las 9 de la mañana hasta las 4 pm que corresponden a los rangos horarios

H2 y H3 con 36.5 % y 25.2 % respectivamente lo que indica que las primeras horas del día y

el mediodía son ideales para obtener respuestas favorables por parte de los clientes, por otro

mayoritaria (clase 0) ya que presenta un recall del 100 % lo que denota que el modelo identificó

correctamente todos los casos en esta categoría, sin embargo, presenta varias dificultades en la

clase minoritaria (clase 1), donde el recall alcanzado fue del 43 % lo que refleja un posible

Discusión

hipótesis inicial del estudio, es decir, es posible mejorar la contactabilidad y la efectividad de

las gestiones telefónicas mediante técnicas de machine learning, utilizando datos históricos

para identificar patrones de comportamiento y horarios óptimos de contacto.

momento del día tiene una influencia significativa en la respuesta de los clientes, la

particularidad de que los rangos de 9:00 a 12:59 (H2) y 13:00 a 15:59 (H3) concentren el 60 %

de los contactos efectivos sugiere que existe una franja crítica en la jornada laboral donde los

clientes están más receptivos, en contraste, el rango nocturno (H5) mostró un nivel muy bajo

de efectividad (5.9 %), lo cual confirma que las llamadas en horas inapropiadas no solo son

desempeño con el modelo de Gradient Boosting (82.22 %) revelan que ambos algoritmos son

adecuados para resolver este tipo de problemas de clasificación, aunque el primero presenta

una ligera ventaja en términos de precisión y facilidad de interpretación, la identificación de

variables como el tipo de contacto y los códigos de respuesta como las más influyentes en la

modelo, sin embargo, el bajo recall en la clase positiva (43 %) indica que aún existe margen de

mejora, por ejemplo, mediante técnicas de balanceo como SMOTE o estrategias de

reclasificación más avanzadas.

aplicado modelos similares para optimizar la recuperación de cartera (Ramírez et al., 2021),

este trabajo confirma que los enfoques predictivos también son viables y efectivos en el

contexto ecuatoriano, la principal diferencia radica en que, en Ecuador, esta línea de

investigación aún es incipiente, por lo cual este estudio se posiciona como uno de los primeros

aportes aplicados en el área, con posibilidades reales de replicabilidad en otras empresas con

estructuras similares.

operativa: se pueden rediseñar los turnos de los gestores, priorizar ciertos segmentos de clientes

mejor rango horario representa un recurso valioso para campañas de cobranza automatizadas.

eficiente, basada en datos y alineada con las necesidades y hábitos de los clientes, esta

transformación no solo mejora la tasa de recuperación, sino que también fortalece la percepción

institucional, al reducir prácticas invasivas y optimizar el uso de los recursos.

la optimización de los horarios de contacto con clientes en la empresa de cobranza ABC, se

pueden conceptualizar las siguientes conclusiones:

rangos horarios adecuados para establecer contacto con los clientes logrando una exactitud del

82% y un F1-score de 0.80, el estudio de los resultados evidenció que los horarios H2 (9:00-

12:59) y H3 (13:00-15:59) presentan la mayor efectividad ya que han concentrado el 60 % de

los contactos exitosos con los clientes, estos resultados demuestran la capacidad del modelo

para priorizar de forma estratégica los momentos de mayor probabilidad de interacción efectiva

permitiendo optimizar la asignación de recursos comerciales por parte de la empresa con esto

se concluye que la implementación de esta solución representa una herramienta valiosa para

logrado detectar cuales son los horarios óptimos para llamar a los clientes lo que permitió

optimizar la tasa de éxito en las llamadas, y mejorar la eficiencia operativa del departamento

de Call Center.

comportamiento en cuanto a la efectividad de las llamadas según los horarios, tipo de cartera,

los resultados obtenidos han logrado una buena precisión en la predicción lo cual evidencia la

eficacia del modelo en diversos escenarios operativos previsibles, una alta precisión junto con

un alto F1-score en las predicciones garantizan que las recomendaciones basadas en el modelo

serán fiables y útiles para mejorar la eficiencia de las llamadas.

Referencias bibliográficas

Akash, B., Saad, A. H., & El-Saadawi, M. (2023). Multi-criteria decision making analysis of

Avdagić-Golub, E., Begović, M., & Kosovac, A. (2020). Optimization of agent-user matching

Colin, M. (2020). Call center service level: A customer experience model benchmarking and

Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data

Lewaaelhamd, I. (2023). Customer segmentation using machine learning model: An