Desarrollo de un modelo predictivo usando técnicas de Machine Learning y Deep Learning para el proceso de clasificación de criticidad de casos reportados en Service Request de una empresa de telecomunicaciones

Abstract

La presente investigación tiene como propósito desarrollar un modelo predictivo utilizando técnicas de Machine Learning y Deep Learning para la clasificación del nivel de criticidad asignado a los casos reportados en su sistema de tiquetera llamada Service Request para la empresa de telecomunicaciones “ABC”. La metodología empleada para esta investigación consiste en seis estadios: recolección de datos, exploración de datos, preprocesamiento, modelado, análisis de resultados e implementación. En relación a ello, se mencionan los modelos utilizados: Random Forest, Gradient Boosting, Support Vector Machine, Logistic Regression, Ensemble, MLP Neural Network y Deep Neural Network. Referente al preprocesamiento se utilizó métodos de ingeniería de características para mejorar el entendimiento de cada una de las variables al momento de entrenar cada modelo. Para la comparación de la eficiencia de los modelos y encontrar el mejor se utilizaron las siguientes métricas: Accuracy, Precision, Recall y F1 Score. Finalmente, el mejor modelo fue Deep Neural Network, con una precisión (accuracy) del 99.86%. A raíz de estos resultados, el mejor modelo fue estresado para validar su eficiencia con datos de prueba, concluyendo que al momento de discernir el nivel de criticidad de los casos lo realizó de manera satisfactoria, generando una mejora significativa en el proceso de gestión de requerimientos en la empresa ABC S.A.C.