Un estudio reciente desarrolló un sistema automatizado de clasificación para priorizar reclamos del servicio eléctrico en CNEL EP, incorporando técnicas de aprendizaje automático para mejorar la gestión operativa y reducir los tiempos de respuesta.
La investigación procesó un total de 143.113 registros reales, que fueron sometidos a un proceso de limpieza de datos, imputación de valores faltantes y construcción de variables predictivas relacionadas con la urgencia y recurrencia de los reclamos.
Encuentra más información en nuestro repositorio digital
Modelos predictivos para una gestión más eficiente
A partir de estos criterios se definió la variable objetivo denominada “Prioridad”, que permite diferenciar entre reclamos de alta prioridad y reclamos normales.
Posteriormente, se entrenaron modelos de aprendizaje supervisado —específicamente Decision Tree y Random Forest— utilizando técnicas como codificación one-hot y validación cruzada para garantizar la robustez del análisis.
El modelo Random Forest obtuvo el mejor desempeño, alcanzando:
- 91 % de precisión (accuracy)
- AUC-ROC de 0,89, indicador que refleja una alta capacidad de discriminación entre categorías de prioridad
Impacto en la gestión de servicios eléctricos
Los resultados evidencian que el sistema propuesto puede mejorar significativamente la asignación de recursos técnicos y optimizar la atención de reclamos, contribuyendo a reducir tiempos de respuesta y fortalecer la calidad del servicio.
Además, el estudio demuestra la viabilidad de integrar técnicas de machine learning en la gestión operativa de empresas de distribución eléctrica, abriendo la puerta a futuras mejoras, automatización de procesos y posibles implementaciones en tiempo real.
Esta iniciativa confirma el potencial de la analítica de datos y la inteligencia artificial para transformar la gestión de servicios públicos, impulsando procesos más eficientes, predictivos y orientados al usuario.