Predicción de reclamos a empresas de servicios públicos mejoraría atención a los usuarios

Las peticiones, quejas o reclamos (PQRS) son una herramienta que tienen los ciudadanos para que las empresas y las entidades públicas solucionen ordenadamente los inconvenientes que tengan los usuarios con respecto a la prestación de los servicios.

En el caso de las empresas prestadoras de servicios públicos, uno de los reclamos más frecuentes es la revisión de la facturación según el contrato de condiciones uniformes. Desde la pandemia por COVID-19 estas se han incrementado debido al aumento de las tarifas. Por ejemplo, durante el primer semestre de 2022 la Superintendencia de Servicios Públicos Domiciliarios recibió 135.063 trámites y solicitudes de atención personalizada, de las cuales 50.339 fueron PQRS, lo que representó un incremento del 35 % con respecto al mismo periodo de 2021.

“Que no se pueda pronosticar la cantidad de PQRS que llegará en los próximos días lleva a retrasos en los tiempos de respuesta, sobrecargas en los equipos de trabajo, aumentos en el pago de horas extra, fatiga física y mental entre el personal, y la posibilidad de incurrir en un silencio administrativo positivo (SAP), no solo al incumplir con los tiempos, sino también al responder inadecuadamente”, explica María Cristina Castaño Pabón, magíster en Ingeniería - Analítica de la Universidad Nacional de Colombia (UNAL) Sede Medellín, quien desarrolló el prototipo de un sistema de apoyo para tomar decisiones en la gestión de reclamos en empresas de servicios públicos.

La predicción como alternativa

Para su propuesta, la magíster trabajó con los reclamos recibidos por las Empresas Públicas de Medellín (EPM). “Este tipo de entidades generan y recopilan gran cantidad de datos –por ejemplo el número de PQRS que ingresan en determinado periodo–, lo que nos permite calcular el tiempo promedio de respuesta y la cantidad de casos en estado ‘pendiente de atención’, con el fin de tener insumos para predecir y luego mejorar indicadores”, señala al respecto.

Así, y según su caso de estudio, determinó que entre 2016 y 2021 la mayoría de los 1.469 reclamos recibidos fueron atendidos en entre 8 y 10 días. “También encontramos que algunos patrones se repiten de manera cíclica, por ejemplo, la cantidad de reclamos aumenta a partir del día 9 y disminuye desde el día 27 de cada mes, lo que se relacionaría con los días de pago factura y el plazo para realizar un abono parcial”.

Con los datos recopilados, y teniendo clara esta información, la investigadora probó tres modelos estadísticos ya existentes: autorregresivo, autorregresivo integrado de promedio móvil (Arima) y red neuronal, y encontró que el Arima predice con menor margen de error cuántos reclamos llegarían en los 15 días siguientes.

“Este modelo toma parte de la información histórica y, con base en ella, hace una primera simulación, un primer pronóstico. Luego, como si fuera una ventana móvil, toma ese primer pronóstico y calibra de nuevo con miras al futuro, y se va yendo así en el tiempo”, explica.

Con este modelo, el error porcentual medio absoluto fue de 20,58 %, muy bajo en comparación con el obtenido por los otros dos modelos: 20,79 % con el autorregresivo y 37,73 % con la red neuronal. “El modelo Arima sería muy útil para cualquier otra entidad pública que lo necesite. Este se puede aplicar a otro tipo de PQRS (preguntas, solicitudes de información, etc.), llevaría a reducir costos operativos, permitiría mayor confiabilidad en la prestación del servicio público y facilitaría mayor compromiso con los usuarios”, concluye la magíster.