Optimización de Procesos Logísticos mediante Inteligencia Artificial y Voz del Cliente

DIAPOSITIVA 1 — Portada (~20 segundos)

Buenos días, miembros del tribunal. Mi nombre es Johan Aguirre Galeano y a continuación voy a presentar la defensa de mi Trabajo Fin de Máster, titulado "Optimización de procesos logísticos mediante el procesamiento automatizado de la voz del cliente con IA", desarrollado en el marco del Máster Universitario en Dirección Logística de UNIR.

DIAPOSITIVA 2 — Índice (~20 segundos)

He estructurado esta presentación en tres bloques lógicos:

• Diagnóstico: Contexto, problema detectado y caso de estudio.
• Intervención: Metodología propuesta y arquitectura técnica.
• Valoración: Resultados de la validación, limitaciones del trabajo y conclusiones.

DIAPOSITIVA 3 — Contexto y Justificación (~1 minuto 15 segundos)

Comencemos por el contexto. La gestión de la experiencia del cliente se ha apoyado durante décadas en métricas como el Net Promoter Score (NPS), el CSAT o el Customer Effort Score. Sin embargo, la literatura académica reciente pone de manifiesto una limitación crítica: estas métricas son indicadores rezagados (lagging indicators). Miden lo que ya ocurrió —una compra, una interacción— pero no predicen el comportamiento futuro del cliente.

De hecho, el estudio longitudinal de Morgan y Rego (2006), que analizó seis años de datos del índice ACSI, concluyó que el NPS no mostraba valor predictivo significativo sobre ventas ni sobre ganancias. El propio Reichheld, creador del NPS, tuvo que proponer posteriormente un indicador complementario, el Earned Growth Rate, reconociendo que un solo número no podía resumir la salud de la relación con el cliente.

Pero hay un problema aún mayor: se estima que aproximadamente el 80% del feedback que genera el cliente está en formato no estructurado (reseñas, correos electrónicos, llamadas grabadas, chats de soporte). Son datos que contienen la verdadera voz del cliente —con emociones, causas raíz y sugerencias— que las encuestas numéricas no capturan. Las organizaciones están, en muchos casos, literalmente "sordas" a esta información.

La buena noticia es que la madurez actual de la Inteligencia Artificial Generativa, en particular los modelos de lenguaje y las arquitecturas de recuperación aumentada, permite por primera vez procesar estos datos a escala y convertirlos en inteligencia accionable. Esa es precisamente la oportunidad que aborda este trabajo.

DIAPOSITIVA 4 — Problema y Objetivos (~1 minuto 10 segundos)

El problema central que identifiqué es lo que he denominado la "latencia de decisión": el tiempo que transcurre entre el momento en que un cliente expresa una queja y el momento en que la organización toma una acción correctiva. En sectores como la logística, donde la velocidad es un factor competitivo crítico, esta latencia destruye valor.

Las herramientas tradicionales operan bajo lo que podríamos llamar una lógica de "autopsia": verifican el fallo cuando el daño ya está hecho y, frecuentemente, cuando el cliente ya ha decidido abandonar la empresa.

Objetivos del proyecto

Ante este diagnóstico, el objetivo general de este trabajo es diseñar una propuesta metodológica basada en inteligencia artificial que permita procesar de forma automatizada la Voz del Cliente y transformarla en indicadores de desempeño útiles para la toma de decisiones y la mejora continua. Este objetivo se descompone en cuatro metas específicas:

1. Identificar y centralizar las fuentes de feedback digital del cliente.
2. Justificar las técnicas de IA y arquitecturas aplicables al procesamiento automatizado.
3. Definir indicadores de desempeño generados a partir de datos cualitativos mediante técnicas de IA.
4. Conectar esos KPIs con herramientas de gestión que automaticen el seguimiento y la mejora continua.