Sistema automatizado de gestión y respuesta de PQR en propiedades horizontales con inteligencia artificial y automatización de procesos
La investigación aborda el diseño e implementación de un sistema automatizado para la gestión de Peticiones, Quejas y Reclamos (PQR) en propiedades horizontales, un ámbito en el que los métodos tradicionales presentan serias limitaciones en tiempos de respuesta, trazabilidad y eficiencia. La propues...
- Autores:
-
Guerrero Urango, Joel Enrique
- Tipo de recurso:
- Fecha de publicación:
- 2025
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/31591
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/31591
- Palabra clave:
- Systems engineer
Software development
PQR management
RPA
Decision engine
Chatbot
Condominiums
Artificial intelligence
Natural language processing
Automation, knowledge base
Text classification
Electronic data processing
Theory of machines
Natural language processing (Computer science)
Computational algorithms
Desarrollo de Software
Ingeniería de sistemas
Procesamiento electrónico de datos
Teoría de las máquinas
Procesamiento de lenguaje natural (Computadores)
Algoritmos computacionales
Gestión de PQR
RPA
Propiedad horizontal
Inteligencia artificial
Automatización
Base de conocimientos
Procesamiento de lenguaje natural
Clasificación de texto
Motor de decisiones
- Rights
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| Summary: | La investigación aborda el diseño e implementación de un sistema automatizado para la gestión de Peticiones, Quejas y Reclamos (PQR) en propiedades horizontales, un ámbito en el que los métodos tradicionales presentan serias limitaciones en tiempos de respuesta, trazabilidad y eficiencia. La propuesta integra tecnologías de inteligencia artificial, procesamiento de lenguaje natural (NLP), automatización robótica de procesos (RPA) y recuperación aumentada por generación (RAG). El punto de partida fue el análisis de más de 24.000 registros históricos, lo que permitió identificar patrones de frecuencia, categorías relevantes, niveles de prioridad y causas de no resolución, insumos que sirvieron como base para construir la solución. El modelo de clasificación, entrenado con técnicas de vectorización TF-IDF y algoritmos supervisados, fue optimizado para garantizar predicciones confiables mediante un umbral de confianza. Junto con ello, se construyó una base de conocimientos estructurada para dar soporte a la automatización y servir como insumo para chatbots futuros. El sistema se organizó bajo arquitectura hexagonal, con microservicios desplegados en la nube e integrados a través de Kafka y el orquestador N8N, lo que permitió un flujo asincrónico y escalable. Asimismo, se implementaron mecanismos de confirmación automática, actualización de estados, asignación inteligente de responsables y generación de respuestas con apoyo de RAG, fortaleciendo la calidad del servicio. La integración con Odoo garantizó trazabilidad y consolidación de métricas en tiempo real. Las pruebas demostraron una reducción del tiempo promedio de atención, un incremento en la satisfacción de los residentes y una disminución de la carga operativa. |
|---|
