Neumann Business Review
Vol 6 N° 1 | Junio 2020 p 91 - 104 ISSN: 2412-3730 DOI:http://dx.doi.org/10.22451/3006.nbr2020.vol6.1.10047
91
Escuela de Postgrado Neumann Business School
Chatbot empresarial para atención a clientes de la Universidad
José Carlos Mariátegui, 2019-II
Business chatbot for customer service at José Carlos Mariátegui
University, 2019-II
Jimenez Flores, Victor Juan
1
; Jimenez Flores, Oscar Juan
2
; Jimenez Flores, Juan
Carlos
3
; Jimenez Castilla, Juan Ubaldo
4
1
Ingeniero en Informática y Sistemas, Universidad Nacional Jorge Basadre Grohmann, Tacna, Perú
E-mail: vj.jimenez96@gmail.com
2
IngMagister en Dirección y Gestión de Empresas. MBA, Universidad de Tarapacá, Chile
E-mail: oscarjimenezflores@outlook.com
3
Ingeniero en Informática y Sistemas, Universidad José Carlos Mariátegui, Moquegua, Perú
E-mail: juancarlos.jf.1681@hotmail.com
4
IPhD. Información Systems, Doctor en Ingeniería de Sistemas, Doctor en Gestión y Ciencias de la
Educación, Atlantic Internacional University, Universidad Alas Peruanas y Universidad San pedro, Perú
E-mail: jjimenez@ujcm.edu.pe
Recepción: 20/02/2020. Aceptación: 01/06/2020. Publicación: 30/06/2020
Chatbot empresarial para atención a clientes de la Universidad José Carlos Mariátegui, 2019-II
92
Escuela de Postgrado Neumann Business School
El objetivo, motivo de la
investigación presentada, fue describir y
correlacionar la usabilidad de un chatbot
empresarial y la atención a los
estudiantes de la universidad José Carlos
Mariátegui Filial Tacna, año 2019-II. En el
método, se empleó el tipo de
investigación cuantitativa; y, el diseño,
correlacional, teniendo una población de
seiscientos cincuenta de ambos sexos,
cuya muestra fue de doscientos cuarenta
y dos y un margen de error del 5%. Los
instrumentos empleados fueron System
Usability Scale (SUS), para medir la
usabilidad del chatbot empresarial; y
Service Performance (SERVPERF), para
la calidad del servicio percibido de
atención al cliente, por parte de los
estudiantes de pre y posgrado. Los
resultados evidencian la existencia de
una correlación significativa de 0,709 de
nivel alto entre el chatbot empresarial y la
atención a clientes. Y, como conclusión,
se evidencia, entre las variables de la
investigación, una correlación directa de
0,709, en la categoría alta y, por tanto, un
chatbot empresarial se relaciona
estrechamente con la atención a los
clientes.
Palabras clave: chatbot empresarial,
atención al cliente, medios sociales,
inteligencia artificial.
The goal, reason for the research
presented, was to describe and correlate
the usability of a business chatbot and
the attention to students of the José
Carlos Mariátegui Filial Tacna University,
2019-II. In the method, quantitative
research was used; and, the design,
correlational, having a population of six
hundred and fifty of both sexes, whose
sample was two hundred forty two and a
margin of error of 5%. The instruments
used were System Usability Scale (SUS),
to measure the usability of the business
chatbot; and Service Performance
(SERVPERF), for the quality of the
perceived customer service by
undergraduate and graduate students.
The results show the existence of a
significant correlation of 0.709 at a high
level between the business chatbot and
customer service. And, as a conclusion,
there is a direct correlation of 0.709 in the
high category among the research
variables, and therefore, a business
RESUMEN
ABSTRACT
Jimenez Flores, Victor Juan; Jimenez Flores, Oscar Juan; Jimenez Flores, Juan Carlos; Jimenez Castilla, Juan Ubaldo
93
Escuela de Postgrado Neumann Business School
chatbot is closely related to customer
service.
Key Words: business chatbot, customer
service, social media, artificial
intelligence.
Los medios sociales, junto con la
televisión, radio y prensa, son parte del
ecosistema de comunicaciones que
laboran juntos para crear experiencias
agradables a los consumidores, a través
de múltiples canales (Montero, 2015).
Sin embargo, un problema
recurrente se da cuando aumenta
significativamente el número de
solicitudes de usuario a través de los
medios sociales, lo cual hace que sea
cada vez más difícil de procesar y
responder solicitudes entrantes. Para
abordar este problema, las
organizaciones asignan personal
dedicado; sin embargo, atender las
solicitudes manualmente puede llegar a
tomar mucho tiempo y, a menudo, no se
llegan a cumplir las expectativas de los
usuarios.
Estudios indican que el 72% de los
usuarios que contactan a una marca en
medios sociales esperan una respuesta
dentro de una hora. Sin embargo, se
encontró que el tiempo promedio de
respuesta es de 6,5 horas (Xu, Liu, Guo,
Sinha y Akkiraju, 2017). Puede
evidenciarse una amplia brecha en los
tiempos de respuesta.
Por otra parte, las empresas están
constantemente innovando y
adaptándose a las necesidades del
cliente, es por ello por lo que recurren a
nuevos canales de comunicación como
los agentes conversacionales, también
conocidos como “chatbots”.
Los chatots se han vuelto más
populares en los grupos empresariales
en este momento, ya que pueden reducir
el costo del servicio al cliente y manejan
a múltiples usuarios a la vez (Ranoliya,
Raghuwanshi y Singh, 2017).
En lo referente al ámbito
académico, a nivel mundial, también
existen casos, aunque en menor
proporción que las empresas, de
universidades que recurrieron a esta
tecnología para mejorar sus servicios,
como el caso de la Universidad británica
INTRODUCIÓN
Chatbot empresarial para atención a clientes de la Universidad José Carlos Mariátegui, 2019-II
94
Escuela de Postgrado Neumann Business School
Leeds Beckett, la cual desarrolló un
chatbot llamado Becky que brinda ayuda
a los postulantes a ubicar el programa de
estudios que mejor se adapte a sus
necesidades (“Becky the bot chats her
way to THELMA glory”, 2018).
De esta forma, la presente
investigación busca determinar si existe
una relación significativa entre el uso de
un chatbot empresarial y la atención a los
clientes (estudiantes) de la Universidad
José Carlos Mariátegui Filial Tacna.
Con respecto a los chatbots, se le
fueron atribuidos múltiples conceptos,
tales como:
Son agentes mecánicos que
entablan una comunicación con humanos
usando lenguaje natural (Dibitonto,
Leszczynska, Tazzi y Medaglia, 2018).
Un chatbot es una herramienta de
software que interactúa con los usuarios
sobre un tema determinado o en un
dominio específico de una manera
natural y conversacional utilizando texto y
voz (Smutny y Schreiberova, 2020).
Un chatbot (agente
conversacional, sistema de diálogo) es
un sistema informático que opera como
interfaz entre usuarios humanos y una
aplicación de software, empleando
lenguaje natural como principal medio de
comunicación (Galitsky, 2019).
Figura 1. Arquitectura de un chatbot
Fuente: https://www.chatcompose.com
Por otra parte, los chatbots pueden
ser categorizados como se muestra a
continuación Zarabia(2018):
Chatbots empresariales: Hacen de
apoyo en los servicios ofrecidos por la
organización.
Chatbots informativos: Cumplen
funciones de poca complejidad como
un chatbot que responde preguntas
REVISIÓN BIBLIOGRÁFICA
Jimenez Flores, Victor Juan; Jimenez Flores, Oscar Juan; Jimenez Flores, Juan Carlos; Jimenez Castilla, Juan Ubaldo
95
Escuela de Postgrado Neumann Business School
más frecuentes de los usuarios
(FAQ).
Chatbots e-commerce: Se centran
en facilitar la compra a los usuarios.
Por otra parte, un chatbot está
basado en el campo de la inteligencia
artificial. Al respecto, existen multitud de
definiciones; en general, se le puede
considerar programas, algoritmos,
sistemas y máquinas que demuestran
inteligencia (Shankar, 2018).
De igual forma, unas de las áreas
de conocimiento de la inteligencia
artificial, son los sistemas expertos y el
machine learning: el primero se define
como un sistema informático que emula
el comportamiento de un experto humano
en un área concreta del saber (Mompín,
1988); mientras que, el segundo se
define como un proceso en el que se
acumulan una gran cantidad de datos, los
cuales son usados para aprender cómo
realizar cierta tarea (Ahmet, 2018). El
chatbot empresarial, creado con fines de
investigación para la Universidad José
Carlos Mariátegui, está basado en estas
dos áreas del conocimiento.
En lo referente a la atención al
cliente, desde el enfoque de calidad del
servicio, es definida como la diferencia
entre la percepción y las expectativas de
los consumidores (Parasuraman,
Zeithaml y Berry, 1994).
De igual forma, surge la pregunta:
¿Qué hace que un servicio al cliente sea
bueno? Lewis y McDermott (2006)
indican lo siguiente:
Fácil de contactar: Los números de
teléfono, correos, etc., deben estar
disponibles cuando el cliente los
necesite, idealmente 24/7.
Respuestas rápidas: Las consultas
deben ser resueltas dentro de los
primeros 20 segundos. Similarmente, los
correos deben ser respondidos, como
máximo, dentro de 24 horas.
Escuchar y entender: Muchas veces, el
cliente solo desea ser escuchado y no
requiere de servicios adicionales.
Mantener la calma: Muchas veces, un
cliente puede estar molesto. Un buen
agente debe ser capaz de escuchar,
empatizar y llegar a una solución.
Chatbot empresarial para atención a clientes de la Universidad José Carlos Mariátegui, 2019-II
96
Escuela de Postgrado Neumann Business School
Hacer que el cliente se sienta especial:
Guarda estrecha relación con los dos
puntos anteriores. Se debe tratar al
cliente con respeto, tomando en cuenta
sus opiniones.
Hacer lo que se dijo que se haría: Se
deben cumplir los plazos y compromisos
con los clientes.
La investigación desarrollada fue
de carácter no experimental-cuantitativa,
con un diseño correlaciona.
Figura 2. Relación de variables de estudio
Fuente: Producci
Dónde:
M: Muestra de estudiantes de la UJCM.
O
1
: Chatbot empresarial.
O
2
: Atención a clientes.
r: Coeficiente de correlación (correlación
entre O
1
y O
2
).
Población
La población de estudio fue de 650
estudiantes de ambos sexos,
pertenecientes a la UJCM Filial Tacna y
matriculados en 2019-II.
Muestra
Se seleccionó una muestra
representativa mediante la técnica de
muestreo de una población finita por
conveniencia. La siguiente fórmula fue
aplicada para calcular la magnitud de la
muestra.
Dónde:
Z: Nivel de confianza (1,96).
N: Población (650).
P: Probabilidad a favor (0,5).
Q: Probabilidad no favorable (0,5).
E: error (5%).
n: muestra (242)
MÉTODO
Jimenez Flores, Victor Juan; Jimenez Flores, Oscar Juan; Jimenez Flores, Juan Carlos; Jimenez Castilla, Juan Ubaldo
97
Escuela de Postgrado Neumann Business School
La técnica para obtener la data de
ambas variables, fue la encuesta (a
través de un formulario electrónico), el
cual fue enviado a los estudiantes a
través de los inbox con el que
interactuaron con el chatbot empresarial.
Variables
Tabla 1.
Variable chatbot empresarial
Dimensión
Indicadores
Medición
Usabilidad
Eficacia
Escala
de 0-100
Eficiencia
Satisfacción
Fuente: Producción propia
Tabla 2.
Variable atención al cliente
Dimensiones
Indicadores
Medición
Elementos tangibles
(D1)
- Instalaciones
modernas
Escala de
0-75
- Instalaciones físicas
visualmente atractiva
- Material visualmente
atractivo
- Universidad cuenta
con servicios básicos
Fiabilidad (D2)
- Se concluye en el
tiempo prometido
- El personal muestra
interés en solucionar
problemas
- El personal realiza
bien el servicio
Capacidad de
respuesta (D3)
- Tiempo de espera
razonable en resolver
dudas
- El personal ofrece
un servicio rápido
- El tiempo de espera
es adecuado
Seguridad (D4)
- Precisión en la
información brindada
- Personal
capacitado
Empatía (D5)
- Atención
personalizada por el
personal
- Comprensión de las
necesidades
específicas
- Horarios flexibles
Chatbot empresarial para atención a clientes de la Universidad José Carlos Mariátegui, 2019-II
98
Escuela de Postgrado Neumann Business School
Instrumento uno: System Usability
Scale (SUS)
Para medir la variable chatbot
empresarial, se empleó el instrumento
SUS, el cual es una escala del 0-100 que
consta de 10 ítems, bajo escala de Likert,
los cuales representan de manera global
el nivel de usabilidad (Brooke, 1996). La
ecuación que relaciona los indicadores
de eficacia, eficiencia y satisfacción es:
Para los ítems 1,3,5,7,9:
Sum1= score -5
Para los ítems 2,4,6,8,10:
Sum2 = 25-score
Puntaje final
SUSscore = 2,5(Sum1 + Sum2)
Dónde:
Sum1: sumatoria de los puntajes
de los ítems 1,3,5,7 y 9, restado
menos uno.
Sum2: 25 menos la suma de los
valores de los ítems 2,4,6,8 y 10.
SUSscore: Puntaje final obtenido
de 0-100.
Instrumento dos: Service Perfermance
(SERVPERF)
SERVPERF es un instrumento de
medición de la calidad. Posee los mismos
ítems y dimensiones que el instrumento
SERVQUAL, pero se elimina el factor
expectativa, debido a su subjetividad
(Rodriguez Alvarez, Martínez y Belmar
Zepeda, 2019).
Para medir la variable atención a
clientes, desde el punto de vista de
calidad, se empleó el instrumento
SERVPERF, el cual es una escala
basada en el rendimiento para calcular
en qué nivel se encuentra el servicio
recibido respecto a su calidad (Cronin y
Taylor, 1994).
La definición de las dimensiones
del instrumento SERVPERF se dan a
continuación (Esteban y Rubio, 2006):
Elementos tangibles: Se refiere a
elementos tangibles de la entidad, como
instalaciones y materiales de
comunicación.
Fiabilidad: Se refiere a la capacidad de
los colaboradores de brindar un servicio
fiable y metódico.
Jimenez Flores, Victor Juan; Jimenez Flores, Oscar Juan; Jimenez Flores, Juan Carlos; Jimenez Castilla, Juan Ubaldo
99
Escuela de Postgrado Neumann Business School
Capacidad de respuesta: Hace
referencia a la disposición y rápido
servicio de los colaboradores en
solucionar consultas.
Seguridad: Se refiere a la capacidad de
los colaboradores en brindar un servicio
con credibilidad y confianza.
Empatía: Hace referencia a atención
personalizada brindada por los
colaboradores.
La fórmula para determinar el puntaje de
calidad del servicio es:
Dónde:
SQ
k
= Calidad del servicio
percibido por la persona k
P
ki
= Es la percepción del cliente k
con respecto al rendimiento del
servicio en el atributo i.
n = Es el número de atributos.
Grado de correlación
Con la finalidad de calcular la
intensidad de la relación entre las
variables de estudio, fue empleado el
coeficiente de contingencia, obtenido a
partir de la tabla de contingencia. El
coeficiente de contingencia es una
medida que indica el grado de correlación
entre dos conjuntos de datos; además, es
especialmente útil cuando se cuenta con
datos en escala nominal (Martel y Vegas,
1997).
Dónde:
C = coeficiente de contingencia.
X
2
= valor chi-cuadrado
n = número de parejas de datos
(242).
De esta forma, fue obtenido un
valor de 0 a +1. Para interpretar el nivel
de correlación de dicho valor, se empleó
la tabla de interpretación de Bisquerra
(Bisquerra, 1987).
Chatbot empresarial para atención a clientes de la Universidad José Carlos Mariátegui, 2019-II
100
Escuela de Postgrado Neumann Business School
RESULTADOS
Tabla 3.
Tabla de interpretación de coeficiente
Coeficiente
Categoría
0,8k–k1,00
MuykAlta
0,6 k–k0,79
Alta
0,4 k–k0,59
Moderada
0,2 k–k0,39
Baja
0,0 k–k0,20
MuykBaja
Fuente: (Bisquerra, 1987)
La tabla 3, fue necesaria para
determinar la categoría o nivel a la que
pertenece la correlación obtenida.
De acuerdo a la tabla 4, existe
suficiente evidencia estadística para
afirmar que existe una correlación directa
y significativa entre el chatbot
empresarial y la atención al cliente,
debido a que
es igual a 244,43
que es mayor a 26,296 (
).
Tabla 4.
Tabla de contingencia
Categoría
Muy
bajo
Bajo
Me-
dio
Alto
Muy
alto
Total
Muy bajo
0
0
0
0
4
4
Bajo
13
5
0
0
0
18
Medio
4
19
36
9
0
68
Alto
0
0
32
40
14
86
Muy alto
5
0
5
21
35
66
Total
22
24
73
70
53
242
Prueba
Chi
Cuadrado
244,43
GL=16
Fuente: Producción propia
En la tabla 5 puede apreciarse que
el grado de correlación, entre las
variables de estudio, es de 0,709, el cual
recae en la categoría alta según la tabla
3.
Tabla 5.
Grado de correlación de las variables de estudio
Fuente: Producción propia
Coeficiente de
contingencia (C)
Chatbot empresarial
(v1)
Atención a clientes
(v2)
C = 0,709
valor-p
0,000
Jimenez Flores, Victor Juan; Jimenez Flores, Oscar Juan; Jimenez Flores, Juan Carlos; Jimenez Castilla, Juan Ubaldo
101
Escuela de Postgrado Neumann Business School
Conclusiones
Se determinó la presencia de una
correlación directa entre las variables de
investigación de 0,709, lo cual implica
una correlación alta y significa continuar
mejorando el chatbot empresarial que
contribuirá a que la calidad percibida del
servicio de atención a los clientes mejore
significativamente.
Sugerencias
Primera. Se sugiere implementar e
investigar los efectos de un chatbot
empresarial en otras áreas de la
Universidad José Carlos Mariátegui.
Segunda. Se sugiere que el chatbot
empresarial pueda interactuar con el
sistema ERP de la Universidad José
Carlos Mariátegui; para que pueda
brindar una atención más personalizada.
Ahmet, C. (2018). Artificial
Intelligence: How Advance Machine
Learning Will Shape The Future Of Our
World. Shockwave Publishing via
PublishDrive.
Becky the bot chats her way to
THELMA glory. (2018). Recuperado a
partir de
https://www.jisc.ac.uk/news/becky-the-
bot-chats-her-way-to-thelma-glory-22-jun-
2018
Bisquerra, R. (1987). Introducción a
la estadística aplicada a la investigación
educativa. Barcelona: PPU.
Brooke, J. (1996). Usability
Evaluation In Industry. One-SUS: a” quick
and dirty “usability scale.
Cronin, J. y Taylor, S. (1994).
SERVPERF Versus SERVQUAL:
Reconciling Performance-Based and
Perceptions-Minus-Expectations
Measurement of Service Quality. Journal
of Marketing, 58, 125–131.
Dibitonto, M., Leszczynska, K.,
Tazzi, F. y Medaglia, C. M. (2018).
Chatbot in a campus environment:
CONCLUSIONES Y
SUGERENCIAS
BIBLIOGRAFÍA
Chatbot empresarial para atención a clientes de la Universidad José Carlos Mariátegui, 2019-II
102
Escuela de Postgrado Neumann Business School
Design of lisa, a virtual assistant to help
students in their university life. En Lecture
Notes in Computer Science (including
subseries Lecture Notes in Artificial
Intelligence and Lecture Notes in
Bioinformatics) (Vol. 10903 LNCS, pp.
103–116). Springer Verlag.
https://doi.org/10.1007/978-3-319-91250-
9_9
Esteban, C. y Rubio, L. (2006).
Empresas de intermediación turística y
nuevas tecnologías: estudio de calidad
del segmento minorista para viajes de
ocio. Vision Net.
Galitsky, B. (2019). Developing
enterprise chatbots : learning linguistic
structures. Springer.
Lewis, A. y McDermott, J. (Joe C. .
(2006). Winning at customer services and
call centre job interviews : including
answers to the interview questions.
Anson Reed.
Martel, P. J. y Vegas, F. J. D.
(1997). Probabilidad y estadística
matemática: aplicaciones en la práctica
clínica y en la gestión sanitaria. Ediciones
Díaz de Santos. Recuperado a partir de
https://books.google.com/books?id=J12lR
XENQ88C&pgis=1
Mompín, J. (1988). Introducción a la
bioingeniería: Marcombo.
Montero, R. (2015). Las Redes
Sociales en la Empresa. IT Campus
Academy.
Parasuraman, A., Zeithaml, V. y
Berry, L. (1994). Alternative Scales for
Measuring Service Quality: A
Comparative Assessment Based on
Psychometric and Diagnostic Criteria.
Journal of Retailing, vol 70, 201–230.
Ranoliya, B. R., Raghuwanshi, N. y
Singh, S. (2017). Chatbot for university
related FAQs. En 2017 International
Conference on Advances in Computing,
Communications and Informatics, ICACCI
2017 (Vol. 2017-January, pp. 1525–
1530). Institute of Electrical and
Electronics Engineers Inc.
https://doi.org/10.1109/ICACCI.2017.812
6057
Rodriguez Alvarez, H., Martínez, A.
y Belmar Zepeda, J. (2019). Aplicación
del modelo Servperf en una empresa de
recauchaje en Chile. REVISTA
Jimenez Flores, Victor Juan; Jimenez Flores, Oscar Juan; Jimenez Flores, Juan Carlos; Jimenez Castilla, Juan Ubaldo
103
Escuela de Postgrado Neumann Business School
PERSPECTIVA, 20(1), 26–34.
https://doi.org/10.33198/rpe.v20i1.619
Shankar, V. (2018). How artificial
intelligence (AI) is reshaping retailing.
Journal of Retailing, 94.
Smutny, P. y Schreiberova, P.
(2020). Chatbots for learning: A review of
educational chatbots for the Facebook
Messenger. Computers and Education,
151, 103862.
https://doi.org/10.1016/j.compedu.2020.1
03862
Xu, A., Liu, Z., Guo, Y., Sinha, V. y
Akkiraju, R. (2017). A New Chatbot for
Customer Serviceon Social Media. In
Proceedings of the 2017 CHI Conference
on Human Factors in Computing
Systems, 3506–3510.
https://doi.org/http://dx.doi.org/10.1145/30
25453.3025496
Zarabia, O. (2018). Implementación
de un chatbot con botframework: Caso de
estudio, servicios a clientes del área de
fianzas de seguros equinoccial. Escuela
Politécnica Nacional.
Apéndice A: Interfaces
Se presentan algunas interfaces
tomadas del chatbot empresarial
funcional, en la plataforma Facebook
Messenger, en la UJCM Filial Tacna.
Figura A1. Módulo de investigación pregrado
Fuente. Producción propia
APENDICES
Chatbot empresarial para atención a clientes de la Universidad José Carlos Mariátegui, 2019-II
104
Escuela de Postgrado Neumann Business School
Figura A2. Módulo de admisión
Fuente. Producción propia
Figura A3. Usuario interactuando con el
chatbot empresarial
Fuente. Producción propia
