Clasificación automática de reclamos eléctricos mediante árboles de decisión y random forest: un estudio aplicado a CNEL EP

Este estudio presenta un sistema de clasificación automática destinado a priorizar reclamos eléctricos en CNEL EP. Para ello se procesaron 143 113 registros reales, incluyendo limpieza de datos, imputación de valores faltantes y la creación de variables predictivas relacionadas con la urgencia y la recurrencia de los reclamos. A partir de estos criterios se construyó la variable objetivo “prioridad”, que permite distinguir entre reclamos prioritarios y normales. Con esta información se entrenaron modelos de aprendizaje supervisado —árbol de decisión y random forest—aplicando técnicas como one-hot encoding y validación cruzada. El modelo random forest obtuvo los mejores resultados, con una exactitud del 91 % y un AUC-ROC de 0.89. Los resultados muestran que el sistema propuesto puede mejorar significativamente la asignación de recursos técnicos y los tiempos de respuesta ante reclamos eléctricos. Además, demuestra la viabilidad de incorporar técnicas de aprendizaje automático en la gestión operativa de empresas distribuidoras de electricidad, abriendo posibilidades para futuras mejoras y aplicaciones en tiempo real.//This study presents an automated classification system to prioritize electrical service complaints at CNEL EP. A total of 143,113 real records were processed through data cleaning, missing-value imputation, and the engineering of predictive variables reflecting complaint urgency and recurrence. Based on these criteria, the target variable “Priority” was defined to distinguish high-priority from normal complaints. Supervised learning models, specifically De cision Tree and Random Forest, were then trained using one-hot encoding and cross-validation. Ran dom Forest delivered the best performance, achieving 91% accuracy and an AUC-ROC of 0.89. These results indicate that the proposed system can significantly improve technical resource allocation and reduce response times for electrical complaints. More over, the study demonstrates the feasibility of inte grating machine-learning techniques into the operational management of electric distribution companies, enabling future enhancements and real-time deployment.

• Váldodahkki: Carpio, F. (author)
• Eará dahkkit: Garcés, G. (author)
• Materiálatiipa: article
• Giella: spa
• Almmustuhtton: 2026
• Fáttát: reclamos eléctricos; electrical complaints; clasificación automática; automatic classification; aprendizaje supervisado; supervised learning; árbol de decisión; Decision Tree; random forest; Random Forest; aprendizaje automático; machine learning
• Liŋkkat: http://dspace.ups.edu.ec/handle/123456789/31950