Cómo los falsos positivos de AMD reducen drásticamente las tasas de contacto.

Todos los centros de contacto salientes realizan un seguimiento de la tasa de contacto: el porcentaje de intentos de llamada que resultan en una conversación en vivo con el destinatario. Es la métrica operativa más importante, ya que todo lo demás depende de ella: tasa de conversión, tasa de cobro, concertación de citas e ingresos por hora.

Lo que la mayoría de los equipos no registran es qué porcentaje de la pérdida de su tasa de contacto se debe a su propio sistema AMD. En concreto, a los falsos positivos: personas reales que contestan el teléfono, son clasificadas como contestadores automáticos y se les corta la llamada antes incluso de escuchar la voz de un agente.

Las matemáticas de los falsos positivos

Analicemos un ejemplo concreto. Imaginemos un equipo de 30 agentes que ejecuta una campaña de marcación predictiva:

• Volumen diario de llamadas: 15.000
• Tasa de respuesta: 40% (6.000 llamadas contestadas)
• Tasa real de contestación a mensajes de voz: 55% de las llamadas contestadas (3300 mensajes de voz)
• Respuestas reales en directo: 45 % de las llamadas contestadas (2700 personas reales)

Ahora aplicamos AMD con diferentes tasas de falsos positivos:

Con un FPR del 5% (buena AMD): Se interrumpieron incorrectamente 135 llamadas en directo. Los agentes gestionan 2565 conversaciones en directo. Tasa de contacto efectiva: 17,1 %.

Con un FPR del 15% (AMD heredado promedio): Se interrumpieron incorrectamente 405 llamadas en directo. Los agentes gestionaron 2295 conversaciones en directo. Tasa de contacto efectiva: 15,3 %.

Con un FPR del 25% (mala AMD en portadores desconocidos): Se interrumpieron incorrectamente 675 llamadas en directo. Los agentes gestionan 2025 conversaciones en directo. Tasa de contacto efectiva: 13,5 %.

La diferencia entre un AMD bueno y uno malo es 540 conversaciones en directo perdidas al díaEn un mes, eso supone 11.880 contactos perdidos. Si tu tasa de conversión es del 5%, eso representa 594 ventas o promesas de cobro perdidas. Si le asignas un valor de ingresos, la cifra se vuelve preocupante rápidamente.

Por qué los falsos positivos son invisibles

Lo insidioso de los falsos positivos de AMD es que son invisibles para los agentes. Un agente nunca ve un falso positivo porque la llamada se corta antes de que le llegue. Desde la perspectiva del agente, todo parece normal: se conecta con llamadas reales al ritmo que el marcador las proporciona.

Los únicos que experimentan falsos positivos son los clientes potenciales. Contestan el teléfono, oyen una breve pausa o silencio y luego se corta la llamada. Su impresión es: llamada automática, spam o incompetencia. Si les devuelves la llamada, ya están predispuestos a la hostilidad.

Esta invisibilidad implica que los problemas de falsos positivos pueden persistir durante meses sin que nadie se dé cuenta. El equipo de operaciones observa una tasa de contacto inferior a la esperada y atribuye el problema a la calidad de la lista, la hora del día o la reputación del identificador de llamadas. El verdadero culpable —una configuración incorrecta de AMD o un modelo mal entrenado— pasa desapercibido.

Cómo medir la tasa de falsos positivos de AMD

Para medir la tasa de falsos positivos (FPR) es necesario comparar las clasificaciones AMD con la verdad fundamental. Aquí presentamos tres métodos prácticos:

1. Seguimiento de anulación del agente

Cuando AMD clasifica una llamada como proveniente de una máquina, pero la enruta a un agente de todos modos (en modo auditoría), el agente informa si se trataba realmente de una máquina o de una persona. Esto proporciona mediciones directas, pero requiere que un porcentaje de las llamadas se ejecuten en modo de transferencia directa, lo que consume tiempo del agente.

2. Revisión de audio posterior a la llamada

Graba los primeros 5 segundos de cada llamada que AMD clasifique como generada por una máquina. Un equipo de control de calidad debe escuchar una muestra aleatoria cada semana. Si bien esto requiere mucho trabajo, proporciona mediciones imparciales para todos los operadores y campañas.

3. Inferencia estadística

Compare su tasa de contacto prevista (basada en la calidad de la lista y los datos históricos) con su tasa de contacto real. Si la diferencia es mayor de lo esperado y se correlaciona con campañas con AMD, es probable que haya falsos positivos. Este método es menos preciso, pero no requiere gastos operativos adicionales.

El análisis por operador es fundamental.

Las cifras agregadas de FPR ocultan problemas específicos de cada operador. Hemos visto operaciones donde el FPR general era del 8%, lo cual es aceptable, pero un solo operador que representaba el 20% del volumen de llamadas tenía un FPR del 30%. Ese único operador fue responsable de más falsos positivos que todos los demás operadores juntos.

Esto sucede porque los modelos AMD suelen entrenarse con una mezcla de audio de operadores. Los operadores con sistemas de correo de voz no estándar, formatos de saludo inusuales o tonos de pitido atípicos se clasifican erróneamente con mucha mayor frecuencia. Sin un análisis detallado por operador, nunca se detectarán estos puntos críticos.

La solución requiere ajustar el AMD por operador (modificando los umbrales de sensibilidad para operadores específicos) o entrenar el modelo por operador (introduciendo correcciones específicas para cada operador en el modelo de clasificación). Ambas opciones requieren que el marcador registre la identidad del operador a nivel de llamada, algo que muchos marcadores antiguos no hacen.

Cómo la IA de AMD ayuda a reducir los falsos positivos

El sistema AMD tradicional basado en pitidos tiene un problema estructural con los falsos positivos: basa su decisión de clasificación en la duración del audio y la detección de tonos, no en lo que realmente se dijo. Una persona que responde con un largo "¿Hola... hola? ¿Quién llama?" puede exceder el umbral de duración y ser clasificada como una máquina.

El sistema AMD basado en IA clasifica según el contenido de la transcripción, lo que resulta fundamentalmente más robusto. Un saludo humano prolongado aún contiene patrones interrogativos ("¿quién llama?") que un clasificador de transcripciones puede identificar como habla humana, independientemente de su duración.

Más importante aún, el modelo AMD con IA y retroalimentación mejora con el tiempo. Cuando un agente detecta una clasificación errónea, esa corrección entrena al modelo para reconocer patrones similares en el futuro. Tras miles de correcciones, el modelo desarrolla un conocimiento específico de cada operador que un modelo estático jamás podría alcanzar.

DialerBee Sistema de IA AMD Fue diseñado con la reducción de falsos positivos como objetivo principal. El sistema realiza un seguimiento de la precisión por operador en tiempo real, ajusta automáticamente los umbrales de clasificación cuando la tasa de falsos positivos de un operador supera los límites configurables y proporciona a los supervisores una estación de trabajo de revisión específica para clasificaciones controvertidas.

Cambios operativos que complementan una mejor AMD

Además de mejorar la precisión de AMD, existen estrategias operativas que pueden ayudar a mitigar el impacto de los falsos positivos:

• Implementar un "mensaje seguro" para las llamadas clasificadas por AMD: En lugar de cortar inmediatamente las llamadas que AMD clasifica como automáticas, reproduce un breve mensaje: «Hola, somos [empresa]. Volveremos a intentarlo en breve». Si la clasificación fue errónea y hay una persona escuchando, al menos oirá un mensaje profesional en lugar de silencio absoluto.
• Utilice AMD conservador en listas de alto valor: Para listas de contactos premium o llamadas de último intento, considere desactivar AMD o configurarlo al máximo nivel de conservadurismo. El tiempo que los agentes invierten en falsos negativos compensa cuando el coste de oportunidad de los falsos positivos es elevado.
• Realizar un seguimiento de la precisión de AMD como KPI: Agrega la tasa de falsos positivos a tu panel de operaciones junto con la tasa de contacto, la tasa de conversión y la utilización de agentes. Hazlo visible. Lo que se mide, se gestiona.
• Realizar auditorías periódicas de AMD: Mensualmente, extraiga una muestra de llamadas de máquinas clasificadas por AMD y pida al equipo de control de calidad que las verifique. Analice la tendencia. Si la precisión disminuye, es posible que su combinación de operadores haya cambiado o que alguno haya modificado su sistema de correo de voz.

En resumen

Los falsos positivos de AMD representan una de las mayores pérdidas controlables en las operaciones de llamadas salientes. Son invisibles para los agentes, rara vez son monitoreados por los gerentes y resultan costosos a gran escala. Una mejora de 10 puntos porcentuales en la tasa de falsos positivos (del 15 % al 5 %) puede recuperar cientos de conversaciones en vivo por día para un equipo de tamaño mediano.

Si no has medido recientemente la tasa de falsos positivos de AMD, empieza por ahí. El resultado podría sorprenderte, y la solución podría ser más sencilla de lo que piensas.