Cómo los falsos positivos del AMD hunden la tasa de contacto

Todo contact center saliente mide la tasa de contacto: el porcentaje de intentos de marcación que terminan en una conversación en vivo con la persona buscada. Es la métrica operativa más importante, porque todo lo que viene después depende de ella: tasa de conversión, tasa de recuperación de cobranza, citas agendadas, ingresos por hora.

Lo que la mayoría de los equipos no mide es qué parte de la caída en su tasa de contacto la provoca su propio sistema de AMD. En concreto, los falsos positivos: personas reales que contestan el teléfono, se clasifican como contestadores automáticos y se desconectan antes de escuchar la voz de un agente.

Las matemáticas de los falsos positivos

Veamos un ejemplo concreto. Tome un equipo de 30 agentes que ejecuta una campaña con marcador predictivo:

• Volumen diario de marcación: 15,000 llamadas
• Tasa de respuesta: 40% (6,000 llamadas contestadas)
• Tasa real de buzón de voz: 55% de las llamadas contestadas (3,300 buzones de voz)
• Respuestas reales de personas: 45% de las llamadas contestadas (2,700 personas reales)

Ahora aplique AMD con distintas tasas de falsos positivos:

Con una FPR del 5% (AMD bueno): 135 llamadas en vivo cortadas por error. Los agentes atienden 2,565 conversaciones en vivo. Tasa de contacto efectiva: 17.1%.

Con una FPR del 15% (AMD heredado promedio): 405 llamadas en vivo cortadas por error. Los agentes atienden 2,295 conversaciones en vivo. Tasa de contacto efectiva: 15.3%.

Con una FPR del 25% (AMD deficiente en operadores desconocidos): 675 llamadas en vivo cortadas por error. Los agentes atienden 2,025 conversaciones en vivo. Tasa de contacto efectiva: 13.5%.

La diferencia entre un AMD bueno y uno deficiente es de 540 conversaciones en vivo perdidas al día. En un mes, son 11,880 contactos perdidos. Si su tasa de conversión es del 5%, son 594 ventas o promesas de pago perdidas. Asígneles un valor económico y la cifra se vuelve incómoda muy rápido.

Por qué los falsos positivos son invisibles

Lo más traicionero de los falsos positivos del AMD es que los agentes no los ven. Un agente nunca percibe un falso positivo, porque la llamada se corta antes de llegarle. Desde su punto de vista, todo parece normal: recibe llamadas en vivo al ritmo que el marcador se las entrega.

Los únicos que sufren los falsos positivos son los prospectos. Contestan el teléfono, oyen una breve pausa o silencio y luego se corta la llamada. Su impresión: robocall, spam o incompetencia. Si los vuelve a llamar, ya están predispuestos a reaccionar con hostilidad.

Esta invisibilidad hace que los problemas de falsos positivos puedan persistir durante meses sin que nadie lo note. El equipo de operaciones ve una tasa de contacto inferior a la esperada y culpa a la calidad de la lista, a la hora del día o a la reputación del identificador de llamadas. El verdadero culpable —una mala configuración del AMD o un modelo mal entrenado— pasa inadvertido.

Cómo medir la tasa de falsos positivos de su AMD

Medir la FPR exige comparar las clasificaciones del AMD con la realidad. Estos son tres métodos prácticos:

1. Seguimiento de las correcciones de los agentes

Cuando el AMD clasifica una llamada como máquina pero aun así la enruta a un agente (en modo auditoría), el agente indica si realmente era una máquina o una persona. Así obtiene mediciones directas, pero exige pasar un porcentaje de llamadas en modo de paso directo, lo que consume tiempo de los agentes.

2. Revisión del audio después de la llamada

Grabe los primeros 5 segundos de cada llamada que el AMD clasifique como máquina. Pida a un equipo de QA que escuche cada semana una muestra aleatoria. Requiere mucha mano de obra, pero ofrece mediciones imparciales en todos los operadores y campañas.

3. Inferencia estadística

Compare la tasa de contacto esperada (según la calidad de la lista y los datos históricos) con la tasa de contacto real. Si la brecha es mayor de lo previsto y coincide con las campañas que usan AMD, es probable que los falsos positivos estén contribuyendo. Es menos preciso, pero no añade carga operativa.

El análisis por operador es fundamental

Las cifras agregadas de FPR ocultan problemas propios de cada operador. Hemos visto operaciones con una FPR global del 8% —aceptable— en las que un solo operador, que representaba el 20% del volumen de marcación, tenía una FPR del 30%. Ese operador generaba más falsos positivos que todos los demás juntos.

Esto ocurre porque los modelos de AMD suelen entrenarse con una mezcla de audio de distintos operadores. Los operadores con sistemas de buzón de voz no estándar, formatos de saludo poco habituales o tonos de pitido atípicos se clasifican mal con mucha más frecuencia. Sin un desglose por operador, nunca encontrará estos puntos críticos.

La solución pasa por ajustar el AMD por operador (modificando los umbrales de sensibilidad para operadores concretos) o por entrenar el modelo por operador (incorporando al modelo de clasificación las correcciones específicas de cada uno). Ambas opciones requieren que su marcador registre la identidad del operador en cada llamada, algo que muchos marcadores heredados no hacen.

Cómo el AMD con IA ayuda a reducir los falsos positivos

El AMD tradicional basado en pitidos tiene un problema estructural con los falsos positivos: decide la clasificación según la duración del audio y la detección de tonos, no según lo que realmente se dijo. Una persona que contesta con un largo “¿Hola... hola? ¿Quién habla?” puede superar el umbral de duración y quedar clasificada como máquina.

El AMD con IA clasifica según el contenido de la transcripción, lo que lo hace mucho más robusto. Un saludo humano largo sigue conteniendo patrones interrogativos (“¿quién habla?”) que un clasificador de transcripciones puede identificar como habla humana, sin importar la duración.

Más importante aún, el AMD con IA con un ciclo de retroalimentación mejora con el tiempo. Cuando un agente marca una clasificación errónea, esa corrección entrena al modelo para reconocer patrones similares en el futuro. Tras miles de correcciones, el modelo acumula un conocimiento específico por operador que un modelo estático nunca puede alcanzar.

El sistema de AMD con IA de DialerBee se diseñó con la reducción de falsos positivos como objetivo principal. El sistema mide la precisión por operador en tiempo real, ajusta automáticamente los umbrales de clasificación cuando la FPR de un operador supera límites configurables y ofrece a los supervisores una estación de revisión dedicada para las clasificaciones en disputa.

Cambios operativos que complementan un mejor AMD

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

• Implemente un “mensaje seguro” para las llamadas clasificadas por el AMD: En lugar de cortar de inmediato las llamadas que el AMD clasifica como máquinas, reproduzca un breve mensaje: “Hola, le habla [empresa]. Volveremos a llamarle en breve”. Si la clasificación fue errónea y hay una persona escuchando, al menos oirá un mensaje profesional en lugar de silencio.
• Use un AMD conservador en las listas de alto valor: Para listas de leads premium o llamadas de último intento, considere desactivar el AMD o configurarlo en su modo más conservador. El costo en tiempo de agente de los falsos negativos vale la pena cuando el costo de oportunidad de los falsos positivos es alto.
• Mida la precisión del AMD como KPI: Añada la tasa de falsos positivos a su panel de operaciones junto a la tasa de contacto, la tasa de conversión y la utilización de agentes. Hágala visible. Lo que se mide se gestiona.
• Realice auditorías periódicas del AMD: Cada mes, tome una muestra de las llamadas clasificadas como máquina por el AMD y pida a QA que las verifique. Siga la tendencia. Si la precisión empeora, puede que su mezcla de operadores haya cambiado o que un operador haya modificado su sistema de buzón de voz.

En resumen

Los falsos positivos del AMD son una de las mayores pérdidas controlables en las operaciones outbound. Los agentes no los ven, los gerentes rara vez los miden y, a escala, salen caros. Una mejora de 10 puntos porcentuales en la FPR —del 15% al 5%— puede recuperar cientos de conversaciones en vivo al día en un equipo mediano.

Si no ha medido recientemente la tasa de falsos positivos de su AMD, empiece por ahí. La cifra puede sorprenderle, y la solución puede ser más sencilla de lo que cree.

Preguntas frecuentes

¿Qué es un falso positivo del AMD?

Un falso positivo ocurre cuando el sistema clasifica a una persona real como máquina y corta la llamada. Alguien contestó, no oyó nada y colgó, y nada en sus informes registra esa conversación perdida.

¿Por qué es tan fácil pasar por alto los falsos positivos?

Acaban en la categoría de máquina y parecen detecciones de buzón de voz correctas. La tasa de contacto baja sin ningún error evidente que investigar.

¿Cómo mido mi tasa de falsos positivos?

Tome una muestra de llamadas clasificadas como máquina y escuche los primeros segundos. Toda llamada en la que habló una persona es un falso positivo. Hágalo por operador y por idioma, porque la tasa varía mucho entre ellos.

¿Qué reduce los falsos positivos además de una mejor detección?

Ventanas de detección más largas, ajustes de sensibilidad por campaña y enrutar las clasificaciones dudosas a un agente en lugar de descartarlas.