https://doi.org/10.37815/rte.v34n3.958
Artículos originales
Implementación de un chatbot con NLP para recibir pedidos en una plataforma de delivery
Implement=
ation of
a chatbot with NLP to receive orders in a delivery platform
Miguel Langarano Guerrero1 <=
/span>https://orcid.org/0000-0=
002-4186-5612,
Franklin Montal=
uisa Yugla1 https://orcid.org/0000-0=
002-5588-5016, Milton Navas Moya1 https://orcid.org/0000-0=
001-5862-9475
1
melangarano@espe.edu.ec, fjmontaluis@espe.edu.ec, mpnavas@espe.edu.ec
Enviado: 2022/07/03
Aceptado: 2022/09/16
Publicado:
2022/11/30
Resumen
El uso de chatbots =
cada
vez es más recurrente en una variedad de negocios, debido a la escalabilida=
d al
momento de atender clientes y generar procesos de compra automáticos. En es=
te
proyecto, se desarrolla un sistema de chatbot,
llamado Chatty, que utiliza NLP para recibir pe=
didos
de clientes a través de una aplicación de mensajería instantánea para la
plataforma de delivery Snap eats.
La implementación del chatbot logró un incremen=
to en
la cantidad de pedidos en un porcentaje significativo durante el periodo de
tiempo en que fue medido, además de recibir calificaciones positivas por pa=
rte
de los usuarios respecto a la facilidad de uso. Utilizar NLP en un chatbot para la comunicación con clientes es poco com=
ún
debido a la complejidad y al poco control sobre la conversación; sin embarg=
o,
al aplicar un flujo de datos definido, dicha complejidad se reduce ya que se
direcciona al usuario sin la necesidad de utilizar formularios predetermina=
dos,
creando una interacción más fluida. El motor de NLP utilizado para este
proyecto es GPT-3, que es un modelo generador de lenguaje muy potente creado
por la empresa OpenAI.
=
Pa=
labras
clave: =
Chatbot, comunicación, conversación, GPT-3, NLP.
Abstract
Sumario: Introducción, Materiales y Métodos, Resultados, Discusión de
resultados y Conclusiones. Como citar:<=
/span> Langarano, M., Montaluisa, F. &=
; Navas,
M. (2022). Implementación de un chatbot co=
n NLP
para recibir pedidos en una plataforma de deliver=
y.
Revista Tecnológica - Espol, 34(3), 157-170. http://www.rte.espol.e=
du.ec/index.php/tecnologica/article/view/958
The use of chatbots in a variety of businesses is becoming
more and more recurrent due to the scalability of customer service and the
generation of automatic purchase processes. This project develops a chatbot
system called Chatty that uses NLP to receive customer orders through an
instant messaging application for the Snap eats delivery platform. The
implementation of the chatbot achieved a significant percentage increase in=
the
number of orders during the period in which it was measured. In addition to
receiving positive ratings from users regarding ease of use. Using NLP in a
chatbot for communication with customers is unusual due to the complexity a=
nd
lack of control over the conversation; however, by applying a defined data
flow, such complexity is reduced since the user is addressed without the ne=
ed
to use predetermined forms, creating a more fluid interaction. The NLP engi=
ne
used for this project is GPT-3, which is a very powerful language generator
model created by the company OpenAI.
Introducción
La modernidad exige a las empresas una innovación cada vez may=
or.
Es el caso de la omnicanalidad en la atención a sus clientes, procesos ágil=
es y
seguros, reducción de costos, automatización, entre otros varios requisitos
para poder tener organizaciones sanas y, sobre todo, competitivas. No solo
contra la competencia local sino contra los gigantes de la industria tecnol=
ógica,
por lo que implementar nuevas herramientas para ser eficiente, puede hacer =
la
diferencia entre crecer o dejarse vencer.
En Ecuador, las plataformas de delivery
internacionales como Rappi, Uber eats,
Pedidos Ya, se han centrado en atender a sus clientes por sus propios medios
electrónicos, como aplicaciones móviles o páginas Web. Así mismo ha nacido
competencia local que ha tenido una estrategia parecida para atender a sus
clientes como Super Easy, Picker, Snap eats, entre otras, con acceso a los medios para poder
desarrollar la tecnología necesaria y brindar este servicio. Pero, por otro
lado, existe una competencia local, que no ha logrado desarrollar tecnología
propia para atender a sus clientes por medios electrónicos, y ha optado por
utilizar aplicaciones de mensajería como Whatsapp,
para ingresar al mercado, con un nicho que prefiere una comunicación más
fluida, muchas veces con dispositivos móviles, en los que tienen que decidi=
r si
descargar una aplicación de delivery o una de
mensajería. La decisión es obvia debido a la mayor utilidad que se le puede=
dar
a una aplicación de mensajería.
También existe la necesidad directa de los comercios, de comunicarse=
con
sus clientes para vender sus productos. Esta comunicación muchas veces se
realiza a través de Whatsapp, debido a la facil=
idad y
fluidez que existe en la transmisión del mensaje. Claro que, esta facilidad=
es
para el cliente, ya que para los comercios y empresas esto se vuelve una ca=
rga
operativa más, lo cual da una ventaja adicional al uso de sistemas automáti=
cos
de respuesta e interacción con los clientes.
Para la plataforma Snap eats es una
oportunidad muy grande poder ofrecer atención a sus usuarios, a través de
canales de mensajería, por la fluidez de la compra y comodidad del usuario =
para
utilizar una aplicación que ya conoce y utiliza a diario. Es por todo lo
planteado anteriormente que se formula la siguiente pregunta: ¿Cómo se puede
ofrecer el servicio de delivery a usuarios de la
plataforma Snap eats, de forma ágil y fácil, a =
través
de Whatsapp?
En la actualidad, existe una creciente demanda de formas de mantener=
la
lealtad de los clientes de una empresa, aumentar las ventas, tener canales =
de
atención abiertos 24/7, entre otras necesidades empresariales. Es así que se estima que los asistentes virtuales o chatbots alcancen un tamaño de mercado de 9.17 mil mi=
llones
de dólares para 2025. Esto se ve dramáticamente precipitado por la crisis d=
e la
Covid-19 que ha obligado a muchas personas a utilizar sistemas informáticos
para realizar tareas que antes no eran necesarias como el teletrabajo o ped=
ir
comida a domicilio (Bloomberg, 2020).
La omnicanalidad, que es la comunicación de las empresas con sus
clientes a través de múltiples canales (Pizzolo,
2015), se ha vuelto imperativa en la experiencia de compra de los clientes =
de
cualquier producto o servicio, tanto físico o digital. Las empresas buscan =
que
sus clientes tengan comunicación omnicanal, lo =
cual
es intensivo en talento humano, por lo que la integración de chatbots es muy importante para brindar un servicio de
atención al cliente eficiente, especialmente con los usuarios millennials, que son la generación que más consume
productos y servicios a través de medios electrónicos (Bloomberg, 2019).
En este mismo contexto, en Ecuador, 13 de cada 100 personas realizar=
on
su primera compra en línea durante la pandemia de la Covid-19, usando como
medio de comunicación con los vendedores la aplicación móvil Whatsapp. El 60% de las personas indicaron que esta
decisión, la tomaron por el alto riesgo de contagio que presenta salir en m=
edio
de una pandemia, mientras que un 44% lo hizo por una adaptación al cambio. =
Esto
deja notar que las ventas, pero sobre todo la comunicación por medios electrónicos, es cada día mucho más necesaria, incluso=
en
países como Ecuador, donde la inserción tecnológica aún no es mayoritaria e=
n la
población (Diario Expreso, 2020).
El uso de Whatsapp como medio de comunic=
ación
entre vendedores y compradores también es un tema de relevancia en este
trabajo, ya que es el medio por el que la plataforma Snap eats
decidió abrir un nuevo canal de atención a sus clientes. Y dado que, “el 49=
% de
las compras electrónicas se realizaron a través de Wha=
tsapp
durante el confinamiento” (Diario Expreso, 2020), es muy importante, no solo
mantener un nuevo canal de atención, sino automatizar el proceso de atención
para reducir costos y tiempos de servicio.
Las dinámicas laborales están cambiando mucho gracias a la tecnologí=
a y
en este rubro, los chatbots son herramientas qu=
e pueden
utilizar desde grandes bancos y corporaciones, hasta negocios pequeños y
medianos; con el fin de atender a sus clientes de forma más eficiente, ayud=
ando
a ahorrar dinero en su operación. Es así que se estima que para el año 2022,
esta tecnología de agentes conversacionales, pue=
de
beneficiar a los negocios para ahorrar más de 8 mil millones de dólares
anualmente; además de permitir escalar sus operaciones de atención a sus
clientes de una forma nunca antes vista (Fortune,
2017).
Es importante mencionar que Snap eats es=
una
plataforma de delivery que funciona en varias
ciudades de Ecuador y todos sus pedidos los recibe a través de su propia
aplicación móvil. Por lo tanto, es necesario para la plataforma, abarcar el
segmento de usuarios que solicitan sus pedidos a través de Whatsapp,
pero es muy importante también, que este nuevo segmento de usuarios,
pueda ser atendido de forma automática y sin intervención humana para no
aumentar los costos operativos de forma dramática.
Esta investigación tiene por objetivo implementar un chatbot
para recibir pedidos de clientes dentro de la plataforma Snap eats y poder constatar que el ch=
atbot,
como canal comercial, es un factor importante de crecimiento dentro de las
ventas de la plataforma.
En este artículo se pueden encontrar las herramientas, métodos,
arquitectura y tecnología que se utilizó para crear el chatbot,
así como su lugar dentro del modelo de negocio. También se pueden encontrar=
los
resultados de la implementación del chatbot dur=
ante
dos meses de funcionamiento y cómo evolucionó el número de órdenes en la
plataforma, antes y después del chatbot, y su
comparación con otros años, así como la reacción y opinión de los usuarios =
de
la plataforma respecto a la interacción con el chatbot=
para crear pedidos. Por último, se encuentran las conclusiones del
funcionamiento del chatbot y una comparación con
otras implementaciones de chatbots, en entornos
similares.
M
Se planteó desarrollar Chatty, un sistem=
a de
recepción de pedidos para delivery que permita =
a los
usuarios de la plataforma Snap eats realizar sus
requerimientos de forma automática dentro de la aplicación de mensajería
Chatty integró un flujo de compra más a la
plataforma Snap eats, mediante otro canal de at=
ención
a sus usuarios. Esto permitió aumentar las transacciones en la plataforma, =
ya
que está apuntando a un segmento de posibles clientes que actualmente no
utilizan la aplicación Snap eats para realizar =
sus
pedidos a domicilio.
Se determinaron todos los procesos de lógica de negocio que se
necesitaron para la integración de este nuevo canal de pedidos, a la plataf=
orma
de delivery ya existente. Luego se realizó toda=
la
documentación necesaria para el desarrollo como requerimientos, casos de us=
o,
diagrama de clases y modelo de datos.
Herramientas y tecnologías
Procesamien=
to del
Lenguaje Natural (PNL)
Procesamiento del lenguaje natural (NLP, por sus siglas en inglés) es
una subdivisión del lenguaje natural, la cual implementa semántica controla=
da y
es traducible en lo que se denomina Lenguaje Controlado Generalizado (Zadeh, 2003).
El procesamiento del lenguaje natural es un prerrequisito y condición
para la traducción de máquina. En términos del procesamiento del lenguaje
natural, la traducción de máquina neural, no solo
tiene más generalidad, también refleja el potencial de la big
data y el big data thinkin=
g
(Zong, 2018).
GPT-3
GPT-3 es un nuevo modelo de lenguaje con 175 miles de millones de
parámetros y 96 capas entrenadas con 499 miles de millones de tokens de
contenido web, haciéndolo por mucho, el modelo de lenguaje más grande
construido hasta la fecha (Dale, 2021).
Arquitectura
cliente-servidor
El sistema cliente-servidor se puede definir como una arquitectura de
software formada tanto por el cliente como por el servidor, donde los usuar=
ios
siempre envían solicitudes mientras el servidor responde a los requerimient=
os
enviados. Cliente-servidor proporciona una comunicación entre procesos porq=
ue
implica el intercambio de datos tanto del cliente como del servidor por lo =
que
cada uno de ellos realiza diferentes funciones (Shakir=
at,
2014).
API
Las API permiten que sus productos y servicios se comuniquen con otr=
os,
sin necesidad de saber cómo están implementados. Esto simplifica el desarro=
llo de
las aplicaciones y permite ahorrar tiempo y dinero (Re=
dHat,
2020).
Mediante API, es la manera en que el sistema se comunicará con servi=
cios
externos para obtener datos como: los comercios disponibles, los productos
disponibles, los horarios de los establecimientos, precio del transporte, e=
ntre
otra información necesaria antes de ejecutar una orden exitosa.
Nodejs
Node.js, es un software que permite ejecutar programas creados en el
lenguaje de programación JavaScript sin necesidad de un navegador. Se basa =
en
la implementación del motor V8 de Google. V8 y Node
se crearon en C y C ++ principalmente, centrándose en el rendimiento y el b=
ajo
consumo de memoria. Node tiene como objetivo ad=
mitir
procesos de servidor de larga duración (Tilkov,
2010).
NodeJS ayudará a ejecutar el programa dentro del
contenedor Docker. Es importante señalar que se necesita realizar
configuraciones de entorno previas, para que NodeJS
pueda ejecutar de manera correcta, todas las librerías necesarias para el
funcionamiento del chatbot y la interfaz de
comunicación con Whatsapp Web.
Firebase
Firebase es un servicio de la empresa Google, que
ofrece varias herramientas de backend, con el
objetivo de que los desarrolladores se concentren en el producto que están
creando. Esto incluye análisis, autenticación, bases de datos, configuració=
n,
almacenamiento de archivos, mensajería push. Los
servicios están alojados en la nube y escalan de forma automática, hasta ci=
erto
punto, con precios muy accesibles (Firebase, 20=
20).
Este servicio en la nube proveerá principalmente de dos funciones al=
chatbot, un lugar de almacenamiento de datos, así com=
o de
funciones de efecto secundario, que se ejecutan a través de eventos
preconfigurados. Esto con el objetivo que el chatbot
pueda responder también, a eventos dentro de la base de datos o a llamadas =
de
servicios externos.
Bases de da=
tos
NoSQL
Las bases de datos NoSQL no siguen los principios RDBMS (Relational Database Manag=
ement System) las cuales buscan alternativas a las bases de=
datos
relacionales con un contexto en donde prima la velocidad, manejo de un gran
volumen de datos y la posibilidad de tener un sistema distribuido (Castro,
2012).
Desarrollo del sistema
El desarrollo del sistema se centró en el backe=
nd
ya que la interfaz de usuario que se utilizó, es=
una
aplicación de terceros, la cuál es la aplicación de mensajería Whatsapp.
El sistema fue desarrollado con Javascript,
sobre NodeJS y como parte fundamental, la libre=
ría de
testing Puppeteer. =
Esta
librería permite interactuar con la aplicación Whatsap=
p
Web, de forma automática, y poner en marcha conversaciones con usuarios que
requieran el servicio de delivery.
Además, todo el proyecto tiene un ambiente de ejecución en Docker, p=
or
lo que su despliegue en diferentes contextos es rápido y no requiere de may=
or
configuración.
Adicionalmente se generó un modelo de datos capaz de mantener
conversaciones en una secuencia lógica con los usuarios, que puedan ser
revisados posteriormente, y que la misma instancia de agente conversacional,
pueda tener concurrencia en conversaciones sin confundir los pedidos de var=
ios
clientes. Este aspecto es necesario dentro del chatbot=
ya que existirán muchos usuarios interactuando con el =
chatbot
para realizar sus pedidos, pero todos deben ser atendidos dentro de la misma
cuenta de Whatsapp, por lo que solo es posible
mantener una instancia del chatbot, pero con va=
rios
procesos de conversaciones.
Es importante saber, que para realizar un pedido a través del chatbot, tiene que haber comunicación constante entre=
este
y la plataforma Snap eats, para que se pueda ob=
tener
información sobre comercios, productos, horarios de atención, disponibilida=
d,
tiempos de atención, entre otras variables importantes que el usuario deber=
ía
conocer.
En la parte del modelo de NLP, se creó una API para poder tener
comunicación con el servicio de GPT-3, que brindará toda la potencia para el
procesamiento de las conversaciones.
Por último, se debe integrar, una vez el pedido del usuario haya sido
completado, geolocalizado, pagado (en el caso de tarjetas de crédito y débi=
to)
y confirmado, con la plataforma Snap eats, a tr=
avés
la misma API que utilizan los pedidos realizados desde la aplicación móvil.=
Cantidad de pedidos de abril-mayo de l=
os
años 2020, 2021 y 2022 (valores)
|
PEDIDOS/AÑO |
2020 |
2021 |
2022 |
|
ABRIL |
2869 |
3221 |
4534 |
|
MAYO |
2646 |
2933 |
5233 |
Cantidad de pedidos
Cantidad de pedidos de 6 meses en la
plataforma Snap eats
Lo que se obse=
rvar
en la Figura 4=
es la cantidad de pedidos realizados a través d=
e la
plataforma Snap eats durante 6 meses. Estos 6 m=
eses
incluyen abril y mayo, que son los dos meses en que se implementó el chatbot para recepción de pedidos.
Se puede obser=
var
que el número de pedidos sube notablemente en estos dos últimos meses, sien=
do
incluso mayor dicha cantidad que en diciembre considerado un mes de altas
ventas. Sin embargo, se pone en contraste la cantidad de pedidos de los mis=
mos
meses contra años anteriores.
Cantidad de pedidos de abril-mayo de l=
os
años 2020, 2021 y 2022 (barras)
En la <=
/span>Figura 5=
se observa qu=
e la
cantidad de pedidos en los meses donde se implementó el chatbot
fue significativamente superior a la de anteriores años, ya que no correspo=
nde
al crecimiento porcentual mes-año que es de 12.23% en promedio, sino que da=
un
valor del 40.76%, el cual es significativamente mayor.
Por último, se
analizó la cantidad de pedidos de abril y mayo sumados, que se realizaron a
través de los medios preexistentes en la plataforma contra los pedidos
ejecutados a través del chatbot y se obtuvieron=
los siguientes
resultados:
Cantidad de pedidos de abril-mayo 2022=
por
medio
Cómo se puede
observar, el 32.8% de pedidos en los meses de abril y mayo de 2022, se
realizaron a través del chatbot, siendo un porc=
entaje
significativo, dado que era un medio de recepción de pedidos que previament=
e no
existía. Esto indica que de 9767 pedidos, 3204 f=
ueron
realizados con el chatbot; sin embargo, esto no
necesariamente significa que todos ellos sean usuarios nuevos de la platafo=
rma,
pero la cantidad de pedidos si aumentó sustancialmente.
Calificación
de usabilidad
La calificació=
n de
los usuarios es otro criterio de validación que se tuvo en este proyecto. E=
stos
resultados fueron obtenidos a través de una encuesta realizada a cada usuar=
io
de forma automática, cada vez que un cliente creaba un pedido con éxito. Es=
ta
encuesta se realizó en 3204 pedidos que fueron hechos a través del chatbot durante los meses abril y mayo de 2022.
Se planteó una=
sola
pregunta con respuesta cerrada de si o no y fue la siguiente: ¿Usted sintió=
que
su pedido fue creado de forma satisfactoria a través del chat?
Las respuestas
afirmativas se consideraron como usuarios contentos, mientras que las negat=
ivas
como usuarios descontentos.
Un porcentaje
mayoritario de usuarios del chatbot respondió la
encuesta, y de igual forma, la mayoría de los usuarios que la contestaron
estuvieron contentos con el desempeño, usabilidad y facilidad de uso del
Calificaciones de usuarios del chatbot
Cantidad
de errores
En el caso de = los errores de código, estos fueron recogidos a través de manejo de excepciones= en situaciones que el chatbot no haya podido respo= nder a un comentario o pregunta que un usuario haya realizado, o se haya comunicado una opción que no existe, en la selección de los productos para un pedido.<= o:p>
Para los error=
es de
pedidos, cada repartidor tuvo como tarea validar con el cliente, a través de
una aplicación móvil, marcando si el pedido fue correcto o no.
Cantidad de errores
Se puede obser=
var
que dentro de los 3204 pedidos realizados a través del chatbot,
hubo una cantidad poco significativa de errores de tan solo un 0.5%. Por ot=
ro
lado, hubo una alta incidencia de inexactitudes de código, que no significa=
que
el pedido no se haya realizado con éxito, sino que, en algún momento de la
interacción con el cliente, se presentó una imposibilidad de responder de f=
orma
adecuada al requerimiento solicitado. La gran mayoría de pedidos se realiza=
ron
sin error alguno, pero a pesar de esto, los errores de código pueden llevar=
a
un descontento de los clientes y las equivocaciones de pedidos, por más
pequeñas que sean, pueden ocasionar pérdidas a la plataforma si no existier=
a un
filtro humano para su validación.
Discusión
de resultados
Chatbot de ventas en empresa = Eximport Distribuidores del Perú S.A.C<= /p>
El caso de la
empresa Eximport es un ejemplo de la implementa=
ción
exitosa de un chatbot para ventas, como registr=
o se
realizó una tesis de pregrado sobre dicha implementación.
En su conclusi=
ón se
observa que se acepta la hipótesis de que la implementación del chatbot influencia positivamente la fidelización de l=
os
clientes (Guerrero, 2018). Se demuestra a través de un estudio estadístico =
en
el que se toma una muestra de usuarios del chatbot,
los cuales fueron encuestados, obteniendo así resultados que indican un
beneficio al utilizar esta herramienta tecnológica.
Contrastando l=
os
resultados de esta investigación con el presente proyecto, se puede decir q=
ue
los chatbots tienen un impacto positivo sobre l=
os
clientes de una empresa, a pesar de los retos que puedan presentarse en la
implementación.
Chatbot para toma de órdenes = en restaurantes
Este estudio e=
xploró
las percepciones y comportamientos de clientes en restaurantes que utilizar=
on chatbots para generar órdenes de compra, basándose en=
la
teoría de presencia social y poder comparar tres métodos para crear una
Las conclusion=
es
demuestran que las órdenes generadas por teléfono e int=
ernet,
causan mayor satisfacción a los clientes frente a un c=
hatbot.
Sin embargo, también se pudo observar que los chatbots=
tenían mucho mejor desempeño frente a los clientes en restaurantes con opci=
ones
de selección sencillas y fáciles de representar en una conversación escrita=
.
Para contrasta=
r con
los resultados obtenidos en el presente proyecto, se puede decir que los
resultados de ambas investigaciones concuerdan en el tipo de uso en el que
tiene mejor desempeño un chatbot. En el caso de=
Snap eats, se ofrecen restaurantes con opciones sencillas =
de
seleccionar y muy rápidas de comunicar por chat, dejando sin espacio a
equivocaciones humanas en la toma de pedidos que deben ser rápidos y con po=
cas
opciones.
La implementación de un chatbot para la
recepción de pedidos de la plataforma de delivery
Snap eats, a base de los resultados obtenidos, =
fue
exitosa a pesar de existir mucho espacio para mejorar.
Se pudo determinar que la cantidad de pedidos tuvo un aumento promed=
io
del 40.76% en abril y mayo del 2022, respecto a esos mismos meses de años
anteriores. El aumento del número de órdenes se debió a la implementación d=
el chatbot ya que el 32.8% de los requerimientos realiza=
dos,
fueron efectuados por este medio. Es decir, que sin la implementación del <=
span
class=3DSpellE>chatbot como canal de ventas, no se registrarían 3204
pedidos adicionales en este periodo de tiempo.
La mayoría de usuarios del chatbot
se mostraron positivos a su implementación y uso con un 58.2% de usuarios
satisfechos en la interacción para realizar un pedido. Esto demuestra que la
implementación permanente de Chatty sería bien
recibida por los usuarios de la plataforma Snap eats,
además de beneficioso respecto al aumento de los pedidos.
Por último, los errores que se detectaron en un ambiente de producci=
ón,
a pesar de ser importantes, no afectaron negativamente la opinión de los
usuarios del chatbot, ya que en su mayoría reci=
bieron
respuestas acertadas por parte del chatbot. Se
considera que son mucho más graves los errores de pedidos que se dieron, a
pesar de ser muy poco representativos a nivel porcentual, son errores que no
solo pueden afectar negativamente a la opinión de los usuarios en caso de
recibir un pedido incorrecto, también puede implicar cargos económicos en
contra de la plataforma para solventar los errores en los pedidos de los
clientes. Por ello, se recomienda mantener siempre una validación humana pa=
ra
verificar que el requerimiento esté correcto, ya que siempre existe la
posibilidad de que el chatbot realice de forma
incorrecta los pedidos de los clientes, aunque esta incidencia sea muy baja=
.
Limitaciones del estudio
Este estudio se encuentra limitado principalmente por el área geográ=
fica
y las condiciones que esta impone, ya que la ciudad de Esmeraldas en que fue
aplicado el chatbot, es considerada de tamaño m=
ediano
con aproximadamente 190.000 habitantes, de los cuáles se cuenta con una bas=
e de
clientes recurrentes de alrededor de 2000 y una baja competitividad en uso =
de
tecnología. Esto indica que los resultados podrían variar en ciudades más g=
randes
con una mayor cantidad de habitantes o con mayor competencia en herramientas
tecnológicas.
Futuras investigaciones
Las futuras investigaciones deben incluir a ciudades y entornos
diversos, con más habitantes y otros competidores comerciales que ofrezcan
servicios similares. También, debe explorarse la opción de utilizar chatbots sin NLP, y que simplemente sigan conversacio=
nes
predefinidas y poco flexibles.
Una gran innovación sería investigar sobre la respuesta de clientes,
frente a un asistente virtual telefónico que utiliza reconocimiento de voz y
NLP para mantener una conversación hablada y fluida con los clientes=
.
<= o:p>
Referencias
Arcuri, =
A.
(2017). RESTful API Automated Test Case Generation [Eb=
ook]
(pp. 9 - 10). Luxembourg, doi: 10.1109/QRS.2017.11
Arias,
O., Loor, J. (2012). Modelo de negocios para el desarrollo de una aplicación para dispositivos móviles
para los usuarios del servicio de taxi de Guayaquil [Tesis de pregrado,
Universidad Católica de Santiago de Guayaquil]. Repositorio UCSG.
Bangare, S., Gupta, S., Dal=
al,
M., Inamdar, A. (2016). Using Node.Js
to Build High Speed and Scalable Backend Database Server. International Jou=
rnal
of Research in Advent Technology, 61-64. https://www.researchgate.net/profile/Sunil_Bangar=
e/publication/301788361_Using_NodeJs_to_Build_High_Speed_and_Scalable_Backe=
nd_Database_Server/links/57285d6c08aee491cb416ad6/Using-NodeJs-to-Build-Hig=
h-Speed-and-Scalable-Backend-Database-Server.pdf
Bloomberg
(2019). Millennials and Generation Z Are Driving the Digital-first Future of
Customer Experience. =
https://www.bloomberg.com/press-releases/2019-12-=
03/millennials-and-generation-z-are-driving-the-digital-first-future-of-cus=
tomer-experience
Bloomberg
(2020). Chatbots Market Size to Reach 2.28593 Billion
by 2025 | Valuates Reports. https://www.bloomberg.com/press-releases/2020-05-=
07/chatbots-market-size-to-reach-2-28593-billion-by-2025-valuates-reports
Castro,
A., & González, J. (2012). Utilidad y funcionamiento de las bases de da=
tos
NoSQL [Ebook] (21st ed., pp. 22-23).
Crockfor=
d, D.
(2008). Javascript The Good Parts [Ebook] (pp. 1 - 3). Simon St. Laurent. https://books.google.com.ec/books?hl=3Des&lr=
=3D&id=3DPXa2bby0oQ0C&oi=3Dfnd&pg=3DPR7&dq=3Djavascript+lan=
guage&ots=3DHLlms3o0mG&sig=3Dp3oSK_YvClgSoSdmYx_XMU8eYB8&redir_=
esc=3Dy#v=3Donepage&q=3Djavascript&f=3Dfalse
Dale, R.=
(2021).
GPT-3: What’s it good for? Natural Language Engineering, 27(1), 113-118.
doi:10.1017/S1351324920000601
Diario Expreso (2020). El
49 % de las compras electrónicas en Ecuador se hicieron por WhatsApp durant=
e el
confinamiento. https://www.expreso.ec/actualidad/economia/49-com=
pras-electronicas-ecuador-hicieron-whatsapp-confinamiento-13930.html=
Firebase=
(2020).
Firebase. https:=
//firebase.google.com.
Fortune =
(2017).
Those Annoying Chatbots Can Save Business Billions. Recuperado
a partir de https:=
//fortune.com/2017/05/10/chatbots-business-billions-savings/
Garibay,
F. (2020). Diseño e implementación de un asistente virtual (Chatbot)
para ofrecer atención a los clientes de una aerolínea mexicana por medio de=
sus
canales conversacionales. Repositorio Infotec
Posgrados. https:=
//infotec.repositorioinstitucional.mx/jspui/bitstream/1027/402/1/INFOTEC_MG=
ITIC_FAGO_27082020.pdf
Guerrero,
J. (2018). Ch=
atbot
para las ventas en la empresa Eximport Distribu=
idores
del Perú S.A.C, Lima 2018. =
https://repositorio.ucv.edu.pe/bitstream/handle/2=
0.500.12692/21690/Guerrero_CJ.pdf?sequence=3D1&isAllowed=3Dy=
Guo, Y.,=
Tan, Y.
(2007). "Applying Support Vector Machines to Chinese Shallow
Parsing," 2007 International Conference on Natural Language Processing=
and
Knowledge Engineering, 2007, pp. 468-475, doi:
10.1109/NLPKE.2007.4368073.
Gupta, J=
., Singh,
V., Kumar, I. (2021) "Florence- A Health Care Chatbot", 2021 7th
International Conference on Advanced Computing and Communication Systems
(ICACCS), 2021, pp. 504-508, doi:
10.1109/ICACCS51430.2021.9442006.
Hlaing, =
Z., Thu,
Y., Wai, M., Supnithi, T., Netisopakul,
P. (2020). "Myanmar POS Resource Extension Effects on Automatic Tagging
Methods," 2020 15th International Joint Symposium on Artificial
Intelligence and Natural Language Processing (iSAI-NLP),
2020, pp. 1-6, doi: 10.1109/iSAI-NLP51646.2020.=
9376835.
Islam, R=
., Mazumder, T. (2010). Mobile application and its global
impact. International Journal of Engineering & Technology. 10(6). 72-78=
. https://www.researchgate.net/profile/Dr_Md_Rashed=
ul_Islam/publication/308022297_Mobile_application_and_its_global_impact/lin=
ks/5991fbafa6fdcc53b79b606d/Mobile-application-and-its-global-impact.pdf.
Leung, X=
. Y.,
Wen, H. (2020). Chatbot usage in restaurant takeout orders: A comparison st=
udy
of three ordering methods. Journal of Hospitality and Tourism Management, 4=
5,
377–386. doi:10.1016/j.jhtm.2020.09.004
Qasse, I., Mishra, S., Hamdaqa, M. (2021) &qu=
ot;iContractBot: A Chatbot for Smart Contracts’ Specific=
ation
and Code Generation," 2021 IEEE/ACM Third International Workshop on Bo=
ts
in Software Engineering (BotSE), 2021, pp. 35-3=
8, doi: 10.1109/BotSE52550.2021.00015.
Pizzolo, S. (2015). La era digital y la
omnicanalidad. Repositorio Universidad de San Andrés. https://repositorio.udesa.edu.ar/jspui/bitstream/=
10908/11981/1/%5bP%5d%5bW%5d%20T.L.%20Adm.%20Pizzolo%2c%20Sof%c3%ada.pdf
Quiñonez,
K. (2020). Análisis de la herramienta “Chatbot”=
y su
influencia comunicacional en los estudiantes de la carrera de tecnología de=
la
información, Universidad Estatal de Manabí. Repositorio Universidad Estatal=
de
Manabí. http:/=
/repositorio.unesum.edu.ec/bitstream/53000/3065/1/TESIS%20DE%20-%20QUI%C3%9=
1ONEZ%20PAUCAR%20%20%20KARLA%20MARIBEL.pdf
Rayfield=
, J., Leff, A. (2001). Web-application development using the
Model/View/Controller design pattern . Proceedin=
gs
Fifth IEEE International Enterprise Distributed Object Computing Conference,
118-127, doi: 10.1109/EDOC.2001.950428
RedHat (2020). ¿Qué son las API y para qué sirv=
en? https://www.redhat.com/es/topics/api/what-are-app=
lication-programming-interfaces.
Shaharban, T., Haroon, R. (2016). "Pragmatic analys=
is
of malayalam sentences," 2016 International
Conference on Inventive Computation Technologies (ICICT), 2016, pp. 1-5,
Shakirat, H. (2014). Client-Server Model [Ebook] (pp. 67-69). Malaysia. https:=
//www.researchgate.net/profile/Shakirat_Sulyman/publication/271295146_Clien=
t-Server_Model/links/5864e11308ae8fce490c1b01/Client-Server-Model.pdf
Tilkov, S., Vinoski=
, S.
(2010). Node.js: Using JavaScript to Build High-Performance Network Programs=
[Ebook] (14th ed., pp. 80-83), do=
i:
10.1109/MIC.2010.145
Troncoso,
A. (2012) Sistema para el Aprendizaje del Mapudungun. Incluyendo
características de reconocimiento de voz y bot
conversacional. Pontificia Universidad Católica de Valparaíso. Diciembre,
2012. http://opac.pucv.cl/pucv_tx=
t/txt-0000/UCE0140_01.pdf
Zadeh, L=
. A.
(2003). Precisiated natural language (PNL)-towa=
rd an
enlargement of the role of natural languages
in computation, deduction, definition and
decision. International Conference on Natural Language Processing and Knowl=
edge
Engineering, 2003. Proceedings. 2003, doi:10.1109/nlpke.2003.1275858
Zong, Z., Hong, C. (2018). On Application of Natural Language Processing=
in
Machine Translation. 2018 3rd International Conference on Mechanical, Contr=
ol
and Computer Engineering (ICMCCE). doi:10.1109/icmcce.2018.00112.
5
Implementación de un chatbot con NLP para recibir pedidos en una plata=
forma
de delivery