Clasificación de correos y pedidos: caso peruano

En tu empresa recibes cientos de correos y órdenes cada día, y la falta de un filtro fiable genera retrabajos, demoras y errores en la atención al cliente. En este artículo verás, paso a paso, cómo una compañía peruana resolvió ese problema con clasificación automática de correos y pedidos.

El punto de partida

Tipo de empresa: distribuidora de insumos industriales con 120 empleados, sede central en Lima y dos almacenes regionales.

Sector: suministro a la construcción y minería, donde la rapidez en la gestión de pedidos es crítica.

Tamaño: facturación anual cercana a los 80 millones de soles, con una cartera de 1 200 clientes activos.

Problema concreto: el equipo de operaciones recibía, en promedio, 850 correos diarios y 400 pedidos electrónicos. El 38 % de los mensajes terminaba en la bandeja de “general”, sin ser asignado; los pedidos se ingresaban manualmente en el ERP, provocando un tiempo medio de 22 minutos por orden y un 7 % de errores de digitación que generaban reclamos y retrasos de entrega.

Qué se hizo y por qué

Decisiones clave

1. Seleccionar una solución basada en IA local: se evaluaron tres proveedores. La opción A ofrecía un modelo preentrenado en inglés, mientras que la opción B (Kovensa) propuso entrenar un modelo con datos propios en español peruano y con reconocimiento de formatos de SUNAT. Se descartó A por la barrera idiomática y B por la falta de soporte post‑implementación. Finalmente, se optó por la opción C, una plataforma modular que permite integrar clasificación de correos y automatización de pedidos sin cambiar el ERP actual.
2. Definir flujos de clasificación: se mapearon cinco categorías de correo (consulta comercial, soporte técnico, facturación, reclamos y spam) y tres tipos de pedido (urgente, estándar, programado). Cada categoría se asignó a un responsable y a una cola de trabajo en el sistema interno.
3. Entrenamiento del modelo: se extrajeron 12 000 correos históricos (2019‑2024) y 3 500 órdenes. Con un proceso de etiquetado interno de 3 semanas, el modelo alcanzó una precisión del 94 % en pruebas piloto.
4. Integración con el ERP: mediante APIs REST, los pedidos clasificados se enviaron automáticamente al módulo de compras, creando la orden en menos de 5 segundos.
5. Automatizar respuestas: para consultas frecuentes (p.ej., estado de envío) se configuró una plantilla de respuesta que se disparaba al detectar la categoría correspondiente.

Lo que se descartó

• Uso de reglas estáticas: se consideró un motor de reglas basado en palabras clave, pero la variabilidad del lenguaje peruano (uso de “guía”, “remesa”, abreviaturas) provocaba más falsos positivos que beneficios.
• Externalizar el proceso: contratar un call‑center externo resultó más costoso (15 % más) y no resolvía el problema de la trazabilidad de los datos dentro del ERP.

Qué cambió en el día a día

Antes

• Recepción: 850 correos se revisaban manualmente, con una carga de trabajo de 3 horas diarias para el equipo de atención.
• Ingreso de pedidos: cada orden requería abrir el ERP, copiar datos y validar contra la SUNAT; el proceso tomaba 22 minutos por pedido.
• Errores: 7 % de los pedidos tenían datos incorrectos, generando reclamos que aumentaban el tiempo de entrega en un 12 %.
• Reportes: al cierre del día, el responsable enviaba manualmente un reporte de desempeño por correo, consumiendo 45 minutos.

Después

• Recepción: la IA dirige automáticamente el 92 % de los correos a la cola correspondiente; el equipo solo revisa 70 correos de excepción en 15 minutos.
• Ingreso de pedidos: los 400 pedidos diarios se registran en el ERP en menos de 5 segundos cada uno, eliminando el tiempo de digitación.
• Errores: la tasa de errores cayó al 1,2 %, reduciendo los reclamos en 8 % y mejorando el cumplimiento de plazos de entrega en un 10 %.
• Reportes: se programó el envío automático de un reporte semanal de métricas de clasificación y tiempos de procesamiento, ahorrando 45 minutos diarios.

Impacto cuantitativo

• Ahorro de tiempo: 3 horas + 45 minutos = 3,75 horas diarias, equivalentes a 19 horas semanales para el equipo de operaciones.
• Reducción de costos operativos: al liberar al personal de tareas repetitivas, se reasignaron 2 personas a actividades de ventas, incrementando la facturación en un 3 % en el primer trimestre.
• Cumplimiento SUNAT: al generar automáticamente los documentos electrónicos, se evitó cualquier riesgo de sanción por errores de facturación.

Qué es replicable y qué no

Replicable

• Modelo de entrenamiento: el proceso de extracción y etiquetado de correos históricos funciona en cualquier sector que maneje gran volumen de comunicaciones.
• Integración mediante APIs: la mayoría de los ERP peruanos (SAP, Microsoft Dynamics, Odoo) aceptan llamadas REST, por lo que la automatización del ingreso de pedidos es transferible.
• Plantillas de respuestas: la lógica de disparar respuestas automáticas a consultas frecuentes es aplicable a cualquier empresa que reciba preguntas repetitivas.

No replicable

• Regulaciones específicas: la adaptación a los formatos de facturación electrónica de SUNAT y a los códigos de producto de la industria minera requiere ajustes que varían según el sector.
• Infraestructura de datos: esta empresa ya contaba con un data‑lake interno que facilitó el entrenamiento del modelo; organizaciones sin esa base necesitarán invertir tiempo adicional en consolidar datos.
• Cultura organizacional: el éxito dependió de la aceptación del equipo de operaciones, que participó activamente en la fase de etiquetado. Empresas con resistencia al cambio podrían experimentar una curva de adopción más larga.

Conclusión

Si tu empresa peruana gestiona gran cantidad de correos y pedidos, la clasificación automática no es solo una mejora tecnológica, es una transformación operativa. En el caso presentado, la empresa redujo en más del 90 % el tiempo dedicado a la gestión de comunicaciones, disminuyó los errores de digitación a menos del 2 % y liberó recursos humanos para actividades de mayor valor. Los pasos clave —definir categorías, entrenar un modelo con datos locales, integrar vía APIs y automatizar respuestas— son aplicables a la mayoría de los sectores, siempre que se tenga en cuenta la normativa peruana y la disposición del equipo a adoptar la nueva forma de trabajo.