Antecedentes
En el departamento de atención al cliente, cuando los clientes se ponen en contacto con nosotros, clasificamos la interacción en función de los problemas que tienen los clientes. Por ejemplo, el cliente X se puso en contacto con nosotros por un problema de "Pedido no entregado", el cliente Y se puso en contacto con nosotros por "Paquete roto", y el cliente Z se puso en contacto con nosotros por un problema de "Consulta sobre el estado del pedido", etc. Hay unos 100 problemas diferentes que controlamos.
En nuestros informes, los agregamos con los recuentos y los clasificamos según su número. Por ejemplo, los 15 mejores temas en un día, una semana o un mes.
El número de pedidos y la cantidad de quejas están correlacionados, lo que significa que si hay más pedidos, habrá más quejas. Si hay menos pedidos, habrá menos quejas.
Objetivo
El objetivo es detectar el cambio de rango. Por ejemplo, cuando una incidencia pasa del rango 15 al rango 8. Queremos entender cuándo ocurre esto (cuando un problema empieza a afectar a más clientes de los que normalmente lo hacen) y recibir alertas de la subida del problema.
Para ello, me gustaría detectar anomalías en las series temporales. Mi pregunta es ¿qué técnica o algoritmo de aprendizaje automático recomiendan para detectar anomalías en los datos de las series temporales?
