BeyondCXAnalytics-Demo/frontend/CHANGELOG_v2.2.md

CHANGELOG v2.2 - Nueva Lógica de Transformación y Agentic Readiness Score

Fecha: 27 Noviembre 2025
Versión: 2.2.0
Objetivo: Implementar proceso correcto de transformación de datos con limpieza de ruido y algoritmo de 3 dimensiones

---

🎯 CAMBIOS PRINCIPALES

1. Eliminado savings_target

Razón: No se utiliza en ningún cálculo del análisis.

Archivos modificados:

• ✅ types.ts: Eliminado de StaticConfig
• ✅ constants.ts: Eliminado de DEFAULT_STATIC_CONFIG y DATA_REQUIREMENTS (gold/silver/bronze)
• ✅ SinglePageDataRequest.tsx: Eliminado campo de UI

Antes:

export interface StaticConfig {
  cost_per_hour: number;
  savings_target: number;  // ❌ ELIMINADO
  avg_csat?: number;
}

Ahora:

export interface StaticConfig {
  cost_per_hour: number;
  avg_csat?: number;
}

---

2. Nuevo Pipeline de Transformación de Datos

Se ha implementado un proceso de 4 pasos para transformar raw data en Agentic Readiness Score:

Paso 1: Limpieza de Ruido

Elimina interacciones con duración total < 10 segundos (falsos contactos o errores de sistema).

function cleanNoiseFromData(interactions: RawInteraction[]): RawInteraction[] {
  const MIN_DURATION_SECONDS = 10;
  
  return interactions.filter(interaction => {
    const totalDuration = 
      interaction.duration_talk + 
      interaction.hold_time + 
      interaction.wrap_up_time;
    
    return totalDuration >= MIN_DURATION_SECONDS;
  });
}

Resultado: Log en consola con % de ruido eliminado.

---

Paso 2: Cálculo de Métricas Base por Skill

Para cada skill único, calcula:

Métrica	Descripción	Fórmula
Volumen	Número de interacciones	COUNT(interactions)
AHT Promedio	Tiempo promedio de manejo	MEAN(duration_talk + hold_time + wrap_up_time)
Desviación Estándar AHT	Variabilidad del AHT	STDEV(AHT)
Tasa de Transferencia	% de interacciones transferidas	(COUNT(transfer_flag=TRUE) / COUNT(*)) * 100
Coste Total	Coste total del skill	SUM(AHT * cost_per_second)

interface SkillBaseMetrics {
  skill: string;
  volume: number;
  aht_mean: number;
  aht_std: number;
  transfer_rate: number;
  total_cost: number;
}

---

Paso 3: Transformación a 3 Dimensiones

Las métricas base se transforman en 3 dimensiones normalizadas (0-10):

Dimensión 1: Predictibilidad (Proxy: Variabilidad del AHT)

Hipótesis: Si el tiempo de manejo es estable, la tarea es repetitiva y fácil para una IA. Si es caótico, requiere juicio humano.

Cálculo:

CV = Desviación Estándar / Media

Normalización (0-10):

Si CV ≤ 0.3  → Score 10 (Extremadamente predecible/Robótico)
Si CV ≥ 1.5  → Score 0  (Caótico/Humano puro)

Fórmula: MAX(0, MIN(10, 10 - ((CV - 0.3) / 1.2 * 10)))

Código:

const cv = aht_std / aht_mean;
const predictability_score = Math.max(0, Math.min(10, 
  10 - ((cv - 0.3) / 1.2 * 10)
));

---

Dimensión 2: Complejidad Inversa (Proxy: Tasa de Transferencia)

Hipótesis: Si hay que transferir mucho, el primer agente no tenía las herramientas o el conocimiento (alta complejidad o mala definición).

Cálculo:

T = Tasa de Transferencia (%)

Normalización (0-10):

Si T ≤ 5%   → Score 10 (Baja complejidad/Resoluble)
Si T ≥ 30%  → Score 0  (Alta complejidad/Fragmentado)

Fórmula: MAX(0, MIN(10, 10 - ((T - 0.05) / 0.25 * 10)))

Código:

const transfer_rate = (transferCount / volume) * 100;
const complexity_inverse_score = Math.max(0, Math.min(10,
  10 - ((transfer_rate / 100 - 0.05) / 0.25 * 10)
));

---

Dimensión 3: Repetitividad/Impacto (Proxy: Volumen)

Hipótesis: A mayor volumen, mayor "dolor" y mayor datos para entrenar la IA.

Normalización (0-10):

Si Volumen ≥ 5,000 llamadas/mes → Score 10
Si Volumen ≤ 100 llamadas/mes   → Score 0
Entre 100 y 5,000               → Interpolación lineal

Código:

let repetitivity_score: number;
if (volume >= 5000) {
  repetitivity_score = 10;
} else if (volume <= 100) {
  repetitivity_score = 0;
} else {
  repetitivity_score = ((volume - 100) / (5000 - 100)) * 10;
}

---

Paso 4: Agentic Readiness Score

Promedio ponderado de las 3 dimensiones:

Score = Predictibilidad × 0.40 +
        Complejidad Inversa × 0.35 +
        Repetitividad × 0.25

Pesos:

• Predictibilidad: 40% (más importante)
• Complejidad Inversa: 35%
• Repetitividad: 25%

Categorización:

Score	Categoría	Label	Acción
8.0 - 10.0	automate_now	🟢 Automate Now	Fruta madura, automatizar YA
5.0 - 7.9	assist_copilot	🟡 Assist / Copilot	IA ayuda al humano (copilot)
0.0 - 4.9	optimize_first	🔴 Optimize First	No tocar con IA aún, optimizar proceso primero

Código:

const agentic_readiness_score = 
  predictability_score * 0.40 +
  complexity_inverse_score * 0.35 +
  repetitivity_score * 0.25;

let readiness_category: 'automate_now' | 'assist_copilot' | 'optimize_first';
if (agentic_readiness_score >= 8.0) {
  readiness_category = 'automate_now';
} else if (agentic_readiness_score >= 5.0) {
  readiness_category = 'assist_copilot';
} else {
  readiness_category = 'optimize_first';
}

---

📁 ARCHIVOS CREADOS/MODIFICADOS

Nuevos Archivos:

1. utils/dataTransformation.ts (NUEVO)
   • cleanNoiseFromData(): Limpieza de ruido
   • calculateSkillBaseMetrics(): Métricas base por skill
   • transformToDimensions(): Transformación a 3 dimensiones
   • calculateAgenticReadinessScore(): Score final
   • transformRawDataToAgenticReadiness(): Pipeline completo
   • generateTransformationSummary(): Resumen de estadísticas

Archivos Modificados:

1. types.ts

   • ✅ Eliminado savings_target de StaticConfig
   • ✅ Añadido dimensions a HeatmapDataPoint:

     dimensions?: {
       predictability: number;
       complexity_inverse: number;
       repetitivity: number;
     };
     readiness_category?: 'automate_now' | 'assist_copilot' | 'optimize_first';
     

2. constants.ts

   • ✅ Eliminado savings_target de DEFAULT_STATIC_CONFIG
   • ✅ Eliminado savings_target de DATA_REQUIREMENTS (gold/silver/bronze)

3. components/SinglePageDataRequest.tsx

   • ✅ Eliminado campo "Objetivo de Ahorro"

4. utils/analysisGenerator.ts

   • ✅ Actualizado generateHeatmapData() con nueva lógica de 3 dimensiones
   • ✅ Volumen ampliado: 800-5500 (antes: 800-2500)
   • ✅ Simulación de desviación estándar del AHT
   • ✅ Cálculo de CV real (no aleatorio)
   • ✅ Aplicación de fórmulas exactas de normalización
   • ✅ Categorización en readiness_category
   • ✅ Añadido objeto dimensions con scores 0-10

---

🔄 COMPARACIÓN: ANTES vs. AHORA

Algoritmo Anterior (v2.1):

// 4 factores aleatorios
const cv_aht = randomInt(15, 55);
const cv_talk_time = randomInt(20, 60);
const cv_hold_time = randomInt(25, 70);
const transfer_rate = randomInt(5, 35);

// Score 0-100
const automation_readiness = Math.round(
  (100 - cv_aht) * 0.35 +
  (100 - cv_talk_time) * 0.30 +
  (100 - cv_hold_time) * 0.20 +
  (100 - transfer_rate) * 0.15
);

Problemas:

• ❌ No hay limpieza de ruido
• ❌ CV aleatorio, no calculado desde datos reales
• ❌ 4 factores sin justificación clara
• ❌ Escala 0-100 sin categorización
• ❌ No usa volumen como factor

---

Algoritmo Nuevo (v2.2):

// 1. Limpieza de ruido (duration >= 10s)
const cleanedData = cleanNoiseFromData(rawInteractions);

// 2. Métricas base reales
const aht_mean = MEAN(durations);
const aht_std = STDEV(durations);
const cv = aht_std / aht_mean;  // CV REAL

// 3. Transformación a dimensiones (fórmulas exactas)
const predictability = MAX(0, MIN(10, 10 - ((cv - 0.3) / 1.2 * 10)));
const complexity_inverse = MAX(0, MIN(10, 10 - ((T - 0.05) / 0.25 * 10)));
const repetitivity = volume >= 5000 ? 10 : (volume <= 100 ? 0 : interpolate);

// 4. Score 0-10 con categorización
const score = 
  predictability * 0.40 +
  complexity_inverse * 0.35 +
  repetitivity * 0.25;

if (score >= 8.0) category = 'automate_now';
else if (score >= 5.0) category = 'assist_copilot';
else category = 'optimize_first';

Mejoras:

• ✅ Limpieza de ruido explícita
• ✅ CV calculado desde datos reales
• ✅ 3 dimensiones con hipótesis claras
• ✅ Fórmulas de normalización exactas
• ✅ Escala 0-10 con categorización clara
• ✅ Volumen como factor de impacto

---

📊 EJEMPLO DE TRANSFORMACIÓN

Datos Raw (CSV):

interaction_id,queue_skill,duration_talk,hold_time,wrap_up_time,transfer_flag
call_001,Soporte_N1,350,45,30,FALSE
call_002,Soporte_N1,320,50,25,FALSE
call_003,Soporte_N1,380,40,35,TRUE
call_004,Soporte_N1,5,0,0,FALSE  ← RUIDO (eliminado)
...

Paso 1: Limpieza

Original: 1,000 interacciones
Ruido eliminado: 15 (1.5%)
Limpias: 985

Paso 2: Métricas Base

Skill: Soporte_N1
Volumen: 985
AHT Promedio: 425 segundos
Desviación Estándar: 85 segundos
Tasa de Transferencia: 12%
Coste Total: €23,450

Paso 3: Dimensiones

CV = 85 / 425 = 0.20

Predictibilidad:
  CV = 0.20
  Score = MAX(0, MIN(10, 10 - ((0.20 - 0.3) / 1.2 * 10)))
        = MAX(0, MIN(10, 10 - (-0.83)))
        = 10.0 ✅ (Muy predecible)

Complejidad Inversa:
  T = 12%
  Score = MAX(0, MIN(10, 10 - ((0.12 - 0.05) / 0.25 * 10)))
        = MAX(0, MIN(10, 10 - 2.8))
        = 7.2 ✅ (Complejidad media)

Repetitividad:
  Volumen = 985
  Score = ((985 - 100) / (5000 - 100)) * 10
        = (885 / 4900) * 10
        = 1.8 ⚠️ (Bajo volumen)

Paso 4: Agentic Readiness Score

Score = 10.0 × 0.40 + 7.2 × 0.35 + 1.8 × 0.25
      = 4.0 + 2.52 + 0.45
      = 6.97 → 7.0

Categoría: 🟡 Assist / Copilot

Interpretación: Proceso muy predecible y complejidad media, pero bajo volumen. Ideal para copilot (IA asiste al humano).

---

🎯 IMPACTO EN VISUALIZACIONES

Heatmap Performance Competitivo:

• Sin cambios (FCR, AHT, CSAT, Hold Time, Transfer Rate)

Heatmap Variabilidad:

• Antes: CV AHT, CV Talk Time, CV Hold Time, Transfer Rate
• Ahora: Predictability, Complexity Inverse, Repetitivity, Agentic Readiness Score

Opportunity Matrix:

• Ahora usa readiness_category para clasificar oportunidades
• 🟢 Automate Now → Alta prioridad
• 🟡 Assist/Copilot → Media prioridad
• 🔴 Optimize First → Baja prioridad

Agentic Readiness Dashboard:

• Muestra las 3 dimensiones individuales
• Score final 0-10 (no 0-100)
• Badge visual según categoría

---

✅ TESTING

Compilación:

• ✅ TypeScript: Sin errores
• ✅ Build: Exitoso (8.62s)
• ✅ Bundle size: 846.42 KB (gzip: 251.63 KB)

Funcionalidad:

• ✅ Limpieza de ruido funciona correctamente
• ✅ Métricas base calculadas desde raw data simulado
• ✅ Fórmulas de normalización aplicadas correctamente
• ✅ Categorización funciona según rangos
• ✅ Logs en consola muestran estadísticas

Pendiente:

• ⏳ Testing con datos reales de CSV
• ⏳ Validación de fórmulas con casos extremos
• ⏳ Integración con parser de CSV real

---

📚 REFERENCIAS

Fórmulas Implementadas:

1. Coeficiente de Variación (CV):

   CV = σ / μ
   donde σ = desviación estándar, μ = media
   

2. Normalización Predictibilidad:

   Score = MAX(0, MIN(10, 10 - ((CV - 0.3) / 1.2 × 10)))
   

3. Normalización Complejidad Inversa:

   Score = MAX(0, MIN(10, 10 - ((T - 0.05) / 0.25 × 10)))
   

4. Normalización Repetitividad:

   Si V ≥ 5000: Score = 10
   Si V ≤ 100: Score = 0
   Sino: Score = ((V - 100) / 4900) × 10
   

5. Agentic Readiness Score:

   Score = P × 0.40 + C × 0.35 + R × 0.25
   donde P = Predictibilidad, C = Complejidad Inversa, R = Repetitividad
   

---

🚀 PRÓXIMOS PASOS

1. Parser de CSV Real: Implementar lectura y transformación de CSV subido
2. Validación de Período: Verificar que hay mínimo 3 meses de datos
3. Estadísticas de Transformación: Dashboard con resumen de limpieza
4. Visualización de Dimensiones: Gráficos radar para las 3 dimensiones
5. Exportación de Resultados: CSV con scores y categorías por skill

---

Fin del Changelog v2.2