Herramienta de automatización de tareas usando IA

Abstract

Este trabajo desarrolla un motor analítico que estima el valor económico de la automatización de recordatorios de cita en clínicas privadas españolas, y fundamenta sobre esa estimación una estrategia de pricing basado en valor para el proyecto aiXtensa. La inasistencia a citas, o no-show, genera un coste directo y un coste de capacidad ociosa difícil de recuperar. El recordatorio por SMS es la intervención más barata y escalable para reducirla. El análisis se apoya en un registro de unas 107.000 citas, empleado como proxy conductual, con los parámetros económicos calibrados al mercado español. Combina cuatro piezas: un modelo predictivo de riesgo de no-show con gradient boosting calibrado e interpretado con valores SHAP, un análisis de inferencia causal del efecto del SMS con diagnósticos preespecificados, una segmentación de pacientes por perfil de riesgo y una simulación Monte Carlo del valor recuperado. El análisis exploratorio revela un fuerte sesgo de selección, porque el recordatorio se asignó a las citas de mayor riesgo. El análisis causal muestra que, con los datos observacionales disponibles, el efecto del SMS no es identificable de forma estable, lo que constituye en sí un resultado metodológico. Por ello, la simulación económica se apoya en la evidencia experimental publicada. La segmentación muestra que las inasistencias se concentran en los segmentos de mayor riesgo, mientras que el grupo de bajo riesgo apenas las genera, lo que indica que un envío uniforme de recordatorios es subóptimo. El modelo sitúa el valor neto mensual recuperado por clínica en una mediana en torno a 1.300 euros, y ancla tres tarifas, conservadora, recomendada y premium, a los percentiles de la distribución de valor. El trabajo concluye que la medición experimental debe formar parte del propio servicio.

This thesis develops an analytical engine that estimates the economic value of automating appointment reminders in Spanish private healthcare clinics, and uses that estimate to ground a value-based pricing strategy for the aiXtensa venture. Missed appointments, or no-shows, generate both a direct revenue loss and an idle-capacity cost that is hard to recover. SMS reminders are the cheapest and most scalable intervention to reduce them. The analysis draws on a record of around 107,000 appointments, used as a behavioural proxy, with the economic parameters calibrated to the Spanish market. It combines four components: a no-show risk model built with calibrated gradient boosting and interpreted with SHAP values, a causal inference analysis of the SMS effect with pre-specified diagnostics, a patient segmentation by risk profile and a Monte Carlo simulation of the recovered value. The exploratory analysis reveals a strong selection bias, since reminders were sent to the highest-risk appointments. The causal analysis shows that, with the available observational data, the effect of SMS is not stably identifiable, which is itself a methodological result. The economic simulation therefore relies on published experimental evidence. The segmentation shows that missed appointments concentrate in the higher-risk segments, while the low-risk group barely produces any, indicating that sending reminders uniformly is suboptimal. The model places the median monthly net value recovered per clinic at around 1,300 euros and anchors three pricing tiers, conservative, recommended and premium, to the percentiles of the value distribution. The work concludes that experimental measurement should be part of the service itself.