El mono te quiere: El peligro de los comentarios simplistas de los clientes

¿Qué puede enseñarnos un episodio de Black Mirror sobre CX y NPS? Profundicemos en la preocupante naturaleza de minimizar el abanico de emociones de los clientes a una métrica básica.

Si no eres fan de Black Mirror o no te has animado a pagar una suscripción a Netflix, por favor, ten paciencia conmigo, especialmente si te interesa la gestión de las opiniones de los clientes.

El episodio que se me quedó grabado fue el de Black Museum de la cuarta temporada y, en concreto, una de las historias secundarias: El mono te quiere. En él se plantea el inquietante escenario en el que la conciencia de la difunta esposa del protagonista se transfiere a un mono mecánico parecido a un osito de peluche, a través del cual sólo puede expresarse utilizando dos frases básicas: "El mono te quiere" o "El mono necesita un abrazo".

A través de este concepto, el episodio explora cómo las expresiones humanas se ven limitadas y distorsionadas por la tecnología, reduciendo la conexión humana a algo mecánico y ausente de toda profundidad real. 

La intención de este episodio no era, desde luego, abordar cómo recopilamos y analizamos los comentarios de las encuestas, pero me hizo preguntarme: ¿hasta qué punto estamos reduciendo las experiencias de nuestros clientes en nuestros análisis?

La trampa del NPS, el punto ciego del promotor y otras trampas del análisis de encuestas

El Net Promoter Score es una referencia estándar utilizada por empresas de todo el mundo, por lo que es una buena forma de que las empresas midan su rendimiento en comparación con sus competidores. Sin embargo, el inconveniente de esta simplificación excesiva es que crea una visión de túnel, también conocida como la trampa del NPS. En esencia, nos advierte de los peligros de simplificar en exceso el complejo panorama de las experiencias de los clientes.

Con demasiada frecuencia, el análisis de las encuestas se centra únicamente en los comentarios de los detractores, pasando por alto las sutiles frustraciones ocultas en métricas por lo demás positivas. Esto puede dar lugar a lo que podríamos denominar "punto ciego del promotor", en el que las valiosas insights de los clientes leales pasan desapercibidas simplemente porque sus puntuaciones son altas. A menudo, estos clientes siguen describiendo fricciones, decepciones u oportunidades perdidas, pero sus voces no reciben la misma atención. 

Es importante reconocer que la insatisfacción no siempre viene acompañada de una puntuación baja, y la lealtad no significa silencio sobre lo que hay que mejorar.

Nos enfrentamos a retos similares con los datos de nuestros contact center . Las encuestas posteriores a la llamada suelen ser nuestra principal lente para conocer la experiencia del cliente: Puntuaciones CSAT, índices de resolución o incluso comentarios abiertos. Pero todas ellas se realizan después de que haya pasado el momento. Sólo ofrecen una visión parcial de lo que realmente ha ocurrido y menos aún de por qué.

Lo que tendemos a pasar por alto es la parte más humana del servicio al cliente: la conversación en sí. Los centros de contacto no son sólo operaciones de asistencia. Están llenos de preguntas en tiempo real, confusión, frustración, necesidades y momentos que importan. Pero, ¿con qué frecuencia escuchamos de verdad? Un cliente puede dar una puntuación positiva en una encuesta porque el agente fue amable, mientras que el verdadero problema que causó la llamada está enterrado en las palabras de la conversación, no en la casilla de la encuesta.

Cómo escuchar a los clientes más profundamente

Ahora que hemos explorado algunos de los puntos ciegos y las limitaciones inherentes al análisis de datos de la experiencia del cliente cuando se centra únicamente en las métricas, vamos a profundizar en cómo podemos superar estos desafíos con Text Analytics. 

Text Analytics ayuda a estructurar y priorizar los datos no estructurados, las propias conversaciones o los comentarios abiertos de las encuestas, ya que contienen la insights más rica, más allá de las métricas tradicionales, y nos permiten escuchar realmente lo que el cliente ha expresado. 

Temas 

Empecemos por lo básico: los temas que se aplican a los datos no estructurados. Un tema es esencialmente un conjunto de combinaciones de palabras clave, diseñadas para capturar comentarios específicos dentro de las opiniones de los clientes. Por ejemplo, un tema puede marcar frases como "la persona que me ayudó se mostró impaciente conmigo". Este enfoque le permite organizar el texto no estructurado en categorías significativas que denominamos Temas.

La base de un análisis de texto eficaz reside en la creación de una lista de temas que refleje las principales operaciones de su empresa. Los temas específicos del sector ayudan a garantizar que la insights que recopile sea relevante y procesable en el contexto de sus productos, servicios y recorridos de los clientes.

Una vez establecida una lista de temas adecuada, el objetivo no es que puedas seguir leyéndola comentario a comentario. En lugar de eso, la organizamos para poder ayudarte a identificar rápidamente los temas que requieren tu atención. Destacamos los volúmenes de temas, los promedios de NPS y las métricas basadas en el sentimiento (de las que hablaremos más adelante).

Más allá de estos temas esenciales específicos del sector, los temas con un ángulo único de los datos ofrecen una capa adicional de conocimiento. Por ejemplo, nuestros temas sobre emociones, crisis mentales y sugerencias de clientes. Estos temas exclusivos pueden ayudarle enormemente a encontrar capas valiosas en sus temas existentes. Le explicaré cómo.

Tema Co-ocurrencia

El módulo Topic Co-occurrence de Medallia Text Analytics ayuda a revelar cómo diferentes temas o problemas aparecen juntos en los comentarios de los clientes. En lugar de analizar los temas de forma aislada, esta herramienta identifica patrones en los que aparecen dos o más temas en el mismo comentario, ya sea en todo el comentario o incluso en la misma frase. Este nivel de detalle ayuda a descubrir conexiones que pueden no ser obvias a través del análisis estándar de temas.

Por ejemplo, emparejar su lista de temas principales específicos del sector con temas de señales emocionales le permite ver qué problemas comunes, como la configuración del producto, la facturación o la asistencia del agente, se asocian frecuentemente con fuertes respuestas emocionales. Su tema "Facilidad de comprensión de la facturación" podría coincidir a menudo con el tema emocional "Ansiedad". También puede filtrar la co-ocurrencia por sentimiento, o incluso por hablante (agente vs. cliente) al analizar los datos de conversación. Esto le permite determinar con precisión si un problema específico es planteado por el cliente, abordado por el agente, o ambos, al analizar las conversaciones de su contact center .

Este tipo de conocimiento por capas es clave para identificar las causas de fondo, hacer un seguimiento de los problemas emergentes y comprender cómo afectan las distintas experiencias a la percepción general del cliente. Mediante el uso de la co-ocurrencia de temas, las empresas pueden realizar mejoras más específicas e informadas en productos, servicios y comunicación.

Análisis del sentimiento 

Otra forma de desentrañar los datos no estructurados es utilizar el modelo de sentimiento a nivel de tema.

El motor de sentimientos de Medalliaevalúa el tono de cada frase de los comentarios, ya procedan de encuestas, chats o transcripciones de conversaciones, y las clasifica de muy negativas a muy positivas, con categorías intermedias.

En los informes de Text Analytics, este sentimiento a nivel de frase se despliega para mostrar cómo se comporta cada tema a nivel de sentimiento. Por ejemplo, puede descubrir rápidamente que el tema "Buscar productos online" tiene un porcentaje negativo del 60%. 

Pero el sentimiento hace algo más que resaltar las experiencias negativas. Desempeña un papel clave a la hora de establecer prioridades. Una métrica clave es la Puntuación Neta de Sentimiento (NSS), que es simplemente el porcentaje de sentimientos positivos menos el porcentaje de sentimientos negativos. Esta puntuación le ayuda a comprender rápidamente si un tema se inclina más hacia lo positivo o hacia lo negativo.

La NSS es una métrica muy valiosa y fácil de usar, pero no tiene en cuenta la frecuencia con la que surge un tema. Para ayudarte a priorizar, especialmente cuando comparas un tema muy negativo con miles de comentarios con uno con sólo unos pocos, utilizamos la puntuación de impacto de la NSS. Esta métrica combina la puntuación del sentimiento con el volumen de ese tema específico, para calcular su influencia global en su Puntuación Neta de Sentimiento. En resumen, le indica la fuerza con la que un tema influye en el sentimiento de sus clientes, para que pueda centrarse en los asuntos más importantes.

Más allá del PNS 

Del mismo modo que la frase Monkey loves you o Monkey needs a hug de Black Mirror representa una expresión limitada de los sentimientos humanos, debemos asegurarnos de que nuestro análisis de las opiniones de los clientes no caiga en la misma trampa. 

No basta con entender que un cliente "nos quiere". Tenemos que profundizar para entender por qué se sienten así. Utilizando el análisis de múltiples textos, obtenemos una imagen más rica y completa tanto de nuestros puntos fuertes como de las áreas en las que podemos mejorar. 

El mundo del análisis de texto es increíblemente rico y ofrece innumerables formas de escuchar con mayor profundidad y significado. Lo que he compartido aquí solo araña la superficie; con las nuevas capacidades de IA, como el resumen y la detección de temas, tenemos más herramientas que nunca para ir más allá del sentimiento y descubrir las historias reales que hay detrás de las puntuaciones. 

Pero lo más importante es que no se trata sólo de oír que Monkey te quiere, sino de aprender a mantener ese amor en crecimiento y evolución.

¿Te has dado cuenta de que los índices de las encuestas están disminuyendo rápidamente? Esta es nuestra guía sobre cómo navegar por esta nueva realidad.