Las empresas necesitan analizar el feedback que los clientes expresan a través de multitud de canales no estructurados: encuestas, entrevistas, contact center, medios sociales. Pero las soluciones de analítica de texto disponibles se limitan a un análisis superficial de los comentarios. En este post te enseñamos cómo utilizar una analítica profunda para obtener una visión completa de sus opiniones, percepciones, emociones e intenciones.
Las empresas necesitamos enfocarnos en el cliente para entender sus necesidades y opiniones y así definir el proverbial “segmento de 1”. Ello nos obliga a implementar iniciativas de análisis de la voz del cliente (VoC) que van mucho más allá de la típica encuesta de satisfacción periódica con puntuaciones numéricas, para buscar nuevas fuentes de insights.
El feedback no estructurado: una gran oportunidad… desaprovechada
Y en este campo, el feedback no estructurado (que no se presta fácilmente a representarlo “en filas y columnas”) y no solicitado de clientes es cada vez más abundante y más importante. Por suerte o por desgracia los clientes hablan de nosotros incluso aunque no se lo solicitemos… y no lo deseemos. Los canales y medios a través de los cuales los clientes se expresan son muy variados:
- Entrevistas personales, que se traducen en grabaciones de audio y transcripciones.
- Encuestas, donde cada vez son más habituales las preguntas abiertas para que los clientes puedan explicar el porqué de sus valoraciones.
- Contact center, que ahora es intrínsecamente multicanal y recoge interacciones vía voz, email, chat, bot y social.
- Medios sociales, con toda su variedad de redes sociales, blogs, foros, sitios de reseñas y comunidades.
Y ¿por qué es valioso analizar todo ese feedback no estructurado y no solicitado? Entre otras cosas, porque nos permite sortear algunas de las limitaciones de las técnicas típicas de la VoC -que están basadas en la verbalización y el recuerdo conscientes- con todos sus errores, sesgos y tendencia a dar respuestas educadas e insinceras. Por el contrario, el feedback no estructurado y no solicitado nos permite eludir esas limitaciones porque:
- Es más espontáneo, sincero y expresado en las palabras del cliente, lo que nos permite entender cómo los clientes perciben y viven sus problemas y frustraciones.
- Es más contextual -alejado del marco artificial de muchas técnicas tradicionales- y nos permite explorar y descubrir nuevos temas y aspectos relevantes (al fin y al cabo, los clientes hablan cuando y de lo que quieren).
- Posee una capacidad viral, de multiplicarse a través de las redes donde se expresa, que puede crear verdaderas crisis de reputación.
Pero extraer el valor de todo este feedback no está exento de retos, al tratarse de un problema inherentemente big data: algunas empresas pueden necesitar analizar millones de interacciones al mes (Volumen), ciertas aplicaciones -p. ej., monitorización social- exigen tiempos de respuesta muy rápida (Velocidad), y se trata de información que llega en muy diferentes formatos: texto, audio, imagen… (Variedad).
Por ello, muchas empresas carecen de los medios para analizar el feedback no estructurado con los parámetros de volumen, velocidad, variedad y coste requeridos y ese feedback se pierde sin aprovechar.
La analítica de texto al rescate… pero con limitaciones
La analítica de texto, por su capacidad para convertir automáticamente el texto no estructurado en datos estructurados que sirvan para extraer insights, nos permite escalar el análisis del feedback no estructurado. La tecnología de analítica de texto constituye el núcleo de las soluciones de análisis de feedback no estructurado en combinación, por ejemplo, con tecnologías de conversión de voz a texto (para transformar las llamadas de voz de un contact center en texto analizable) o de crawling y scraping web (para descargar contenido de sitios web, en aplicaciones de monitorización de medios o inteligencia de mercado).
Pero la tecnología de analítica de texto que incorporan aplicaciones y herramienta de customer insights suele tener unas capacidades limitadas y realizan un análisis muy superficial de los comentarios. En muchos casos, se limitan a tareas como extraer entidades, asignar categorías a nivel de documento y detectar la polaridad general.
Tanto es así que, por ejemplo, en un texto como el siguiente:
“Estoy cansado de esta gente de TeleCom. Mi móvil se avería continuamente y quiero cancelar el servicio. Pero su centro de soporte no contesta nunca. ¡Son lo peor!”
las herramientas habituales probablemente no irían más allá de extraer los siguientes datos:
- Entidad: TeleCom (empresa)
- Tema general: Servicios de telecomunicaciones
- Polaridad general: Negativa
ignorando muchos elementos de información que enriquecerían el análisis: ¿Cuál es el estado de ánimo del cliente? ¿cuál es su intención? ¿qué atributos del producto/servicio le disgustan más?
Salvando la brecha entre datos y valor
Necesitamos, por tanto, una nueva generación de herramientas de analítica de texto que vayan más allá y nos ayuden a convertir sus resultados en Decisiones, éstas en Acción, y ésta en Valor.
Desde el punto de analítica de texto, este valor puede venir de una extracción más profunda del significado de los comentarios, incluyendo insights como los siguientes:
- Topics relevantes: que el sistema pueda identificar apariciones de nuestras marcas, productos y empresas.
- Categorías actuables: que en lugar de categorías genéricas el sistema clasifique según nuestras funciones, departamentos u organizaciones (a efectos de asignación y encaminamiento).
- Sentimiento enfocado: no basta con una polaridad general, necesitamos detectar las opiniones específicas sobre nuestros productos, sus atributos y componentes.
- Causas raíz: identificar las razones últimas, específicas de nuestro negocio, de los problemas o las interacciones de nuestros clientes
- Drivers: entender las palancas y criterios clave que rigen la satisfacción, la calidad o la compra
- Descubrimiento: posibilidad de detectar temas emergentes, que surgen en la conversación y que podrían estar “fuera de nuestro radar”
- Emociones: detectar el tono emocional que expresa el cliente (alegría, tristeza, sorpresa…)
- Viaje del cliente: identificar la etapa en su viaje y el propósito del cliente: solicitar información, evaluar productos, comprar, recomendar.
En definitiva, necesitamos una visión de 360º de las opiniones, percepciones, emociones e intenciones de nuestros clientes.
¿Cómo te ayuda MeaningCloud a obtener customer insights más profundos?
MeaningCloud te permite hacer una analítica profunda del feedback no estructurado de tus clientes, gracias a sus soluciones en tres ejes principales:
- Insights preelaborados
- Adaptación y personalización
- Desarrollo de nuevos insights
Insights preelaborados
Estudia la opinión detallada de los clientes con el análisis de sentimiento orientado a topics
El análisis de sentimiento general, a nivel de comentario puede servir cuando el texto es corto y se habla de un solo producto o característica y se expresa una única polaridad (p.ej., “me encanta el nuevo iPhone”). Pero cuando el texto es largo y se habla de diferentes productos/empresas y de diversos atributos /características dentro de ellos y se expresan diferentes polaridades para cada una de ellas, una polaridad general, agregada, puede ser engañosa: puede compensar polaridades positivas con negativas para proporcionar una polaridad general neutra ilusoria y esconde los diferentes sentimientos sobre los diversos objetos de polaridad.
La API de Análisis de Sentimiento de MeaningCloud proporciona, además de una polaridad general a nivel de comentario, una polaridad desagregada a nivel de topics, que son las entidades y conceptos que aparecen en el texto. Y puede personalizarse con la incorporación de diccionarios a medida, que incluyen aquellos topics más relevantes para el dominio de análisis (p. ej., nuestras marcas y productos, sus características). De este modo nos aseguramos de que el análisis de opinión no sólo tiene un nivel significativo de granularidad, sino que se enfoca en los aspectos más relevantes para nuestra aplicación. Pruébalo aquí y aprende más en este tutorial y webinar grabado.
Descubre la vinculación emocional de los clientes con el reconocimiento de emociones
La vinculación emocional de los clientes con nuestros productos es la clave oculta de la rentabilidad. No es sólo que las emociones (especialmente las negativas) sean más duraderas, tiendan a compartirse más o tengan un peso enorme en la conformación de la experiencia de los clientes, sino que los motivadores emocionales de los clientes (cómo se quieren sentir) influyen en su comportamiento, especialmente de compra y fidelidad. Hay estudios que muestran que los clientes conectados emocionalmente con nuestra marca son (entre un 25 y un 100%) más rentables que los simplemente satisfechos con ella. De hecho, es más rentable invertir en la vinculación emocional que en la satisfacción de esos clientes.
¿Cómo detectar automáticamente las emociones de nuestros clientes? El Pack Vertical de Reconocimiento de Emociones identifica las emociones expresadas en un comentario de encuestas o contact center. Está basado en el modelo de la Rueda de las Emociones de Robert Plutchik, que es un estándar en este campo y define 8 emociones principales: Alegría, Confianza, Miedo, Sorpresa, Tristeza, Aversión, Ira, Anticipación. Este análisis complementa al de Sentimiento de modo que, además de la polaridad granular, podemos obtener el “color emocional” de un comentario y así abrir la posibilidad de una gestión más completa de las experiencias del cliente. Pruébalo aquí.
Predice el futuro con el análisis de intención
¿Qué pasaría si pudiéramos predecir el comportamiento de nuestros clientes a una escala industrial? La intención que nuestros clientes expresan en sus comentarios (comprar, recomendar, abandonar a un proveedor) es el factor con más capacidad predictiva sobre su comportamiento inmediato. Entender la intención nos permite identificar la etapa de su “viaje del cliente” en la que está y personalizar la respuesta a ella. También, descubrir oportunidades de negocio (señales de compra), dar mejor servicio, retener a los clientes (prevención del abandono) y potenciar la recomendación.
El Pack Vertical de Análisis de Intención de MeaningCloud identifica una serie de intenciones básicas a través del Viaje del Cliente que se expresan explícitamente en un comentario: Información, Asesoramiento, Compra, Soporte, Recomendación, Queja, Cancelación. De este modo se detectan señales que nos permiten prevenir situaciones indeseadas (Abandono) o fomentar situaciones deseables (Compra, Recomendación). Pruébalo aquí.
Evalúa la percepción multidimensional de calidad con el análisis de la voz del cliente
Como es bien sabido, la calidad de un producto reside en las percepciones de los clientes, no en los ojos del proveedor. Y es una construcción multidimensional, que depende de aspectos como la funcionalidad, las características, la estética, el servicio o la conformidad con los requisitos. Esa percepción de calidad da lugar a la satisfacción del cliente tanto a corto como a largo plazo.
El Pack Vertical de Análisis de la Voz del Cliente nos permite evaluar las percepciones de los clientes a través de diferentes dimensiones tanto en un contexto general (independiente del sector) como específico para diferentes sectores: Banca, Seguros, Retail, Telco… Sus modelos de análisis incluyen una jerarquía multidimensional de ejes y atributos de evaluación, entre los que se encuentran la identificación de la empresa, el canal de interacción, aspectos de servicio al cliente, los productos, las operaciones sobre ellos o los aspectos de calidad. Sobre los ejes y atributos detectados en un comentario, la API intenta asignarles una polaridad desagregada. Asimismo, genera una medida de la satisfacción general expresada en el verbatim. En resumen, esta API ofrece una evaluación de la percepción del cliente a través de diferentes dimensiones y una medida de la satisfacción general. Pruébalo aquí y aprende más en este tutorial y webinar grabado.
Descubre los temas emergentes y las relaciones entre comentarios con el clustering de texto
Tan importante como hacer un análisis detallado de un comentario individual según parámetros predefinidos es analizar con un enfoque exploratorio una colección de comentarios para descubrir su estructura implícita. Agregar comentarios similares nos permite agruparlos según temas significativos, identificar relaciones entre grupos y detectar duplicados; descubrir los topics que emergen de la colección nos permite detectar la “nueva voz” del cliente: comentarios que gravitan alrededor de entidades o temas que no teníamos previstos y estaban “fuera de nuestro radar”. Estos hallazgos son una valiosa fuente de oportunidades de negocio en la forma de necesidades no cubiertas o ideas de nuevos productos.
La API de Clustering de Texto de MeaningCloud permite agregar textos similares y descubrir temas significativos dentro de una colección de comentarios. Aplica tecnologías de aprendizaje no supervisado y algoritmos de clustering especializados en texto para agrupar comentarios basándose en la adherencia a un topic o la similaridad de contenido, y así descubrir la estructura implícita de un conjunto de textos. Pruébalo aquí.
Evalúa la opinión colectiva sobre tu empresa mediante la reputación corporativa
La reputación corporativa es un concepto que evalúa la opinión del público alrededor de una serie de dimensiones de la empresa: su liderazgo, su innovación, sus productos, su situación financiera, su entorno laboral, su responsabilidad social… Aunque se trata de un concepto intangible, muchos estudios han mostrado que una buena reputación incrementa el valor de la empresa y proporciona ventajas competitivas sostenibles. Tradicionalmente la reputación corporativa se analizaba mediante estudios e informes basados en entrevistas y encuestas (con las limitaciones que ello acarrea). Actualmente, las empresas quieren tener una visión más dinámica e inmediata de su reputación y para ello necesitan pulsar la opinión en tiempo real en medios sociales y tradicionales y en otros canales por donde llega el feedback de mercado.
La API de Reputación Corporativa de MeaningCloud está inspirada en estándares de la industria y hace un análisis de opinión que combina la extracción de topics, la clasificación temática multinivel y al análisis de sentimiento. Identifica la organización de la que se está hablando, discrimina los ejes y variables reputacionales sobre los que versa el comentario o artículo y asocia una polaridad a cada uno de ellos. Los ejes reputacionales de primer nivel que aplica son: Innovación y flexibilidad, Oferta de productos y servicios, Situación financiera, Estrategia y liderazgo, Entorno laboral, Integridad y transparencia, Responsabilidad social. De este modo se puede generar una valoración multidimensional de la empresa obtenida a partir de todo tipo de fuentes en tiempo real. Pruébalo aquí.
(IMPORTANTE: la API de Reputación Corporativa está actualmente sólo disponible en español, Si la necesitas en otros idiomas no dejes de contactarnos en sales@meaningcloud.com).
Un análisis mucho más profundo del feedback no estructurado
Los anteriores insights preelaborados nos permiten disponer de un análisis profundo e inmediato del feedback no estructurado. Por ejemplo, volviendo a nuestro comentario del principio de este post:
“Estoy cansado de esta gente de TeleCom. Mi móvil se avería continuamente y quiero cancelar el servicio. Pero su centro de soporte no contesta nunca. ¡Son lo peor!”
ahora son muchos más los elementos de información disponibles out-of-the-box:
- Entidad: TeleCom (empresa)
- Tema general: Servicios de telecomunicaciones
- Polaridad general: Negativa
- Emoción: Enfado
- Producto: Teléfono móvil
- Atributo – Fiabilidad: Negativo
- Intención: Cancelación
- Servicio – Soporte: Negativo
- Satisfacción general: Negativa
En definitiva, estas soluciones preelaboradas nos permiten extraer un significado más profundo de los comentarios no estructurados.
Adaptación y personalización
La adaptación de la analítica de texto a la aplicación de que se trate es la clave para conseguir resultados precisos, actuables y valiosos:
- Desde el punto de vista de la extracción de información, es necesario poder detectar menciones a nuestra empresa, marcas, productos, atributos relevantes, competidores, etc.
- Desde el punto de vista de la clasificación, es imprescindible definir modelos de categorización que reflejen las causas raíz de los problemas o las interacciones de nuestros clientes, los drivers de satisfacción y criterios de compra, las funciones/organización de nuestra empresa (a efectos de encaminamiento y asignación), etc.
- Desde el punto de vista de análisis de la opinión resulta muy útil poder definir la polaridad que ciertas expresiones conllevan en determinados contextos. Por ejemplo, la frase “¡Tiene el tipo de interés más alto del mercado!” es positiva, si habla de depósitos bancarios, pero negativa, si habla de hipotecas.
Las herramientas de personalización de MeaningCloud permiten crear diccionarios, modelos de clasificación general y de categorización profunda y modelos de sentimiento a medida del usuario para adaptar el funcionamiento de los motores de analítica de texto a su aplicación y así obtener la máxima exactitud y relevancia. Y hacerlo mediante herramientas gráficas de usuario que van guiando en el desarrollo de esas personalizaciones y sin necesidad de programar.
Desarrollo de nuevos insights
La imaginación es el límite cuando se trata de desarrollar insights que añadan valor a la comprensión de los clientes. Nuevas maneras representar y evaluar las percepciones y deseos de nuestros clientes pueden ayudarnos a tomar decisiones y convertir en ventaja toda esa información no estructurada en nuestras manos.
Y no importa si esos nuevos insights no están implementados actualmente en nuestro producto de analítica de texto. MeaningCloud, gracias a su oferta de Servicios Profesionales, puede colaborar contigo en ese desarrollo. Estos son algunos de los nuevos insights que estamos implementando para algunos clientes:
- Asociaciones de marca. ¿Qué entidades/conceptos menciona habitualmente la gente cuando habla de nuestra marca? ¿Qué características son las más citadas? ¿Se habla de nosotros relacionándonos con una categoría de producto u otra? Este análisis equivale a descubrir una especie de “huella semántica” de nuestra marca y proporciona un análisis perceptual individual de alta granularidad.
- Análisis de percepciones. Nos permite entender cómo nuestros clientes perciben nuestra marca, con respecto a ciertos atributos relevantes predefinidos, y comparada con los competidores. Estos datos permiten generar un mapa perceptual competitivo agregado de nuestro sector (una herramienta clásica del Marketing) que sea la base para el análisis de posicionamiento de nuestra marca.
- Personalidad de marca. ¿Si nuestra marca fuera una persona, qué tipo de persona sería? El análisis de personalidad permite identificar las características humanas que se atribuyen a una marca: Sinceridad, Entusiasmo, Competencia, Sofisticación, Fortaleza… Existen modelos aceptados para el análisis de personalidad de marca, como el de Jennifer Aaker.
¿Estás interesado en que desarrollemos para ti estos u otros insights? Nuestro departamento de Servicios Profesionales estará encantado de ayudar. No dejes de contactarnos en sales@meaningcloud.com.
Conclusión
El feedback no estructurado de los clientes es más valioso de lo que podríamos suponer por su enorme potencial para descubrirnos las opiniones, percepciones, emociones e intenciones de estos. Pero para explotarlo con los requisitos de calidad, volumen, velocidad y coste necesarios es necesaria una nueva generación de herramientas de analítica de texto. Afortunadamente, las herramientas adecuadas para extraer todo ese valor empiezan a estar disponibles.
Aprende más sobre customer insights profundos, incluyendo demos, en nuesto webinar grabado.
