Monkey Loves You: O perigo do feedback simplificado do cliente

O que um episódio de Black Mirror pode nos ensinar sobre CX e NPS? Vamos nos aprofundar na natureza preocupante de minimizar a gama de emoções do cliente em uma métrica básica.

Se você não é fã de Black Mirror ou não está disposto a pagar uma assinatura da Netflix, tenha paciência comigo, especialmente se estiver interessado no gerenciamento de feedback do cliente.

O episódio que me marcou foi o do Black Museum na quarta temporada e, em particular, uma das sub-histórias: O macaco ama você. Ele apresenta o cenário perturbador em que a consciência da falecida esposa do protagonista é transferida para um macaco mecânico parecido com um ursinho de pelúcia, por meio do qual ela só consegue se expressar usando duas frases básicas: "Monkey loves you" (O macaco ama você) ou "Monkey needs a hug" (O macaco precisa de um abraço).

Por meio desse conceito, o episódio explora como as expressões humanas são limitadas e distorcidas pela tecnologia, reduzindo a conexão humana a algo mecânico e sem qualquer profundidade real. 

A intenção desse episódio certamente não era abordar como coletamos e analisamos o feedback de pesquisas, mas ele me fez pensar: até que ponto estamos reduzindo as experiências de nossos clientes em nossas análises?

A armadilha do NPS, o ponto cego do promotor e outras armadilhas da análise de pesquisas

O Net Promoter Score é uma referência padrão usada por empresas do mundo todo, o que o torna uma boa maneira de as empresas avaliarem seu desempenho em comparação com os concorrentes. No entanto, a desvantagem dessa simplificação excessiva é que ela cria uma visão de túnel, também conhecida como a armadilha do NPS. Essencialmente, ela nos alerta sobre os perigos de simplificar demais o complexo cenário das experiências do cliente.

Com muita frequência, a análise da pesquisa se concentra apenas no feedback dos detratores, ignorando as sutis frustrações ocultas em métricas que, de outra forma, seriam positivas. Isso pode levar ao que podemos chamar de ponto cego do promotor, em que insights valiosos de clientes fiéis passam despercebidos simplesmente porque suas pontuações são altas. Muitas vezes, esses clientes ainda descrevem atritos, decepções ou oportunidades perdidas, mas suas vozes não recebem a mesma atenção. 

É importante reconhecer que a insatisfação nem sempre vem acompanhada de uma pontuação baixa, e a lealdade não significa silêncio sobre o que precisa ser melhorado.

Enfrentamos desafios semelhantes com os dados do nosso contact center. As pesquisas pós-chamada costumam ser nossa principal lente para a experiência do cliente: Pontuações CSAT, taxas de resolução ou até mesmo comentários abertos. Mas tudo isso ocorre depois que o momento já passou. Elas oferecem apenas uma visão parcial do que realmente aconteceu e ainda menos informações sobre o motivo.

O que tendemos a ignorar é a parte mais humana do atendimento ao cliente: a conversa em si. Os centros de contato não são apenas operações de suporte. Eles estão repletos de perguntas em tempo real, confusão, frustração, necessidades e momentos importantes. Mas com que frequência nós realmente ouvimos? Um cliente pode dar uma pontuação positiva na pesquisa porque o agente foi gentil, enquanto o problema real que causou a chamada está enterrado nas palavras da conversa, não na caixa da pesquisa.

Como ouvir os clientes mais profundamente

Agora que exploramos alguns dos pontos cegos e das limitações inerentes à análise de dados da experiência do cliente quando nos concentramos apenas nas métricas, vamos nos aprofundar em como podemos superar esses desafios com a Análise de Texto. 

O Text Analytics ajuda a estruturar e priorizar seus dados não estruturados, as próprias conversas ou os comentários abertos em pesquisas, pois eles contêm os insights mais ricos além das métricas tradicionais, permitindo-nos realmente ouvir o que o cliente expressou. 

Tópicos 

Vamos começar com o básico: os tópicos que você aplica aos seus dados não estruturados. Um tópico é essencialmente um conjunto de combinações de palavras-chave, projetado para capturar comentários específicos no feedback do cliente. Por exemplo, um tópico pode sinalizar frases como "a pessoa que me ajudou estava impaciente comigo". Essa abordagem permite que você organize o texto não estruturado em categorias significativas que chamamos de Tópicos.

A base de uma análise de texto eficaz está na criação de uma lista de tópicos que reflita suas principais operações comerciais. Os tópicos específicos do setor ajudam a garantir que os insights coletados sejam relevantes e acionáveis no contexto de seus produtos, serviços e jornadas de clientes.

Quando uma lista de tópicos adequada estiver pronta, o objetivo não é que você ainda possa lê-la comentário por comentário. Em vez disso, nós a organizamos de modo a ajudá-lo a identificar rapidamente quais tópicos requerem sua atenção. Destacamos os volumes de tópicos, as médias de NPS e as métricas baseadas no sentimento (que abordaremos mais adiante).

Além desses tópicos essenciais específicos do setor, os tópicos com um ângulo exclusivo para os dados oferecem uma camada adicional de insight. Por exemplo, nossos tópicos sobre emoções, tópicos sobre crises mentais e tópicos sobre sugestões de clientes. Esses tópicos exclusivos podem ajudá-lo tremendamente a encontrar camadas valiosas em seus tópicos existentes. Deixe-me explicar como!

Tópico Co-ocorrência

O módulo Topic Co-occurrence do Medallia Text Analytics ajuda a revelar como diferentes tópicos ou problemas aparecem juntos no feedback do cliente. Em vez de analisar os tópicos isoladamente, essa ferramenta identifica padrões em que dois ou mais tópicos aparecem no mesmo trecho de feedback, seja no comentário completo ou até mesmo na mesma frase. Esse nível de detalhe ajuda a descobrir conexões que podem não ser óbvias por meio da análise padrão de tópicos.

Por exemplo, a combinação de sua lista de tópicos principais e específicos do setor com tópicos de sinais emocionais permite que você veja quais problemas comuns, como configuração do produto, faturamento ou suporte do agente, estão frequentemente associados a fortes respostas emocionais. Seu tópico "Billing Ease of Understanding" (Facilidade de compreensão do faturamento) pode ocorrer frequentemente em conjunto com o tópico de emoção "Anxiety" (Ansiedade). Você também pode filtrar a coocorrência por sentimento ou até mesmo por locutor (agente vs. cliente) ao analisar dados de conversas. Isso permite que você identifique se um problema específico está sendo levantado pelo cliente, abordado pelo agente ou ambos, ao analisar as conversas do seu contact center.

Esse tipo de insight em camadas é fundamental para identificar as causas básicas, rastrear problemas emergentes e entender como as diferentes experiências afetam a percepção geral do cliente. Usando a co-ocorrência de tópicos, as empresas podem fazer melhorias mais direcionadas e informadas nos produtos, serviços e comunicação.

Análise de sentimento 

Outra camada de como os dados não estruturados podem ser desvendados é usando o modelo de sentimento no nível do tópico.

O mecanismo de sentimento da Medalliaavalia o tom de cada frase no feedback, seja de comentários de pesquisas, bate-papos ou discursos transcritos, e os classifica de fortemente negativos a fortemente positivos, com categorias intermediárias.

Nos relatórios do Text Analytics, esse sentimento em nível de frase é acumulado para mostrar o desempenho de cada tópico em um nível de sentimento. Por exemplo, você pode descobrir rapidamente que o tópico "Encontrar produtos on-line" tem uma porcentagem negativa de 60%. 

Mas o sentimento faz mais do que destacar experiências negativas. Ele desempenha um papel fundamental para ajudar você a definir prioridades. Uma métrica importante é o Net Sentiment Score (NSS), que é simplesmente a porcentagem de sentimentos positivos menos a porcentagem de sentimentos negativos. Essa pontuação ajuda você a entender rapidamente se um tópico é mais positivo ou negativo.

O NSS é uma métrica extremamente valiosa e fácil de usar, mas não leva em conta a frequência com que um tópico é abordado. Para ajudá-lo a priorizar, especialmente ao comparar um tópico altamente negativo com milhares de comentários com um com apenas alguns, usamos a pontuação de impacto do NSS. Essa métrica combina a pontuação de sentimento com o volume desse tópico específico para calcular sua influência geral em sua pontuação de sentimento líquido. Em resumo, ela informa a intensidade com que um tópico está aumentando ou diminuindo o sentimento do cliente, para que você possa se concentrar nas questões mais importantes.

Além do NPS 

Assim como a frase "O macaco te ama " ou "O macaco precisa de um abraço" em Black Mirror representa uma expressão limitada do sentimento humano, devemos garantir que nossa análise do feedback do cliente não caia na mesma armadilha. 

Não é suficiente apenas entender que um cliente "nos ama". Precisamos nos aprofundar para entender por que eles se sentem assim. Usando a análise de análise de texto múltiplo, obtemos um quadro mais rico e completo de nossos pontos fortes e das áreas em que podemos melhorar. 

O mundo da análise de texto é incrivelmente rico, oferecendo inúmeras maneiras de ouvir mais profundamente e de forma mais significativa. Com os novos recursos de IA, como sumarização e detecção de temas, temos mais ferramentas do que nunca para ir além do sentimento e descobrir as histórias reais por trás das pontuações. 

Mas o quadro geral aqui é que não se trata apenas de ouvir que o Monkey o ama; trata-se de aprender como manter esse amor crescendo e evoluindo.

Psiu... você notou que as taxas de pesquisa estão diminuindo rapidamente? Aqui está o nosso guia sobre como navegar nessa nova realidade.