¿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 es usted seguidor de «Black Mirror» o no se ha animado a pagar una suscripción a Netflix, le ruego que tenga paciencia conmigo, sobre todo si le interesa la gestión de los comentarios de los clientes.

El episodio que más me impactó fue el de «Black Museum», de la cuarta temporada, y, en concreto, una de sus historias secundarias: «Monkey loves you». En él se plantea una situación inquietante en la que la conciencia de la difunta esposa del protagonista se transfiere a un mono mecánico con aspecto de osito de peluche, a través del cual ella solo puede expresarse utilizando dos frases básicas: «Monkey loves you» o «Monkey needs a hug».

A través de este concepto, el episodio analiza cómo las expresiones humanas se ven limitadas y distorsionadas por la tecnología, lo que reduce la conexión humana a algo mecánico y carente de cualquier 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 encuestas se centra únicamente en el feedback de los detractores, pasando por alto las frustraciones sutiles ocultas en métricas que, de otro modo, serían positivas. Esto puede llevar a lo que podríamos denominar punto ciego del promotor, donde valiosos insights de clientes leales pasan desapercibidos simplemente porque sus puntuaciones son altas. A menudo, estos clientes todavía describen fricciones, decepciones u oportunidades perdidas, pero sus voces no reciben la misma atención. 

Es importante tener en cuenta que la insatisfacción no siempre va acompañada de una puntuación baja, y que la fidelidad no implica que no se señalen los aspectos que deben mejorarse.

Nos enfrentamos a retos similares con nuestro contact center . Las encuestas posteriores a las llamadas suelen ser nuestra principal fuente de información sobre la experiencia del cliente: puntuaciones de satisfacción del cliente (CSAT), índices de resolución o incluso comentarios abiertos. Sin embargo, todos estos datos se recogen una vez que el momento ya ha pasado. Solo ofrecen una visión parcial de lo que realmente ocurrió y aún menos información sobre el porqué.

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 limitaciones inherentes en el análisis de datos de la experiencia del cliente al centrarnos únicamente en las métricas, profundicemos en cómo podemos superar estos desafíos con Text Analytics. 

El análisis de texto ayuda a estructurar y priorizar sus datos no estructurados, las propias conversaciones o los comentarios abiertos en las encuestas, ya que contienen los insights más valiosos más allá de las métricas tradicionales, lo que realmente nos permite escuchar lo que el cliente expresó. 

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 operaciones centrales de su negocio. Los temas específicos de la industria ayudan a garantizar que los insights que recopile sean relevantes y accionables dentro del contexto de sus productos, servicios y customer journeys.

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, combinar su lista de temas centrales y específicos de la industria con temas de señales emocionales le permite ver qué problemas comunes, como la configuración del producto, la facturación o el soporte del agente, se asocian frecuentemente con respuestas emocionales fuertes. Su tema de “Fácil Comprensión de la Facturación” podría coocurrir a menudo con el tema de Emoción “Ansiedad”. También puede filtrar la coocurrencia por sentimiento, o incluso por interlocutor (agente vs. cliente) al analizar los datos de la conversación. Esto le permite determinar 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 aquí es que no se trata solo de escuchar que Monkey le quiere; se trata de aprender a hacer que ese amor siga creciendo y evolucionando.

Psst… ¿Se ha dado cuenta de que las tasas de participación en las encuestas están disminuyendo rápidamente? Aquí tiene nuestra guía sobre cómo afrontar esta nueva realidad.