Cerrar el ciclo de retroalimentación a gran escala: automatización del análisis de sentimiento de clientes para una marca global de ropa.

Acerca del cliente

La Empresa O es uno de los mayores proveedores mundiales de calzado y ropa deportiva. Recopilaba comentarios de clientes en casi todos los canales de transacción (su sitio web, encuestas en tienda, centros de atención telefónica y encuestas por correo electrónico) como parte de un enfoque más amplio en la experiencia del cliente, el posicionamiento de marca y la imagen de marca.

Contexto del sector

El Net Promoter Score, desarrollado en 2003 por Fred Reichheld junto con Bain & Company y Satmetrix, se había convertido en una de las métricas de lealtad del cliente más adoptadas en las industrias orientadas al consumidor, valorada por su simplicidad pero calculada tradicionalmente a partir de pequeñas muestras de encuestas y no de la base completa de comentarios de clientes de una empresa. Attensity, cuya plataforma Analyze fue el eje de este proyecto, se encontraba entre los proveedores líderes en análisis de texto y gestión de la experiencia del cliente. Para las grandes marcas de consumo que generan bastante más de un millón de comentarios al mes, el verdadero desafío no era recopilar los comentarios sino aprovechar de verdad casi todos ellos; pasar de una pequeña muestra revisada manualmente al análisis de la población completa era un cambio decisivo que muchas empresas centradas en la experiencia del cliente estaban realizando en ese mismo período.

Situación actual

La Empresa O quería utilizar sus datos de la voz del cliente para identificar y responder rápidamente a los problemas, mejorar el desempeño de sus operaciones internas, fortalecer su posicionamiento y mensajes de marca y realzar su imagen de marca. Sin embargo, con más de un millón de comentarios de clientes al mes, el volumen era demasiado grande para leerlo y analizarlo manualmente, por lo que la Empresa O adquirió el software Analyze de Attensity y pidió a Iknow que configurara el producto y estableciera la metodología de análisis de datos.

• Un volumen inmanejable de comentarios de clientes. La Empresa O recopilaba más de un millón de comentarios de clientes al mes, un volumen demasiado grande para leerlo y analizarlo manualmente.
• La mayoría de los comentarios de clientes quedaban sin leer y sin utilizar. Antes de este proyecto, la Empresa O solo podía leer y responder una fracción de los comentarios que recopilaba, dejando sin usar la mayor parte de las aportaciones de los clientes.
• Una métrica clave de lealtad basada en una muestra no representativa. El Net Promoter Score de la Empresa O se calculaba utilizando solo una pequeña muestra de sus comentarios reales de clientes, lo que limitaba su precisión y utilidad.
• Ausencia de una forma consistente de clasificar y encauzar los comentarios. La Empresa O necesitaba una manera de clasificar de forma consistente enormes volúmenes de comentarios de texto literales no estructurados y dirigirlos a los equipos internos adecuados para que actuaran.

• Configurar el software Analyze de Attensity y establecer una metodología de análisis de datos para el programa de voz del cliente de la Empresa O.
• Desarrollar un conjunto completo de categorías para clasificar los comentarios de los clientes.
• Automatizar el procesamiento, la clasificación y el análisis de sentimiento del volumen total de comentarios de clientes de la Empresa O.
• Establecer un proceso interno de informes que dirigiera los resultados a los ejecutivos responsables de atenderlos.

Cómo estructuró Iknow el trabajo

Iknow estructuró el proyecto en torno a la construcción de una taxonomía de categorías a partir de una muestra representativa, la automatización de la clasificación a escala completa y la validación y el encauzamiento de los resultados, reflejando la metodología de clasificación automatizada de contenido de Iknow para convertir un volumen inmanejable de comentarios no estructurados en un proceso de informes confiable y accionable.

Actividades y decisiones clave

• Desarrollo de la taxonomía de categorías. Iknow revisó un subconjunto representativo de los datos y, en colaboración con el personal de marketing, comercio digital e inteligencia de negocios de la Empresa O, desarrolló las categorías para clasificar los comentarios; finalmente se seleccionaron más de 130 categorías.
• Clasificación automatizada mediante aprendizaje por ejemplos. Iknow utilizó la capacidad de learn-by-example (LBE) de Analyze para automatizar el procesamiento de los comentarios de texto, leyendo y analizando cada oración para determinar su significado y sentimiento, y clasificándola en una de las categorías definidas.
• Pruebas y validación. Iknow trabajó con la Empresa O para probar y validar los resultados de la clasificación automatizada.
• Proceso interno de informes. Iknow estableció el proceso interno de informes, dirigiendo los resultados a ejecutivos específicos en toda la compañía para que pudieran atender los problemas dentro de sus ámbitos de responsabilidad.
• Procesamiento a escala completa y cálculo del NPS. Iknow procesó y analizó más de cinco millones de comentarios, los categorizó y calculó el Net Promoter Score.

Partes interesadas y colaboración

Iknow actuó como subcontratista de Attensity, el contratista principal del proyecto, trabajando directamente con el personal de marketing, comercio digital e inteligencia de negocios de la Empresa O durante el desarrollo de categorías, las pruebas y el diseño de los informes.

Convertir una avalancha de comentarios no estructurados en algo clasificable

Más de un millón de comentarios al mes, en su mayoría literales y no estructurados, corría el riesgo de convertirse en una avalancha inmanejable de texto en lugar de una señal utilizable. Iknow lo abordó revisando primero un subconjunto representativo de los datos y trabajando directamente con el personal de marketing, comercio digital e inteligencia de negocios de la Empresa O para construir una taxonomía verdaderamente completa y relevante para el negocio, de más de 130 categorías, antes de intentar cualquier automatización.

Confiar en una clasificación totalmente automatizada a escala masiva

Clasificar automáticamente y a gran escala un lenguaje de clientes lleno de matices y carga emocional, sin revisión humana de cada comentario, exigía una confianza real en el modelo subyacente. Iknow lo abordó probando y validando rigurosamente los resultados de la clasificación por learn-by-example con los propios datos de la Empresa O antes de utilizarla para los informes, y encauzando los resultados a través de un proceso interno estructurado para que ejecutivos específicos pudieran verificar los hallazgos y actuar sobre ellos dentro de sus propias áreas.

Resultados cuantitativos

• Volumen de comentarios: más de un millón de comentarios de clientes recopilados mensualmente a través del sitio web, las encuestas en tienda, los centros de atención telefónica y las encuestas por correo electrónico de la Empresa O.
• Taxonomía de clasificación: más de 130 categorías desarrolladas para clasificar los comentarios de los clientes.
• Comentarios procesados: más de cinco millones de comentarios procesados, analizados y categorizados durante el proyecto.
• Cobertura de comentarios alcanzada: la cobertura pasó de una pequeña muestra al 100 por ciento de los comentarios y opiniones de los clientes.
• Duración del proyecto: encargo de seis meses.

Resultados cualitativos

Este proyecto implantó un proceso continuo para recopilar, analizar y actuar sobre los datos de la voz del cliente y para calcular el Net Promoter Score. Antes de este proyecto, la Empresa O leía y respondía solo una fracción de los comentarios que recopilaba, y su Net Promoter Score se calculaba utilizando solo una pequeña muestra de datos; ahora la Empresa O lee y reporta electrónicamente el 100 por ciento de los comentarios y opiniones de clientes que recibe. La Empresa O logró mejoras significativas en todas sus operaciones al cerrar el ciclo de retroalimentación entre sus clientes y los departamentos y funciones internos que los atienden.

Tiempo hasta el impacto

En el transcurso del proyecto de aproximadamente seis meses, Iknow llevó a la Empresa O de una revisión manual de comentarios basada en muestras a un proceso totalmente automatizado y en funcionamiento continuo que cubre el 100 por ciento de los comentarios entrantes de clientes, con resultados que llegan a los ejecutivos responsables de actuar sobre ellos.

Competencias principales

• Clasificación automatizada de texto y análisis de sentimiento
• Diseño de programas de voz del cliente
• Analítica de Net Promoter Score
• Configuración de modelos de aprendizaje por ejemplos

Métodos y marcos de trabajo

• Muestreo representativo y desarrollo de taxonomías de categorías
• Pruebas y validación de la clasificación automatizada
• Diseño de informes internos dirigidos a ejecutivos

Tecnologías y herramientas

• Attensity Analyze (aplicación de analítica y gestión de la relación con clientes)
• Clasificación automatizada de texto learn-by-example (LBE)