Por Enri­que Gómez Alon­so, Direc­tor de Ser­vi­cios Pro­fe­sio­na­les – Expe­rien­cia de Clien­te Meda­llia Ibe­ria

Los comen­ta­rios de los clien­tes o las rese­ñas que reali­cen, son una par­te impor­tan­te de la com­pren­sión de cual­quier orga­ni­za­ción sobre el valor de la Expe­rien­cia de Clien­te. Des­afor­tu­na­da­men­te, no hay for­ma de garan­ti­zar que todos los clien­tes com­par­tan sus opi­nio­nes al com­prar un pro­duc­to o ser­vi­cio. Ade­más, pro­ba­ble­men­te los clien­tes que pro­por­cio­nen comen­ta­rios lo hagan si han teni­do una expe­rien­cia par­ti­cu­lar­men­te bue­na o mala, algo que podría ses­gar la medi­ción del NPS y la per­cep­ción gene­ral de una orga­ni­za­ción sobre la expe­rien­cia del clien­te.

Por ello el feed­back direc­to que pro­por­cio­na un com­pra­dor, es sin lugar a dudas un canal a tra­vés del cual se pue­de saber qué pien­san de una empre­sa o mar­ca. Pero, para lograr real­men­te una vis­ta inte­gral de 360 gra­dos, las orga­ni­za­cio­nes deben emplear la tec­no­lo­gía para pre­de­cir la expe­rien­cia invi­si­ble del clien­te.

Reco­pi­la­ción de datos

El feed­back direc­to de los clien­tes no es la úni­ca for­ma de obte­ner datos impor­tan­tes para las empre­sas. Los datos de la expe­rien­cia pue­den (y deben) reco­pi­lar­se de todo tipo de fuen­tes, inclui­dos los comen­ta­rios indi­rec­tos, como las redes socia­les, los comen­ta­rios de los emplea­dos y de los clien­tes, así como los datos de flu­jo de clics y las tasas de con­ver­sión. Es impor­tan­te rea­li­zar un segui­mien­to de estos si que­re­mos lograr una per­cep­ción ver­da­de­ra­men­te holís­ti­ca de la Expe­rien­cia de Clien­te.

La pér­di­da de clien­tes es otro ele­men­to cru­cial a eva­luar, cuan­do se bus­ca opti­mi­zar la Expe­rien­cia de Clien­te. Pue­de que no sea la métri­ca más posi­ti­va, pero no ten­dría sen­ti­do inten­tar medir el éxi­to ope­ra­ti­vo, sin tam­bién tra­tar de com­pren­der los fallos. La cla­ve para hacer esto es reco­pi­lar datos omni­ca­nal para uti­li­zar con pre­ci­sión la infor­ma­ción, rec­ti­fi­car la situa­ción y pro­por­cio­nar expe­rien­cias posi­ti­vas a sus clien­tes.

Entre­na­mien­to del mode­lo

El siguien­te paso en este pro­ce­so es com­bi­nar todos estos datos y usar­los para pre­de­cir la expe­rien­cia holís­ti­ca del clien­te, comen­zan­do a bus­car patro­nes. Los datos ope­ra­ti­vos se pue­den cote­jar con datos expe­ri­men­ta­les, para cons­truir un mode­lo que loca­li­ce y anti­ci­pe pro­ble­mas como posi­bles detrac­to­res o el pro­ba­ble aban­dono de clien­tes.

Esto se pue­de lograr imple­men­tan­do el apren­di­za­je auto­má­ti­co para inves­ti­gar los datos y entre­nar un mode­lo que pue­da rea­li­zar pre­dic­cio­nes de per­fi­les de clien­tes, median­te un aná­li­sis de varios pará­me­tros dife­ren­tes, inclui­dos los com­por­ta­mien­tos de los mis­mos, sus pro­duc­tos, sus inter­ac­cio­nes, su uso y sus patro­nes de acti­tud.

La cla­ve en la que pen­sar en este momen­to es la cali­dad de los datos. Al rea­li­zar cual­quier tipo de aná­li­sis pre­dic­ti­vo, si se intro­du­cen datos de baja cali­dad en un mode­lo, los cono­ci­mien­tos reve­la­dos serán inexac­tos y, por lo tan­to, inú­ti­les. Esto inclu­so pue­de ser per­ju­di­cial para la Expe­rien­cia de Clien­te, ya que las accio­nes que se toman pos­te­rior­men­te para inten­tar satis­fa­cer las nece­si­da­des per­ci­bi­das del clien­te, pue­den ser inapro­pia­das.

Aná­li­sis pre­dic­ti­vo

Estos per­fi­les de clien­tes úni­cos se pue­den com­pa­rar con datos inter­nos para pre­de­cir una pun­tua­ción de NPS vir­tual para la gran mayo­ría de clien­tes que no han pro­por­cio­na­do comen­ta­rios direc­tos. Al uti­li­zar la inte­li­gen­cia arti­fi­cial y el apren­di­za­je auto­má­ti­co para pro­nos­ti­car esta pun­tua­ción de NPS, el aná­li­sis y la infor­ma­ción que se obtie­ne pre­di­cen de mane­ra extre­ma­da­men­te pre­ci­sa el com­por­ta­mien­to futu­ro. Con cada ciclo de entre­na­mien­to, el mode­lo se vuel­ve a entre­nar para iden­ti­fi­car varia­bles y agre­gar a su apren­di­za­je, con­si­guien­do mayo­res pode­res pre­dic­ti­vos cada vez.

El uso de téc­ni­cas de aná­li­sis pre­dic­ti­vo ofre­ce una visión ver­da­de­ra­men­te holís­ti­ca de la expe­rien­cia gene­ral del clien­te, lo que per­mi­te a las orga­ni­za­cio­nes adop­tar un enfo­que más proac­ti­vo para mejo­rar la Expe­rien­cia de Clien­te. Las orga­ni­za­cio­nes pue­den tomar deci­sio­nes comer­cia­les infor­ma­das y cen­tra­das en el clien­te que abor­da­rán las nece­si­da­des de cada con­su­mi­dor. Por ejem­plo, podrán actuar sobre los clien­tes iden­ti­fi­ca­dos como posi­bles detrac­to­res, abor­dan­do el pro­ble­ma antes de que se haya mani­fes­ta­do por com­ple­to, redu­cien­do la rota­ción de clien­tes y gene­ran­do ingre­sos.