Desde la detección automática de correos no deseados hasta la autoatención por comandos de voz, text analytics ya forma parte de cómo se relacionan los clientes con sus empresas.
El text analytics consiste en la extracción de información cualitativa de un texto mediante la utilización de sistemas computacionales empleando tecnologías como el machine learning. En la medida que las compañías comenzaron a generar grandes cantidades de datos provenientes de distintas áreas de negocio, vieron como gran parte de esta información no estaba estructurada, como es el caso de los formularios de reclamos y sugerencias, correos electrónicos provenientes de clientes, encuestas post-atención, entre otros.
Entonces, la pregunta de cómo utilizar estos datos de forma útil se encontró con viejas teorías y algoritmos matemáticos que habían sido archivados por décadas esperando el incremento del poder de cómputo. Así comienza la explotación del text analytics como herramienta indispensable para las compañías que quieren llevar su experiencia de clientes al siguiente nivel.
Conoce las 3 claves en la gestión de datos para mejorar la experiencia de clientes
Hay muchas situaciones donde se puede aplicar esta tecnología en favor de la experiencia de clientes, sin embargo, a continuación te presentamos las situaciones más comunes en las cuales el text analytics puede resultar muy útil en esta industria.
1.Agrupar la información que permitirá tomar decisiones, de manera rápida a través de Clustering.
Cuando una empresa recibe diariamente cientos de llamados de clientes por diversas causas, tiene una fuente de información gigantesca: La voz del cliente. Sin embargo, escuchar cada una de esas grabaciones en busca de información accionable se hace inmanejable. Destinar equipos a hacerlo se haría costoso y es sabido que mientras más tediosa y larga resulta una tarea, se cometen más errores en su realización.
A través de la técnica de clustering, se permite usar machine learning para agrupar frases similares basándose en el análisis del lenguaje natural de los clientes. Actualmente se pueden encontrar aplicaciones en el mercado que hacen clustering generando un listado de grupos de frases similares. Sin embargo, estas soluciones realizan una separación automática sin tomar en cuenta el contexto analizado. Por tanto, los resultados serán categorías generales difíciles de accionar. Es así como al realizar esta técnica es importante previamente realizar un “tunning” o ajuste personalizado para cada compañía basándose en el contexto específico de la industria, época, coyuntura, etc.
De esta forma la herramienta puede agrupar los conceptos de manera inteligente en cada interacción del viaje del cliente, en vez de entregar simples frases con parecidos gramaticales. En cuestión de horas, los equipos pueden contar con información clave en la priorización de sus próximas iniciativas.
2. Extraer los conceptos claves a través de Tagging
Otro problema común en estos días son los listados de reclamos provenientes de las redes sociales. Se hace imprescindible identificar el servicio más problemático de la compañía y cuáles son las fallas más comunes del mismo. Además, se desea saber en qué canales se atendieron los clientes que manifiestan mayor descontento con la marca. Esta información puede resultar compleja y lenta de extraer debido a la variedad de formas en que los humanos pueden referirse a un mismo problema o nombrar cierto producto.
La técnica del tagging se soporta sobre los algoritmos de aprendizaje supervisado del machine learning y puede entregar clasificaciones múltiples. De esta forma la frase: “¡no puedo creer que llevo 2 días sin conexión siendo que tengo el plan más rápido, y lo peor, no me ayudan en el call center!!!” puede etiquetarse como: “falla del servicio”, “servicio banda ancha”, “plan 500GB”, “servicio al cliente deficiente”, “canal call center”. Un buen equipo de CX logrará con facilidad incorporar esta información en el customer journey map y sacar provecho de la misma.
Adicionalmente, se pueden asignar etiquetas de sentimientos a cada documento de texto. Utilizando estas herramientas, se puede determinar además cuál era el sentimiento del cliente al momento de su interacción: “enojo”, “gratitud”, “desconfianza”, etc.
3. Tagging en tiempo real
Con el incremento del poder computacional actual y la creatividad de los especialistas en experiencia, se pueden lograr iniciativas radicales que hagan sentir al cliente que se le trata de forma única y personalizada.
En la siguiente situación un cliente realiza una consulta en la red social de la compañía, de forma inmediata un sistema que ocupa text analytics intercepta el mensaje y determina cuál especialista de atención al cliente es el más competente para la resolución del caso. El sistema conecta además el chat del colaborador con el cliente y de esta forma empieza la atención personalizada en segundos. No hay necesidad de tener personas distribuyendo las consultas y el especialista de atención al cliente no debe ocupar su tiempo conectando con el cliente.
Estos son algunos ejemplos de las soluciones más conocidas de text analytics que nos hacen preguntarnos ¿Estamos ocupando talento humano en tareas tediosas en vez de potenciar sus habilidades? uno de los grandes beneficios del text analytics es que desocupa a las personas de las tareas repetitivas y pueden emplearse de forma más inteligente aportando el máximo valor dentro de la organización. Esto conlleva un ahorro en costos, puntos positivos en la experiencia del colaborador y una mejora en la experiencia al poder realizar una toma de decisiones en base a su propia voz.
