Correos electrónicos, llamadas al call center, conversaciones con el asistente virtual, whatsapp, menciones y mensajes por redes sociales, comentarios en su web, valoraciones de producto en su ecommerce o en otras páginas como Amazon… Las empresas reciben hoy en día cientos y cientos de mensajes de sus clientes a través de múltiples canales. Estos, en muchos casos, contienen valiosa información que puede ayudar a una empresa a mejorar en diferentes aspectos.

La mayoría de remitentes de dichas comunicaciones son clientes que esperan una respuesta o gestión casi inmediata. Pero analizar y gestionar adecuadamente toda esta información de manera manual exige gran cantidad de esfuerzo y tiempo. Además al volumen, hay que sumar la dificultad de que toda esta información viene por distintos canales - voz o texto - y tiene distinta finalidad: consultas, devoluciones, quejas, opiniones… Por todo ello, es normal que las empresas tengan una capacidad limitada de análisis y respuesta, sobre todo en momentos puntuales como las rebajas o el Black Friday.

Afortunadamente, gracias a la Inteligencia Artificial, hoy en día podemos procesar de manera automática el lenguaje natural y clasificar o extraer información de manera automática, tanto de mensajes de voz como de texto. En este post queremos contarte algunas soluciones de Speech & Text Analytics, así como los casos de uso donde las estamos aplicando.

Qué es y cómo funciona Speech & Text Analytics

Las soluciones de Speech & Text analytics consisten en aplicar técnicas de Procesamiento de Lenguaje Natural (NLP) para analizar textos y clasificarlos automáticamente en base a su temática, intención y/o sentimiento. 

Por ejemplo, entre los cientos de mensajes que recibimos a través de redes sociales, nos llega uno, en el cual un cliente que parece a punto de renovar nos pregunta por un descuento en su tarifa. Este es uno de los cientos de mensajes que llegan a diario y es muy posible que se quede en la cola varias horas o incluso días hasta que nuestros equipos puedan gestionarlo y enviarselo al equipo correspondiente. 

O podemos tener una solución de Speech & Text analytics que realice este trabajo por nosotros automáticamente. El proceso de forma muy resumida sería el siguiente:

• El mensaje habría sido recibido, analizado y clasificado automáticamente.
• Además de clasificar en relación a una lista de topics, la solución habría asociado un sentimiento: positivo, neutro o negativo, que puede ayudar a su priorización.
• Y tras la clasificación y asociación del sentimiento, se dispararía una acción: ofrecer una respuesta automatizada y personalizada, redireccionar el mensaje al departamento que tenga que gestionar esa consulta específica, etc.

Y, lo más importante, todo esto ocurriría en cuestión de segundos.

Soluciones de Speech & Text Analytics orientadas a conseguir un retorno para el negocio

Las soluciones de Speech & Text Analytics son idóneas para áreas como la atención al cliente, marketing, comercial, operaciones… Estos departamentos a menudo están "algo limitados" a la hora de probar nuevas soluciones, porque están obligados a dar resultados a final de año y tienen poco margen para pruebas y errores. Pero con este tipo de soluciones, si tenemos los datos, llevar a cabo una prueba de concepto (POC) en principio sencillo, al menos para obtener unos primeros resultados. 

Te ponemos algunos ejemplos de soluciones y casos de uso que estamos llevando a cabo actualmente con nuestros clientes. Son casos en los que hemos comprobado que ofrecen un retorno de la inversión claro en ahorro de costes o mejora de sus tiempos de respuesta, entre otros.

1. Clasificando y distribuyendo los mensajes de email que llegan al buzón único de atención al cliente.
2. Automatizando respuestas para ciertos mensajes y ciertas interacciones de Instagram. 
3. Clasificando archivos que los clientes envían como documentación adjunta (para validar que envía la documentación correcta, por ejemplo) y leyendo el contenido. 
4. Nuestros Asistentes Virtuales en WhatsApp son capaces de clasificar los mensajes que recibe. De ellos obtenemos analíticas de intención para mejorar el servicio.
5. Analizando la transcripción de conversaciones de clientes con agentes de call center con muchas finalidades: Entender por qué llama el cliente, verificar si las respuestas se ajustan a los parámetros de calidad, etc 
6. Analizando las conversaciones que un Asistente Virtual - o chatbot - no es capaz de entender o de gestionar (aún), para poder así priorizar en qué mejoras es mejor invertir el siguiente presupuesto.

Estos son algunos ejemplos de puesta en práctica de Speech & Text Analytics, aunque la lista puede ser mucho mayor. Básicamente, todos ellos irán en dos líneas principales: automatizar procesos de gestión y descubrir tendencias. 

Resultados que conseguirás implementando Speech & Text Analytics 

Estos son, bajo nuestra experiencia, tres indicadores globales en los que suele incidir una solución de Speech & Text Analytics:

Ahorro de tiempo dedicado a tareas repetitivas

Este resultado se monitoriza con el indicador llamado Full-Time Equivalent (FTE) y alude al tiempo que una persona, a jornada completa, dedicaría a esas tareas. Gracias a la solución de NLP, nuestro cliente pudo ahorrar hasta 4 FTE. Dicho de otro modo, cuatro personas pudieron liberarse de tareas repetitivas para dedicar al cliente una atención de valor.

Disminución en tiempos de respuesta y mayor escalabilidad

Este resultado es consecuencia de la clasificación y enrutamiento automático de mensajes en los canales de soporte (mail, llamadas, redes sociales…). Automatizar es sinónimo de mejora en los tiempos de, al menos, primera respuesta al cliente. El reto aquí está en automatizar y mantener o mejorar el nivel de satisfacción, pero eso da para otro post ;-)

Identificación de patrones

No sólo se trata de descubrir tendencias que de otro modo quedarían ocultas en la maraña de mensajes que envían los clientes. Lo más importante es que estos insights se podrían recibir casi a tiempo real. De esta forma, las empresas pueden actuar de un modo proactivo, en lugar de tener que hacerlo de manera reactiva, cuando han pasado varios días y quizás ya sea tarde.

Un ejemplo real de identificación de patrones en el eCommerce de un gran retailer español

Hace unos meses, realizamos una aplicación de modelos de Speech & Text Analytics para describir tendencias y patrones entre miles de mensajes de clientes publicados en varios eCommerce de distintos retailers importantes. Uno de estos retailers recoge en su página web cientos de valoraciones y comentarios para cada uno de sus productos en diversos idiomas: español, inglés, francés… Cada review, está formada por estos campos:

• Puntuación global
• Puntuación específica por distintos topics
• Comentario de texto libre

Nuestro objetivo era intentar descubrir patrones de interés a partir de esos comentarios de texto libre. Especialmente, queríamos detectar aquellos que no quedasen reflejados de manera explícita a través de las puntuaciones cerradas, tanto global como específica.

Lanzamos un “topic modeling” sobre más de 20.000 comentarios y obtuvimos una primera agrupación por distintos temas. De manera conjunta, analizamos el sentimiento de dichos comentarios. El resultado global demuestra que los clientes parecen bastante contentos con los productos, ya que más de un 70% de los comentarios a nivel global tenían un sentimiento positivo y menos del 3,5% muestran un claro sentimiento negativo. Nada mal, teniendo en cuenta el enorme volumen de comentarios que reciben. 

No obstante, quisimos profundizar más por si descubríamos algún patrón llamativo. Analizando cada una de las agrupaciones de topics, detectamos una en concreto bastante llamativa que contenía topics como "bicicleta" o "frenos", y en la que el sentimiento negativo crecía de un 3,46... a un 34,67!.  Algo extraño pasaba.

Al mirar además los productos que nos aparecían relacionados con el topic, los 10 primeros eran todos además de la categoría Bicicletas MTB. Y entre los topics, había uno que llamaba especialmente la atención: "frenos"... Así que segmentamos los comentarios por categoría, topic y sentimiento. Y nos encontramos con este grupo de comentarios:

Al parecer, los clientes que habían comprado distintos productos de la categoría Bicicletas MTB, compartían en muchos casos experiencias negativas en torno a los frenos de las bicicletas. Son comentarios sobre problemas puntuales, algunos con el montaje, otros con el componente en sí... y estaban repartidos entre muchos productos distintos, pero haciendo referencia a algo muy similar. Y al estar tan repartidos, es fácil que en un análisis convencional basado en las valoraciones numéricas, simplemente pasen desapercibidos.

Con esta información en la mano, una empresa como la que hemos analizado que tiene sin duda a mucha gente preocupada por mejorar la percepción del cliente, pondría el foco rápidamente en analizar el problema, y empezar a buscar soluciones.

Soluciones trasladables a otros canales y otros casos de uso

Si trasladamos este tipo de análisis a otros canales de soporte, podríamos identificar incidencias como fallos en materiales (que podemos relacionar con proveedores concretos), problemas en tiendas físicas, contratiempos en envío para áreas concretas y un largo etcétera.

Un análisis que, como ya explicamos, se puede realizar casi en tiempo real. Esto lo hace aún más interesante como potente herramienta de escucha para fechas clave del sector retail como las rebajas, Black Friday, Navidades… Momentos de mucho tráfico y transacciones en los que podremos identificar rápidamente tendencias potencialmente problemáticas y reaccionar de forma proactiva antes de que sea demasiado tarde.

Aquí te hemos mostrado sólo algunas de las capacidades que nos aportan las soluciones de Speech & Text Analytics. Estamos seguros de que con el tiempo, cada vez más empresas harán uso de estas tecnologías, algo de lo cual se beneficiarán también los clientes, que podrán ser mejor escuchados y mejor respondidos.