Está ampliamente demostrado que las emociones juegan un papel decisivo en las decisiones de compra, especialmente tratándose del comercio minorista (B2C). De hecho, el último informe de 2023 de la consultora PwC (PricewaterhouseCoopers) revela que el 32% de los consumidores dejaría de comprar a una marca después de una sola mala experiencia, y aumenta hasta un 59% después de varias malas experiencias. Una de las metodologías más eficaces para descifrar todos estos datos llega con el análisis de sentimientos. Una técnica de inteligencia artificial basada en PLN (procesamiento del lenguaje natural), técnicas de 'machine learning' (para tareas de clasificación supervisada), de 'deep learning' (que aportan esta comprensión adicional de matices y contextos en el análisis) y de 'text-to-speech' (para analizar conversaciones en tiempo real y audios mediante transcripción) que permiten identificar, extraer y analizar los datos publicados en correos, comentarios en redes sociales, foros, reseñas, conversaciones, etc. Y son utilizadas por las empresas para nutrir sus estrategias comerciales. No se trata sólo de identificar patrones o señales en el texto que indican la presencia de emociones, actitudes y opiniones. Se trata de «conocer al cliente, sus expectativas, necesidades y saber cómo se siente durante una interacción en cualquier momento del 'customer journey' y en cualquier canal», afirma Laia Mercadal, directora de Consultoría y Transformación Digital en E-voluciona by Intelcia. Noticia Relacionada estandar No El 'miedo a perderse algo' alimenta el marketing en las redes sociales Iciar Miner Por su capacidad de crear sensación de exclusividad y de generar interacciones, los contenidos efímeros han echado raíces en las estrategias de las marcas «Hasta hace muy poco, los algoritmos PLN se entrenaban para reconocer ciertas palabras en textos y computarlas para dar una simple valoración de 'positivo o negativo», y esto ya era un logro considerable», apunta Bruno Gerlic, Chief Revenue Officer en PredictLand AI. Poco a poco, pasaron a mejorar esta clasificación binaria hasta conseguir combinar ahora sentimientos con otro tipo de informaciones de valor en el mismo sistema, a veces llamado 'text mining' o 'minería de texto'. En este sentido, «aportan ahora una información mucho más valiosa, pues mejora la toma de decisiones en empresas con más granularidad y menos latencia». En términos simples, cuando se introduce un texto en un algoritmo de aprendizaje automático, éste devuelve una puntuación entre 0 y 1 que indica lo positivo que es el texto. A través de recursos léxicos y el procesamiento del lenguaje natural, se puede evaluar las connotaciones emocionales de las palabras y clasificar un texto como positivo, negativo o neutro. Además de los recursos léxicos, existen numerosos modelos de 'machine learning' y 'deep learning' que se entrenan específicamente. Satisfecho, descontento, conforme, irritado, disgustado, agradecido, sorprendido... cada sentimiento deja una huella en la forma en que nos expresamos, y el sistema es capaz de descifrar este código emocional. Complejidad del lenguaje humano A pesar de sus ventajas, estas herramientas de análisis de sentimientos enfrentan limitaciones y desafíos debido a la complejidad del lenguaje humano. Más allá de idiomas y dialectos, están la ironía, la ambigüedad contextual, la jerga, que los sistemas pueden no siempre interpretar correctamente. Y, ¿cómo clasificar una reseña de producto, por ejemplo, donde hay a la vez valoraciones positivas y negativas? También están los sesgos que estos modelos pueden llevar, por la forma en la que han sido entrenados. Dadas estas limitaciones, la supervisión humana en todas las fases sigue siendo la mejor garantía de que el análisis de sentimientos dé su mejor resultado, minimizando impactos indeseados. Gracias a los avances de la IA generativa, cuyos modelos, llamados LLMs (como ChatGPT 4), han sido entrenados sobre todo en internet, los algoritmos detectan estos matices finos de comunicación en los sentimientos, entienden nativamente todo tipo de idiomas y estilos, y saben interpretar el contexto. «Si el sistema detectara, por ejemplo, unas quejas repetidas de clientes sobre una funcionalidad de un producto y según la intensidad de los sentimientos asociados, lo etiquetará como 'prioritario' o de 'criticidad baja' y generará un informe dirigido al director de producto», explica Gerlic. Vía de mejora Pero ¿cómo puede realmente ayudar esta técnica a crear una mejor experiencia para el cliente? Desde E-voluciona evalúan con parámetros y métricas la calidad del servicio para conocer cómo se siente y el grado de satisfacción a través de analizadores como los FCR (First Call Resolution) para saber si se ha resuelto la consulta en la llamada o a través de los NPS (Net Promoter Score) que indican el nivel de recomendación de la marca. «Todo esto nos permite saber el índice real de satisfacción del cliente y mejorar la calidad del servicio continuamente», indica Mario García Láinez, director de Soluciones IA. «En el sector del 'contact center' la utilización de estas herramientas y 'skills' tecnológicos sirven para mejorar la calidad del servicio y reducir rellamadas. El objetivo es conseguir que el Tiempo Medio Operativo, es decir, el tiempo de gestión y resolución de una consulta, sea lo más bajo posible con una alta productividad y satisfacción por parte del cliente». Combinadas con otras técnicas de 'text mining', el análisis de sentimientos también contribuye a mejorar múltiples experiencias, reconocen desde PredictLand AI. Desde el rediseño o la personalización de productos y mensajes promocionales para cada tipología de clientes, proponer una comunicación acorde al estado emocional, hasta anticipar casos de riesgo de abandono para activar estrategias de retención personalizadas, especialmente tras analizar consultas a soporte y reclamaciones. Sin embargo, existen muchos aspectos de nuestras interacciones humanas y comportamientos que no pueden ser cuantificados por los algoritmos . En este contexto, el neuromarketing surge como herramienta complementaria para desvelar esos procesos inconscientes que influyen en nuestras decisiones y comportamientos. Salima Sánchez, psicóloga especialista en Neuromarketing y Comportamiento del Consumidor, apunta cómo la psicología estudia y explica muy bien los procesos psicológicos y los sesgos a los que estamos sometidos, pero «a través del neuromarketing l o que conseguimos es profundizar un poco más y decir: vale, no voy a preguntar a la persona porque la persona inconscientemente me puede mentir, voy a preguntarle a su cerebro, que sé que no lo va a hacer. Con técnicas como la electroencefalografía, que registra la actividad eléctrica del cerebro, permitiendo identificar patrones de atención, emoción y memoria, el seguimiento ocular ('eye tracking') que monitorea los movimientos oculares para comprender dónde enfocan su atención los consumidores y durante cuánto tiempo o con respuestas fisiológicas como la frecuencia cardíaca, la conductancia de la piel y la respuesta galvánica de la piel, se puede evaluar de una manera muy precisa y con datos, la experiencia de los usuarios». Analizadores Dependiendo del tipo de datos disponibles, de su calidad y de los objetivos perseguidos, las empresas deben elegir cuidadosamente entre múltiples fórmulas, cada una con sus pros y contras. Según puntualiza Gerlic, «plataformas generalistas como Microsoft, Google o Amazon proponen herramientas de análisis de sentimientos dentro de sus servicios en la nube. Existen luego múltiples softwares especializados, que por lo habitual aportan una capa más de inteligencia a un proceso concreto. Por ejemplo, software de análisis en redes sociales, de seguimiento de reputación de marca online, módulos adicionales en plataformas de gestión de clientes (CRM), de plataformas de gestión de proyectos, etc. Pero también hay modelos de código abierto para que los departamentos de sistemas los ajusten e integren a una necesidad específica». De manera más concreta, en el sector del 'contact center', el análisis del habla ('speech analytics') permite analizar más de 25 emociones en diferentes momentos de la conversación tanto en voz como en texto, convirtiendo datos no estructurados en información consumible y estructurada para su análisis. Mario García explica que a toda esta información «se le aplica la IA generativa y aprovechando su capacidad de entendimiento, para detectar las causas raíz y poder mejorar el servicio».
No hay comentarios:
Publicar un comentario