GenAI puede ayudar a las empresas a hacer más con los comentarios de los clientes

Muchas empresas están experimentando ahora con la inteligencia artificial generativa (GenAI), tanto para los objetivos internos de productividad de los empleados como para la interacción con los clientes, pero solo unos pocos tener despliegues de producción. Persisten las dificultades para mejorar las habilidades de los trabajadores, cambiar los procesos e integrar la tecnología, y muchas empresas se ven atrapadas en un ciclo de experimentación perpetua.

Para las empresas que aún tienen dificultades para encontrar el lugar adecuado para implementar esta nueva tecnología, recomendamos casos de uso relacionados con las aplicaciones de «la voz del cliente»: analizar, interpretar y responder a las opiniones de los clientes desde diferentes canales. Por lo general, son más fáciles de implementar que los casos de uso de productividad de los empleados porque no requieren tanto cambio de comportamiento. También es más fácil medir las mejoras en el valor económico, ya que mejorar la satisfacción de los clientes suele tener un payoff financiero.

Evidentemente, es valioso estar atento a lo que le dicen los clientes, ya sea en las llamadas a un centro de llamadas de atención al cliente, en los correos electrónicos, en los mensajes en las redes sociales o incluso en los comentarios a los vendedores. Sin embargo, históricamente, a la mayoría de las organizaciones les ha resultado difícil recopilar, analizar y responder a estos comentarios de forma sistemática. El contenido ha sido demasiado voluminoso y desestructurado, su revisión y análisis han requerido demasiada mano de obra y la respuesta ha sido demasiado desagregada y engorrosa.

La IA generativa puede ayudar. Esto es lo que las empresas deben saber para ponerlo en práctica.

Qué puede hacer GenAI con la voz de los clientes

Responder a los clientes no es una tarea, sino una serie de tareas que requieren diferentes habilidades. Primero, tiene que captar lo que han dicho, ya sea por mensaje de texto en un correo electrónico o como audio por teléfono o por algún otro medio. Hay que analizar ese contenido, clasificar sus comentarios (¿queja? ¿halago? ¿solicitud?). Entonces, una respuesta tiene que responder al cliente y abordar las cuestiones pertinentes que ha planteado. La IA generativa ofrece un medio para mejorar en gran medida y fácilmente cada uno de estos pasos, sobre todo porque puede realizar la mayoría de las funciones necesarias para escuchar y responder a los comentarios de los clientes.

Considere cómo una herramienta como la versión lista para usar de ChatGPT podría encajar en este proceso.

El primer paso para captar los comentarios de los clientes puede implicar transcripción de llamadas de voz a texto; otros canales, como el correo electrónico y las redes sociales, ya se basan en texto. La transcripción mediante IA es significativamente más rápida y rentable que pedirle a un humano que haga el trabajo.

Entonces, el siguiente paso es resumen de los comentarios de los clientes, que es uno de los casos de uso más accesibles de GenAI. La mayoría de las empresas consideran que el resumen es tan preciso como lo haría un humano, con un proceso mucho más rápido y económico.

Una vez resumidos los comentarios, GenAI también es bueno en clasificación por temas del contenido de los clientes. ChatGPT y otros modelos pueden hacer un excelente trabajo categorizando y subcategorizando el contenido si se les proporcionan las categorías y subcategorías deseadas de antemano, pueden determinar qué tan común es el problema y recomendar medidas específicas para solucionarlo.

Los sistemas GenAI también permiten un gran avance en análisis de sentimientos — o distinguir los sentimientos positivos, neutrales y negativos de los clientes. Esta función está disponible desde hace muchos años, pero las herramientas suelen tener problemas con el sarcasmo, el humor y otras sutilezas de la expresión de los clientes. (El sistema de análisis de opiniones de una cadena hotelera, por ejemplo, no podía determinar si «la piscina estaba demasiado fría» era un sentimiento positivo o negativo.) Pero los investigadores han descubierto que los modelos GenAI pueden tener niveles de precisión de más del 95%, puede evaluar con precisión el sentimiento en varios idiomas, y puede identificar sentimientos matizados como la nostalgia y la lealtad.

Dada una conversación de voz transcrita (de agentes de un centro de llamadas o médicos que atienden a los pacientes), GenAI también puede mejorar la satisfacción del cliente al analizar la voz del empleado. Al analizar el diálogo, puede sugerir si el empleado es lo suficientemente empático con los problemas del cliente. Como los sistemas GenAI pueden transcribir el texto en tiempo real, pueden señalar los comentarios problemáticos a tiempo para abordarlos.

Los usos anteriores no son solo teóricos. Las empresas ya los están poniendo en práctica.

Algunas empresas utilizan ahora GenAI para resumir las conversaciones con los clientes. Según Nimish Panchmatia, director de datos y transformación de DBS Bank (un centro de investigación a largo plazo de Davenport), un asistente virtual con tecnología de Genai transcribe, resume las llamadas y hace recomendaciones de acción. Lleva varios meses en funcionamiento y se están lanzando nuevas funciones de forma progresiva. Los agentes del centro de llamadas están ahorrando alrededor de un 20% en su tiempo de gestión de llamadas. La siguiente etapa que se pondrá en marcha es que el GenAI recomiende respuestas o soluciones en tiempo real al agente para que decida si las usa con el cliente. La razón principal del sistema era aumentar la calidad de las llamadas de los clientes, en lugar de reducir los niveles de empleo.

En otro ejemplo, una empresa de servicios públicos que es cliente de la firma de Thompson descubrió que podía analizar las conversaciones entre los clientes y sus empleados cobradores de facturas. El modelo GenAI que utilizaba podía entender si los coleccionistas eran educados y empáticos con el cliente y si cumplían con las restricciones reglamentarias sobre lo que se puede decir a los clientes. Incluso podría recopilar datos que, en última instancia, podrían utilizarse para calcular la probabilidad de que el cliente pague la factura.

Usar GenAI para tomar medidas

El objetivo final de entender la voz del cliente es generalmente tomar medidas. Si una empresa utiliza GenAI para sintetizar y clasificar el contenido, es relativamente fácil crear un mensaje personalizado para el cliente en respuesta. También puede determinar la persona o parte de la organización adecuada a la que enviar el comentario para que tome medidas. Si el sistema GenAI recibe una pregunta previa sobre qué departamentos se ocupan de qué tipo de problemas, puede decidir (con probabilidades de ser correcto) qué departamento debe ser notificado.

Uno de nosotros (Michael Thompson de First Analytics) utilizó un modelo GenAI y LangChain (un marco para integrar los LLM en los flujos de trabajo del sistema) para mostrar a una cadena de supermercados regional cómo automatizar el análisis y las respuestas a las comunicaciones con los clientes. Un ejemplo de respuesta a una encuesta de un cliente podría tener este aspecto:

Mi pollo asado caducó 2 días y no podía usar mi tarjeta de recompensas. Sin embargo, mi compra personal era estupenda. Respondió muy bien cuando llamé para hacer preguntas y se apresuró a sacar la comida. Además de eso, tenía mi pedido listo 3 horas antes, lo cual fue INCREÍBLE.

Un sistema tradicional de procesamiento del lenguaje natural (PNL) tendría dificultades para clasificar este mensaje, ya que contiene más de un tema y es una mezcla de sentimientos positivos y negativos. El sistema basado en GenAI creado es capaz de analizar todo el mensaje, identificar los diferentes problemas y redactar una respuesta para su revisión humana, lo que actualmente es necesario, pero eventualmente un segundo modelo de GenAI podría priorizar las respuestas que probablemente necesiten ser revisadas. (Todos los comentarios sobre el modelo GenAI están en cursiva a continuación.)

Estimado [nombre]:

Gracias por tomarse el tiempo de compartir su experiencia con nosotros. Lamentamos de verdad las molestias a las que se ha enfrentado con el pollo asado caducado y el problema con su tarjeta de recompensas. Sus comentarios son invaluables y queremos asegurarle que estamos tomando medidas inmediatas para abordar estas inquietudes.

Nos complace saber que su comprador personal ha podido ofrecerle un servicio positivo y eficaz. Me alegra saber que su pedido estaba listo antes de lo previsto y que ha respondido a sus necesidades. No cabe duda de que le transmitiremos sus elogios, ya que sabemos lo importante que es ofrecer un servicio de atención al cliente ejemplar.

Agradecemos enormemente su patrocinio y nos esforzaremos por que sus futuras visitas sean excelentes.

Saludos cordiales,

[Servicio de atención al cliente]

Además de redactar respuestas altamente personalizadas a cada comentario de los clientes, el modelo identifica a qué departamentos notificar como parte del flujo de trabajo. Estas notificaciones, a su vez, se pueden automatizar según la forma en que el modelo resuma la situación y asigne la responsabilidad:

El comentario trata sobre una experiencia desigual en el supermercado. El cliente tuvo problemas relacionados con la frescura de un producto (el pollo asado caducó 2 días) y con la imposibilidad de utilizar su tarjeta de recompensas. Sin embargo, el cliente tuvo una experiencia positiva con su comprador personal, que respondió, fue rápido e incluso tuvo el pedido listo pronto.

1. Operaciones de la tienda: Este departamento necesita saber que el pollo asado ha caducado, ya que es un problema importante de seguridad alimentaria que requiere atención inmediata.

• Dato: Store Operations es responsable de gestionar las tiendas. Probabilidad: 100%
• Supuesto: pueden tomar medidas correctivas inmediatas en relación con la seguridad alimentaria y la calidad de los productos. Probabilidad: 90%

2. IT: La imposibilidad de utilizar una tarjeta de recompensas podría ser un problema del sistema que hay que resolver.

• Dato: el departamento de TI gestiona las capacidades de TI de la empresa. Probabilidad: 100%
• Suposición: Es el departamento más probable que solucione los problemas con las tarjetas de recompensas. Probabilidad: 85%

3. Recursos humanos: Los comentarios positivos sobre el personal shopper podrían utilizarse para reconocer a los empleados. Si bien no está directamente relacionado con los problemas, reconocer el buen trabajo ayuda a mantener unos estándares altos.

• Dato: Recursos Humanos es responsable de gestionar las necesidades de recursos humanos. Probabilidad: 100%
• Supuesto: Recursos Humanos estará interesado en recibir comentarios positivos de los empleados para su reconocimiento. Probabilidad: 80%

4. Cadena de suministro: Si bien no se menciona directamente, si hay productos caducados en las estanterías, puede haber un problema con la rotación del inventario que el departamento de cadena de suministro podría investigar.

• Dato: La cadena de suministro es responsable de llevar la mercancía a las tiendas. Probabilidad: 100%
• Suposición: Puede que tengan información sobre por qué un producto caducado estaba en la estantería. Probabilidad: 60%

5. Compras: este departamento es lo menos relevante para las cuestiones específicas planteadas, pero debe tener en cuenta que un producto que obtuvo estaba caducado.

• Dato: La compra es responsable de la adquisición de los productos. Probabilidad: 100%
• Suposición: Tienen menos control directo sobre las cuestiones de la tienda, como la caducidad de los productos, pero aun así deberían estar informados. Probabilidad: 50%

En resumen, se debe priorizar las operaciones de la tienda y la TI para los problemas inmediatos de la seguridad alimentaria y los fallos del sistema, respectivamente. Se debe notificar a Recursos Humanos para el reconocimiento de los empleados, mientras que la cadena de suministro y las compras pueden tener que analizar el tema más amplio de la calidad de los productos.

Pocos humanos podrían clasificar mejor los problemas de los clientes e identificar a los posibles responsables. El modelo GenAI incluso pudo identificar las posibles causas principales (problemas en la cadena de suministro, por ejemplo) del problema del cliente que no se mencionaban en la queja.

Integrar GenAI con sistemas y procesos

Para la mayoría de las organizaciones, será difícil integrar las capacidades de un modelo con sus sistemas y procesos para gestionar las opiniones y comentarios de los clientes. Si los modelos GenAI se combinan con conexiones API, GPT (modelos personalizados), sistemas de gestión de relaciones con los clientes (CRM), fuentes de datos de voz del cliente y bots automatizados para recibir y enviar las comunicaciones de los clientes, gran parte del proceso se puede automatizar. Esta integración ha sido técnicamente compleja y ha llevado mucho tiempo para que algunas organizaciones la desarrollen utilizando marcos de código abierto como LangChain.

Sin embargo, se están introduciendo nuevas herramientas sin código para ayudar. Varios vendedores, entre ellos Zapier y UiPath, han desarrollado herramientas de automatización que pueden extraer información relevante de la salida de un sistema GenAI para un flujo de trabajo. El flujo de trabajo podría incluir la creación de mensajes mediante un sistema GenAI, el envío a los clientes o empleados con un robot de automatización y la actualización de un sistema de CRM con las medidas que se han realizado.

Por supuesto, los humanos todavía tienen que participar para resolver los problemas de los clientes y averiguar cómo abordar sus causas subyacentes. Tendrán que revisar la frecuencia de los «puntos débiles» de los clientes, decidir cuáles son los más críticos y tomar medidas para abordarlos. Quizás el tiempo que se dedica a las actividades rutinarias de análisis y respuesta pueda utilizarse para centrarse en los problemas subyacentes. Al fin y al cabo, las únicas voces de los clientes que realmente queremos escuchar son las que cantan nuestras alabanzas.