Cómo automaticé el análisis de sentimiento de clientes con IA en el CRM
El análisis de sentimiento de las comunicaciones de clientes era el trabajo más laborioso y más subjetivo que el equipo de customer success hacía de forma manual: leer los emails de clientes, las notas de conversaciones telefónicas y los comentarios en tickets de soporte, y formarse una intuición sobre si la satisfacción del cliente con la relación estaba en un estado positivo, neutro o en deterioro. Era un trabajo que dependía de la capacidad de cada representante para capturar señales emocionales en texto escrito, que es una capacidad que varía significativamente entre personas y que se aplica de forma inconsistente a lo largo del tiempo.
El sistema de análisis de sentimiento que integré en Dynamics 365 procesaba de forma automática todas las comunicaciones registradas del cliente en los últimos 30 días, incluyendo emails, notas de conversaciones y comentarios en tickets, y generaba un score de sentimiento de 0 a 100 que se actualizaba semanalmente en el registro de la cuenta. El score combinaba indicadores de sentimiento positivo, como agradecimientos, expresiones de satisfacción y referencias positivas al equipo, con indicadores de sentimiento negativo, como frases de frustración, comparaciones con el período anterior, preguntas sobre alternativas y ausencia de respuesta a comunicaciones.
La primera validación del sistema fue comparar los scores generados automáticamente con la evaluación manual que el equipo de customer success hacía de las mismas cuentas. La correlación fue del 78% en los primeros 4 meses: el sistema coincidía con el equipo en su evaluación en 78 de cada 100 cuentas analizadas. El 22% de discrepancia era de 2 tipos: cuentas donde el sistema detectaba sentimiento negativo que el equipo no había identificado, y cuentas donde el equipo percibía preocupación que el sistema no había detectado.
Las cuentas del primer tipo, donde el sistema detectaba señales que el equipo no había visto, eran las más valiosas para el programa de retención: en el 71% de esos casos, la intervención proactiva del equipo de customer success después de la alerta del sistema resultaba en conversaciones donde el cliente confirmaba que había una fricción real que no había expresado de forma directa pero que estaba afectando su satisfacción. El sistema había detectado la fricción en el subtext de las comunicaciones antes de que el cliente la expresara de forma explícita.
El análisis de sentimiento automatizado no reemplazó el criterio del equipo de customer success sobre el estado de sus cuentas. Sí amplió su capacidad de detectar señales de deterioro de la relación que podían perderse en el volumen de comunicaciones de una cartera de 30 cuentas activas. Un representante de customer success que monitorea 30 cuentas no puede leer con la misma atención cada comunicación de cada cuenta cada semana. El sistema sí puede, y las señales que detecta son las que llegan al representante con suficiente anticipación para actuar antes de que la fricción se convierta en un problema de retención.