Hace un tiempo, os presentaba en este mismo blog Séntisis, una empresa de tecnología de análisis, que, entre otras cosas, analiza las conversaciones en Twitter, Facebook, foros y blogs y nos facilita datos cualitativos y segmentados, analizados en idioma español.
Desde entonces me ha fascinado bucear en este tipo de soluciones capaces de efectuar análisis semánticos y emocionales de las conversaciones, pues, estoy convencida, que son decisivos para mejorar la relación de una marca con los usuarios y en definitiva, para mejorar nuestros planes de marketing.
Hace unas semanas tuve la oportunidad de ver cómo ha evolucionado en este tiempo la información que pueden aportarnos y he querido que nos expliquen desde dentro todas las innovaciones que nos pueden ayudar el análisis semántico y emocional y así mejorar nuestro trabajo del día a día.
4 claves para entender la innovación en una tecnología de análisis de la conversación
1) Análisis semántico
El ejercicio más importante al que se enfrentan las empresas dedicadas al ‘social listening’ redunda en la idea de accionar los datos, de monetizarlos y que se conviertan en un ahorro de tiempo o beneficio económico.
En esta labor es fundamental llegar solo al dato inteligente, al que aporta valor dentro de la cadena de trabajo en la que cada profesional se encuentre inmerso. Un esfuerzo dedicado a la simplificación de la escucha para resumir el ‘Big Data’ a referencias cualitativas con las que tomar decisiones trascendentes para una marca.
Toda esta secuencia se traduce en el NLI (Natural Language Intelligence) cuya misión es extraer inteligencia humana del lenguaje frente a la simpleza del NLP (Natural Language Processing) que solo procesa la información. Si únicamente conoces las entidades que contiene un mensaje y las veces que aparecen (NLP) solo puedes cuantificar. Si sabes que un cliente va a cambiar de compañía y la causa asociada, actúas (NLI).
La solución es dividir la conversación en áreas temáticas a partir del análisis semántico, del empleo de patrones que reduzcan todo a objetivos estratégicos. Este proceso permite conocer aspectos relevantes en cada industria (contexto) como los servicios que funcionan mal en una entidad financiera, el deseo de consumo asociado a productos de alimentación o la atención al cliente en retail dentro de las etapas del Customer Journey.
El análisis semántico en redes sociales tiene dos aplicaciones directas:
- Configuración semántica: ¿Todos los mensajes que recibe una marca tienen la misma relevancia? Dentro de una compañía, cada equipo necesita acceder a unos datos concretos con los que desarrollar valor, no a todos. Por ello, utilizar las categorías semánticas para filtrar la escucha desde un inicio es la clave para ahorrar tiempo y recursos humanos.
Solo el 30% de la conversación del sector financiero radica en la valoración de clientes. Ahorrar un 70% del trabajo humano en localizar y separar la información irrelevante de la experiencia de los usuarios con las entidades es una ventaja diferencial
- Encuentro de oportunidades: además de filtrar la conversación, el análisis semántico permite hacer zoom en los datos para agilizar el trabajo y ajustarse a la planificación de objetivos.
Las incidencias hacia una marca pueden no ser muchas pero sí la causa que desestabilice su reputación. Encontrar 1.500 menciones entre 35.000 no debería ser el trabajo de un humano, sí producir con ellas la mejor respuesta en tiempo real para los clientes con los datos reflejados en el zoom.
Detectar leads cualificados en una industria o derivados de un mal feedback hacia la competencia puede suponer un reto mayúsculo. Una mención concreta en el sector automovilístico puede tener una estimación de 20.000 euros si se complementa con una buena estrategia de marketing.
2) La importancia del tono del mensaje (las emociones)
Es como el fin del análisis del sentimiento utilizado hasta la fecha.
La evolución del ‘social listening’ es vertiginosa y demanda nuevos escenarios continuamente. Sin embargo, uno de los entornos más estables es el interés por el estudio del sentimiento, su fiabilidad y precisión.
El análisis semántico permite abordar esta tarea con la mayor de las garantías entendiendo el significado como la base de cualquier comunicación. Junto al significado, atender a razones como el contexto orienta cada sentimiento en la dirección correcta en función del sector, área temática, país o incluso del tipo de perfil que emite el mensaje. El primer paso: dar un sentimiento correcto en cada situación, está dado.
No obstante, con la cantidad de información de la que disponemos, el sentimiento es solo una variable más y no siempre la más oportuna. Al fin y al cabo, no deja de ser una opción reducida a sólo tres valores: positivo, negativo y neutro. En la carrera por obtener información cada vez más relevante y accionable es necesario apostar por la extracción de mucho más valor a partir de la expresión de una emoción por parte del usuario o cliente. Algo que ocurre permanentemente y que nos permite situarnos en cabeza para tomar decisiones más concretas y diferentes a las que tomaríamos solo con el sentimiento tradicional.
Si estudiamos en profundidad las incidencias que sufre un servicio digital, los contenidos que más gustan en un programa de televisión o el tipo de noticia emitida por un medio sobre una empresa, ¿el sentimiento no se convierte en una variable predecible y de poco interés?
Es entonces cuando cobran protagonismo las emociones; cuando más allá del sentimiento podemos precisar si las incidencias del servicio digital provocan enojo, asombro o indignación, que pueden ser las causas más cercanas de una cancelación del servicio contratado o temas reputacionales más perjudiciales como una demanda a la compañía. Este ejercicio puede ser aún más preciso y asociar cada emoción a una consecuencia media.
Cuando entender la risa, emotividad o aburrimiento que generan los contenidos permite mejorar el guión o la estructura de un formato audiovisual. Incluso detectar el odio o pasión que despierta un personaje, así como decidir que un sentimiento negativo hacia un protagonista no tiene que ser perjudicial si la emoción asociada es la expectación.
“Como adoro a @adrianmartinveg , me emociona mucho como es tan feliz en el escenario, desde levántate estoy siempre viendo sus actuaciones”
“Me meo con Mario? #LevantateFinal”
“@TaliJavi @CharlySpears @levantatet5 a mí es que de anónimos con padre/madre e hijos me parecía un rollo al no conocerlos, ni lo vi”
En último lugar, estudiar el feedback a los titulares escogidos por un medio para referirse a una empresa puede conducirnos a entender el impacto, en tono de emoción, que provoca en la opinión de los usuarios.
El tono del mensaje (no solo el sentimiento) es decisivo para el entendimiento humano, para entrar en la cabeza de los clientes, y una parte muy relevante a la hora de crear un sistema automático de respuesta. No tiene nada que ver responder a un usuario enfadado que a uno que utiliza un tono de broma. En este último caso incluso podríamos preguntarnos si se trata de una ironía o no.
3) Predicción a través del histórico de la conversación
La segmentación de la conversación por objetivos vuelve a ser un concepto diferencial a futuro, en este caso asociada a la predicción de oportunidades.
Anticiparse a cualquier fenómeno, incluido la actuación de los usuarios en redes sociales, supone un reto. Un ejercicio basado en el estudio cualitativo de la comunicación para advertir pequeñas variaciones en la expresión del comportamiento online.
La clave en esta materia no es el análisis único de una temática sino su relación con otros conceptos simbólicos del sector. Predecir la actitud inestable que lleva a un cliente concreto a cambiar de compañía y manifestarlo en redes sociales no es realista, por la propia singularidad del individuo, su relación ‘privada’ con la marca y los permanentes cambios en la actualidad de la entidad. En cambio, sí es posible detectar periódicamente los temas que surgen en la conversación como desencadenantes en la pérdida de clientes. Por lo tanto, el cruce de temáticas es la llave del proceso.
La unión entre diferentes ejes de una escucha permite crear una estructura entrelazada de correlaciones, de hilos tensores, con los que trabajar a futuro. Si conocemos las principales causas o efectos que llevan a un cliente a cambiar de compañía en cada sector, podemos vigilar, analizar variaciones en su volumen, estudiar la viralidad de los contenidos y vincular alertas para anticiparnos a cambios y evoluciones.
El crecimiento sostenido o la variación inusual de una de estas causas detectadas con anterioridad alertaría de una inminente pérdida de clientes. Uno de los hilos examinados tensaría la cuerda conectada a nuestro objetivo para darnos la señal de alarma.
Veamos un caso:
Si los tres temas más vinculados a la baja contractual en el sector energético son:
1) Problemas con las facturas: trámites y errores
2) Cortes prolongados o recurrentes en el suministro
3) Reputación: suplantación de la identidad de comerciales o conversación sobre ‘puertas giratorias’ (ámbito político).
Analizar la evolución de cada corriente y sus picos de actividad nos permite actuar en tiempo real ante un nuevo conflicto que cumpliese las condiciones estudiadas para la predicción que buscamos.
4) Automatización en respuestas: Chatbot
La automatización en el análisis y división de la conversación ya es una herramienta por sí misma que ahorra tiempo y dinero. Pero esta tecnología puede ir mucho más allá, puede no solo ser una herramienta sino la solución a problemas concretos como el servicio de atención al cliente.
El expertise en el conocimiento por industria y los patrones de conversación humanos, ahondando en cuestiones clave como el contexto, la temática o el tono del mensaje, posicionan esta tecnología como una opción muy interesante para trabajar también en la automatización de la respuesta.
El proyecto consiste en detectar en tiempo real todas las particularidades de un mensaje, diseccionándolo según el conocimiento semántico para generar variables y convertirlas en la mejor respuesta posible a través de un Chatbot.
De esta manera, una consulta asociada al tiempo de espera no debería tratarse igual a una relacionada con el stock de un producto. Aún más preciso, una consulta airada sobre el tiempo de espera en la recepción de un pedido no debería enfocarse igual que una simple consulta en un contexto similar. El primer caso denota incidencia en el servicio dado a un cliente y el segundo simplemente es un potencial lead con una duda sobre las condiciones del servicio de entrega.
Evidentemente, esta conclusión no solo es propia de un robot, también de un ser humano, pero éste no tiene por qué disponer del tiempo necesario para procesar la información, evaluarla correctamente y responder en directo, algo fundamental en el servicio de atención a clientes. El humano incluso podría ir desviando su respuesta paulatinamente, desmarcándose de los protocolos establecidos para cada caso en la compañía.
Un robot puede automatizar ese proceso y reducirlo exponencialmente permitiendo que la empresa dedique el potencial humano a labores más decisivas como pueden ser analizar los casos más importantes de la atención al cliente para mejorar el proceso integral.
El resumen del empleo de chatbots se traduce en 55 horas mensuales por cada 10.000 mensajes analizados de forma automática. Un ahorro importante para los equipos de ATC. Pero, sobre todo, la utilización de esta herramienta permite trabajar con plenas garantías en un entorno actual asfixiante, por la exigencia de trabajar 24 horas los 7 días de la semana ante la demanda de los usuarios y el crecimiento del entorno digital.
Muchas gracias a Miguel Goyanes por explicarnos cada paso y dejarnos entrar en el core tecnológico de Séntisis.
[…] Y por último saber la importancia de las emociones y sentimientos de los usuarios, a través de Las 4 claves del análisis semántico y emocional de las conversaciones en redes sociales […]