Este truco te ayudará a descubrir tendencias a partir de tus datos de soporte

Actualmente, la mayor parte de la empresas tienen implementado algún tipo de herramienta de autoservicio para los clientes. Ya sea un chatbot, una página de ayuda o simplemente un motor de búsqueda, la mayoría de los negocios han visto el valor en dejar que los clientes naveguen por su web y que ellos mismos encuentren las respuestas y los productos. 

Es evidente que estas herramientas pueden satisfacer la necesidad de un soporte inmediato, así como reducir la carga de trabajo de los agentes de tu servicio de atención al cliente, mejorar las puntuaciones CSAT y simplificar tus operaciones.No obstante, ¿hay algo más que las herramientas de autoservicio puedan hacer por ti?

Una nueva fuente de datos de clientes

Los canales de soporte digital, como los que acabamos de mencionar, cuentan con una importantísima ventaja si los comparamos con la asistencia telefónica o presencial, y es que dejan huella.

Esto nos permite registrar todas las actividades y generar grandes cantidades de datos a partir de los cuales podemos sacar conclusiones e identificar patrones y tendencias.

En efecto, también podrías hacerlo en la asistencia presencial, pero necesitarías tener un empleado que anotara el motivo por el que se ha contactado con el servicio de soporte, el comportamiento del cliente, qué ha sucedido tras haber cerrado la consulta, el nivel de satisfacción del cliente con la asistencia recibida… 

Hacerlo manualmente llevarían muchísimo tiempo. 

Si embargo, la mayoría de herramientas digitales te permiten hacerlo de forma natural, automática y prácticamente sin ningún esfuerzo por tu parte. 

Pero únicamente recopilar datos no aporta beneficio alguno. Se abren estos interrogantes:

  • ¿Cómo leemos estos datos?
  • ¿Cómo los interpretamos?
  • ¿Qué nos dicen y qué beneficio aportan? 
  • ¿Cómo podemos hacer cambios a partir de ellos?

¿Qué nos dicen los datos de soporte?

Y la respuesta no es sencilla. Realmente depende de la herramienta de soporte que estemos utilizando, los datos que recopila y los retos de tu propio negocio. 

Las herramientas de soporte de autoservicio suelen incorporar paneles de métricas y KPI para saber qué ocurre. Algún ejemplo:

  • Número de llamadas, sesiones de chatbot, búsquedas
  • % de satisfacción con respecto a las respuestas ofrecidas
  • Número de consultas no respondidas
  • Y un largo etcétera.

Sin embargo, la mayoría de herramientas suelen mostrar y entender solo una pequeña parte de los datos que recopilan y, por tanto, no aprovechan todo su potencial.

Lee también: Hemos analizado 4 millones de conversaciones de chatbot. Y aquí están los resultados.

La larga cola de tus solicitudes de soporte

Analicemos, por ejemplo, un chatbot de IA.

¿Sabemos cuál es la intención que se esconde detrás de la mayoría de solicitudes? 

¿Existe alguna tendencia entre estas solicitudes?

¿Qué interesa más a los clientes?

La mayoría de plataformas de chatbot ofrecen paneles de datos con las 10, 50 o 100 solicitudes principales que han planteado los clientes, ¿pero qué pasa con el resto? 

Las 10 o 50 solicitudes principales recibidas por una herramienta de soporte suelen ser cortas, y normalmente no contienen más de 2 palabras. Un ejemplo de solicitud sería «cancelar cuenta»

No obstante, estas solicitudes comunes solo representan el 20 % del total de las consultas. El 80 % restante serán menos comunes y también más largas (4 palabras o más). Estas solicitudes más largas se conocen como «consultas de larga cola». 

Identificar las tendencias entre este 20 % normalmente resulta más sencillo. Las consultas tienen una o dos palabras, de modo que es fácil ver de qué tratan. Sin embargo, ¿qué sucede cuando los usuarios introducen consultas más largas para expresar su opinión? 

Volvamos al ejemplo de «cancelar cuenta». ¿Qué sucede si en lugar de eso el usuario dice «Ya no quiero usar este servicio»?

La intención sería exactamente la misma, sin embargo, la consulta no incluye las mismas palabras y será difícil que tu equipo la asocie al mismo tipo de consultas a gran escala.

La mayoría de herramientas de autoservicio y plataformas de IA conversacional no tienen un motor semántico suficientemente potente como para entender el lenguaje natural y el significado real. Por lo tanto, no pueden determinar que estas consultas tienen la misma intención. 

Esto genera un par de problemas:

  • El primer problema es que la mayoría de solicitudes de larga cola no se entenderán y, por lo tanto, quedarán sin respuesta. Por ejemplo, si un usuario escribe «Estoy decepcionado porqué el técnico no ha venido y ya no quiero seguir usando vuestros servicios». 
  • El segundo problema es que si el sistema no entiende el significado que se esconde detrás de todas las solicitudes, difícilmente podrá agrupar las consultas con las misma intención e identificar tendencias.

En Inbenta, usamos un tipo de IA exclusiva que realmente entiende las consultas porque analiza su significado. Además, hemos creado un entorno perfecto para que tú y tu equipo podáis entender las consultas de los clientes a escala.

Lee también: La guía definitiva para la IA conversacional

Identificación automática de las tendencias en el soporte gracias al clúster semántico

Como hemos visto, la mayor parte de software de IA conversacional y de soporte de autoservicio solo muestran las 100 consultas principales. 

¿Qué te parecería si te dijéramos que existe una forma de analizar consultas más largas, junto con las más cortas, y agruparlas según su significado?

El clúster semántico de Inbenta agrupa las consultas de búsqueda con similitud semántica –palabras, frases y oraciones– en diferentes clústeres según su significado. 

Una herramienta de visualización te permite ver los diferentes temas/asuntos de las consultas agrupadas.

A continuación, puedes ver un ejemplo de nuestra pequeña muestra de datos que tenemos en Inbenta:

  1. En esta primera pantalla podemos observar los temas principales de todas las consultas (largas y cortas). Inbenta no analiza solo las 10, 50 o 100 primeras, sino las 20.000 consultas principales.
  1. Y, si es necesario, podemos ahondar más y más. Por ejemplo, uno de los temas principales es «chatbot». Si queremos ver qué tipo de consultas hacen nuestros usuarios respecto a los chatbots, solo tenemos que hacer clic sobre el círculo de «chatbot» para obtener más información.
  1. Si observamos más de cerca el círculo que hay en el centro, podemos ver las métricas relevantes, como el número de veces que ha sido consultado, cuántas veces el chatbot ha encontrado una respuesta a la consulta, etc.

¿Qué beneficios nos aporta a nuestra estrategia de soporte?

Analizar las interacciones de los clientes puede aportar muchos beneficios a nuestro negocio. No obstante, queremos destacar los que consideramos más importantes:

  • Identificar tendencias. Al analizar fácilmente el contendido gracias a los clústeres semánticos, puedes identificar tendencias y solicitudes de los clientes con independencia de cómo se expresen. 
  • Identificar lagunas de contendido y temas sin respuesta. Puedes filtrar los clústeres para mostrar solo los temas sin respuesta o analizar el índice de respuesta de un clúster determinado para poder identificar en qué área no estás ofreciendo respuestas y en qué contenido deberías centrarte en el futuro para maximizar el autoservicio.
  • Saber qué es lo que más les importa a los clientes a gran escala. Saber cuántas veces los usuarios han buscado un tema concreto te dará una mejor visión de cuáles son los temas candentes para tus clientes.

Empieza con el análisis conversacional y de chatbot

Prueba la plataforma de Inbenta gratis durante 14 días y accede a nuestro módulo de chatbot que te permite navegar por su clúster semántico.

Otros artículos que pueden interesarte