Cómo utilizar el análisis de sentimientos para mejorar la experiencia del cliente

10 min read
Artwork by Tomba Lobos

Se te van los ojos hacia la esquina superior derecha del MacBook Air. Son las cuatro de la tarde. Una hora más de trabajo y podrás irte a casa a ver el último episodio de Juego de tronos. Genial, ¿no? Pues, según un estudio llevado a cabo en Twitter, la mayoría de estadounidenses no dan precisamente saltos de alegría cuando llega esa hora. Para estos trabajadores, las cuatro de la tarde es el momento más infeliz de la jornada laboral.

Cinco investigadores de las universidades de Northeastern y Harvard llegaron a esta conclusión después de estudiar 300 millones de tuits desde septiembre del 2006 hasta agosto del 2009. Estas cinco personas llevaron a cabo esta titánica tarea (revisar cientos de millones de textos de 140 caracteres y determinar el estado de ánimo de las personas que los escribieron) gracias a la ayuda de la inteligencia artificial. 

Clasificaban el tono de cada tuit mediante un algoritmo de búsqueda de coincidencias entre el contenido del mismo y una lista de palabras basada en las normas afectivas para palabras inglesas (ANEW, por sus siglas en inglés). Según esto, el algoritmo generaba puntuaciones que determinaban si el tono del tuit era positivo o negativo. A partir de ahí, los investigadores podían establecer los sentimientos de las personas que habían escrito los tuits y determinar la evolución de los mismos desde la mañana hasta la noche. 

La tecnología que permite esto se denomina análisis de sentimientos, y sus aplicaciones van más allá de identificar cómo cambian los estados de ánimo de las personas a lo largo del día. 

Máquinas emocionalmente inteligentes

El análisis de sentimientos o extracción de datos es una aplicación de la inteligencia artificial en la que se utilizan algoritmos para determinar si el tono de un mensaje escrito es positivo, negativo o neutral. Analiza frases, microblogs (mensajes cortos de 140 caracteres o menos, como tuits o publicaciones de Facebook) o incluso documentos completos y establece el sentimiento, la actitud o la opinión de la persona que los escribió acerca de un tema, un producto o una marca específicos. 

Esta es la versión básica del análisis de sentimientos. Otros algoritmos más complejos intentan determinar la intensidad de esa opinión. Atribuyen un valor a las palabras positivas o negativas y generan una puntuación entre -1 y +1 que utilizan para reflejar el sentimiento de la frase. 

Pero ¿cómo leen exactamente las máquinas nuestras emociones?

Pueden utilizarse tres tipos de métodos para el análisis de sentimientos: basados en reglas, automáticos e híbridos. 

Los métodos basados en reglas comienzan definiendo un conjunto de normas en un lenguaje de programación que identifican el tono del mensaje escrito en cuestión. Para crear estas reglas, se utilizan desde técnicas clásicas de procesamiento del lenguaje natural hasta otros recursos, como diccionarios o listas de palabras específicas. En términos prácticos, los investigadores crearían, por ejemplo, una lista de palabras positivas y otra de palabras negativas. Después, el algoritmo analizaría los mensajes escritos y relacionaría su contenido con el de las listas. Si un mensaje tiene más palabras positivas que negativas, su tono se considera positivo y viceversa. Si no se observa ninguna predominancia, se considera neutral. 

Por otra parte, los métodos automáticos no se basan en reglas elaboradas por los investigadores, sino en técnicas de aprendizaje automático que son mucho más complejas. En pocas palabras, los métodos automáticos se basan en mostrarle a un ordenador suficientes ejemplos o casos para que empiece a reconocer patrones por sí mismo y sepa cómo transformar la información de entrada en el resultado deseado. En este caso, se podrían utilizar una serie de tuits y sus correspondientes sentimientos como información de entrada y analizar los resultados obtenidos por el algoritmo para saber qué porcentaje de tuits ha clasificado correctamente en cada una de las categorías. 

Los métodos híbridos combinan lo mejor de los dos sistemas anteriores para lograr resultados más precisos.

El análisis de sentimientos se desarrolló inicialmente para la investigación de mercado. Bing Liu, profesor de Ciencias Informáticas de la Universidad de Illinois y autor de varios textos sobre esta materia, explica que surgió a mitad de los años 2000, cuando las opiniones en internet se popularizaron y las empresas comenzaron a interesarse por analizarlas para comprender lo que decían sus clientes. Antes del análisis de sentimientos, las empresas podían averiguar cómo reaccionaba la gente ante un producto o servicio en particular únicamente mediante la creación de grupos de referencia o el envío de encuestas, lo cual no garantizaba la obtención de un número de respuestas estadísticamente significativo.

Luego llegaron los algoritmos, que facilitaron mucho las cosas. Son capaces de analizar grandes cantidades de datos en periodos de tiempo más cortos y no necesitan que las empresas contacten con los clientes para recabar sus opiniones, sino que recopilan las que estos comparten de forma espontánea en internet.

Unamina de oro de datos

Como consumidores, registramos una cantidad inmensa de datos en internet. Enviamos correos electrónicos, intercambiamos ideas en foros, publicamos en los muros de nuestros amigos y comentamos sus fotos de Instagram. Cada vez pasamos más tiempo en las redes sociales. En 2017, los internautas de todo el mundo utilizaron las redes sociales una media de 135 minutos diarios, lo que supone un aumento significativo con respecto a los 90 minutos diarios de hace 5 años. Utilizamos Facebook, Instagram y otros canales no solo para compartir lo que nos gusta y lo que no, sino también para expresar nuestras opiniones sobre marcas o productos específicos. 

Los datos extraídos de las opiniones de internet, las publicaciones en redes sociales y otras fuentes tienen mucho valor para las empresas, ya que los resultados obtenidos en los análisis de sentimientos pueden utilizarse para mejorar en diversos aspectos. 
En el caso de las iniciativas de marketing, por ejemplo, permiten que las empresas comprueben si las reacciones a distintas acciones o campañas llevadas a cabo en redes sociales han sido positivas, negativas o neutrales, y que reconsideren su estrategia para conectar mejor con su audiencia. También son útiles para detectar los sentimientos de la gente con respecto a los competidores e intentar obtener una ventaja competitiva en el mercado. 
El análisis de sentimientos también ha demostrado recientemente su utilidad en el ámbito de los recursos humanos y las operaciones de personal. Empresas como Frrole han desarrollado una IA de sentimientos profundos que analiza datos públicos de redes sociales y obtiene resultados que permiten a los encargados de las contrataciones hacerse una idea de los rasgos de comportamiento y las personalidades de los posibles candidatos para determinar si encajarían adecuadamente en el equipo. 

Otras empresas más grandes han comenzado a utilizar esta tecnología para entender cómo se sienten sus empleados. IBM, por ejemplo, tiene una red social interna llamada Connections, a través de la cual los 380,000 empleados de la empresa pueden ponerse en contacto entre sí, publicar opiniones y comentar sobre el contenido que comparten otras personas. IBM combina esta plataforma con una herramienta de análisis de sentimientos desarrollada por la propia empresa, Social Pulse, que analiza lo que las personas dicen e identifica tendencias y posibles señales de alerta en lo referente a la satisfacción de los empleados. 

Cómo leer las mentes de los clientes

El análisis de sentimientos es igualmente útil e importante para supervisar y mejorar la experiencia del cliente

Los sentimientos de los clientes hacia una marca pueden verse influenciados por una serie de factores. Entre estos factores, se incluyen los lanzamientos o cambios de productos, el aumento de los precios, las campañas virales y otras acciones de marketing, así como la calidad del servicio de atención al cliente.

Las empresas pueden recurrir al análisis de sentimientos para estudiar las opiniones sobre productos o servicios, por ejemplo, y atribuir una puntuación a cada una de ellas, lo cual permite a los agentes ponerse en contacto en primer lugar con los clientes con opiniones más negativas para tratar de solucionar el problema lo más rápidamente posible. Por otra parte, las opiniones con puntuaciones más positivas permiten a las empresas entender qué acciones generan emociones positivas en los clientes, lo cual puede tenerse en cuenta para futuras iniciativas. 

Se puede aplicar el mismo principio a las solicitudes de asistencia que se reciben. Los algoritmos de análisis de sentimientos pueden ordenar las solicitudes por urgencia en función del tono en el que está escrito el correo electrónico. De esta manera, los agentes pueden centrarse primero en los clientes más frustrados e insatisfechos sin tener que revisar las solicitudes una a una para poder determinar su prioridad. 

También es una herramienta útil para los directores de los servicios de asistencia, ya que les permite determinar la satisfacción general de los clientes con el equipo. Los resultados no se basan en la opinión solicitada tras una interacción específica con un agente, sino en opiniones menos intrusivas y más honestas que los clientes comparten en internet de forma espontánea. Puede complementar las evaluaciones internas de desempeño como un nivel adicional de opiniones de clientes que permite a los directores obtener una perspectiva más clara acerca de las interacciones que han funcionado mejor, lo cual puede darles ideas para mejorar los procesos. 

Pero la tecnología aún no es totalmente precisa. Se basa en el lenguaje, que no es tan blanco o tan negro como una lista de palabras positivas y negativas. Tanto unas como otras pueden utilizarse con un significado opuesto al que normalmente se asociaría con ellas. Por ejemplo, para comentar que un paquete se ha retrasado, podría decirse: «Amazon no ha entregado mi pedido a tiempo. ¡Genial!». La palabra «genial» suele tener una connotación positiva, pero, en este caso, se utiliza para hacer un comentario sobre un servicio insatisfactorio. 

Aunque algunas empresas de IA ya están entrenando algoritmos para reconocer el sarcasmo, existen muchas más variables, como el contexto o incluso la complejidad de ciertos idiomas, que dificultan que las máquinas puedan entender correctamente el tono implícito de la conversación. 

No obstante, las máquinas cada vez perciben mejor las emociones humanas. Aún hay mucho que mejorar en lo que al análisis de sentimientos se refiere, pero los investigadores están invirtiendo en otras herramientas de lectura de sentimientos, como los escáneres faciales. Quién sabe, tal vez en unos años hagan un informe sobre las horas menos productivas de la jornada laboral en función del número de veces que los ordenadores nos han escaneado la cara en busca de un bostezo. 

ArtboardFacebook iconInstagram iconLinkedIn iconUnbabel BlogTwitter iconYouTube icon