Cuando se habla de los KPIs básicos que debería tener todo cuadro de mando que se presente a la alta dirección de la organización, en contadas ocasiones se tiene en cuenta la voz del cliente y de la sociedad hacia nuestra organización. Tengamos presente un dato: siguiendo el estudio “Social Media Benchmark Study 2013” realizado por JD Power el 67% de los consumidores utilizan los perfiles en redes sociales de una empresa para obtener información sobre los servicios de la misma. Por tanto, parece que la presencia y monitorización de las distintas redes sociales puede ser una adecuada forma de saber como nos conocen y que piensan de nosotros.

Cuando leemos bibliografía relacionada con este tema en ningún lugar se trata este dato como un indicador de la salud de la organización, si no que se supone que un aumento de los tweets, post o publicaciones relacionadas con la marca son siempre un buen síntoma de una positiva opinión del cliente. En nuestra opinión, creemos que esto ocurre por que a priori puede ser una dato difícil de estimar para alguien que no está relacionado con el data mining y especialmente en su vertiente de análisis de textos y vamos a ver lo sorprendentemente fácil que es captar la voz de nuestros clientes.

 

¿Que podemos hacer para captar la voz del cliente?

En una entrada anterior, presentabamos el paquete TwitteR donde describíamos las posibilidades de esta librería para realizar minería de textos en esta red social. Si bien es cierto que su uso es muy sencillo, esta sujeto a tener unos mínimos conocimientos de R. Para solventar este problema, hemos indagado en la web y hemos descubierto una cantidad relativamente grande de software que dice realizar análisis del sentimiento de los mensajes posteados en las distintas redes sociales (por ejemplo Sentimentmetrics, Sentimentalytics o SentiWordNet). El problema de estos programas es que son “cajas negras” en las que difícilmente podemos tener algún control sobre el funcionamiento, para obtener prestaciones medianamente adecuadas habrá que pagar y, sobre todo, el algoritmo usado siempre nos será desconocido.

En esta entrada planteamos una sistemática para empezar muy sencilla, y que nos permite reconocer la denominada polaridad del texto, sin tener que usar software a los que no estamos habituados y que se puede desarrollar para cada caso particular en función a las necesidades. Simplemente necesitaremos las siguientes herramientas:

  • Una base de datos para almacenar los tweets, post o entradas y de esta forma poder medir la progresión de la opinión.
  • Si no lo queremos hacer con R, recomendamos una estupenda herramienta para la extracción y procesado de las publicaciones: Facepager, software gratuito que nos permite extraer y guardar en local las publicaciones de Twitter, Facebook y otras plataformas sociales que nos permitan interactuar con ellas a través de APIs basadas en JSON y cuyo uso se describe formidablemente por el autor en este vídeo
  • Un diccionario de palabras positivas y negativas, ni más ni menos… por que aquí es donde está el mayor handicap, encontrar o construirnos un adecuado diccionario de palabras que indiquen la polaridad del texto.

El proceso es muysimple y se puede hacer con cualquier software de ofimática,: extraeremos todas las palabras de nuestras publicaciones y las compararemos con nuestros diccionarios de forma que las clasifiquemos en positivas o negativas. En el siguiente ejemplo, usando R y mediante el uso de un diccionario traducido directamente de uno con idioma nativo inglés, obtenemos la valoración de los tweets que contienen la cuenta de la Presidenta de la Junta de Andalucía, Susana Díaz: valores negativos indican que existen tantas más palabras con connotación negativa que positiva en el tweet1.

Ejemplo de voz del cliente

El siguiente paso sería contar con estructuras de frases que permitieran identificar el sarcasmo y la ironía, así como la intensificación semántica del termino al que se asocia en la publicación, pero esto ya es obra para estudiosos de la semántica.

 

Conclusión

Con este sencillo recurso, si la organización cuenta con un adecuado científico de datos y con nula inversión, se puede diseñar un algoritmo adaptado a nuestra empresa que monitorice y almacene la opinión sobre nosotros en la web y que nada tiene que envidiar a los algoritmos de aprendizaje automático de los grandes buques insignia del sector de las telecomunicaciones.

Por otro lado, y lo más importante, ahora sí, nuestro cuadro de mando, además de representar la realidad del día a día de la capa productiva de la empresa, reflejará cual es el estado del que, no olvidemos, siempre ha de ser nuestro mayor activo: el cliente.


  1. El diccionario usado, al haberse obtenido a partir de la traducción automática de uno en ingles, no contiene la suficiente fiabilidad como para obtener conclusiones precisas del ejemplo mostrado. Por tanto, estos resultados son meramente indicativos y sin ningún carácter definitivo. 

Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información.

ACEPTAR
Aviso de cookies