As empresas, mais do que nunca, estão obtendo feedback de seus clientes de múltiplos canais e em volumes cada vez maiores. Esses feedbacks são coletados de forma proativa (pesquisas de NPS, por exemplo) e passiva (reviews de e-commerce, redes sociais, SAC etc). A partir disso, a criação de programas de Voz do Consumidor (VoC) também passou a ser rotina nas empresas, que passaram a utilizar esses dados de feedback do cliente para remodelar e melhorar sua Customer Experience.
A aplicação correta dos insights obtidos a partir desses canais de feedback de clientes é fundamental para aumentar o Customer Lifetime Value (CLV) e reduzir seu Custo de Aquisição de Clientes (CAC) para as empresas. Os feedbacks vindos de dados não-estruturados, principalmente, tem o potencial de oferecer uma qualidade extremamente maior de insights – além de uma maior quantidade de informações – em comparação com as tradicionais pesquisas de múltipla escolha.
Eles geram uma imagem mais completa, com menos viés e envolvendo mais o cliente. O resultado disso é uma visão mais holística de CX e com mais oportunidades de ação. Entretanto, esses dados não-estruturados são muito mais difíceis de analisar, ainda mais em grande escala. Nesse sentido, surge a análise textual – ou text analytics – feita por inteligência artificial. Vamos conferir as vantagens desse tipo de análise?
1. Revela os motivos por trás da nota dada
Ao enviar uma pesquisa para avaliar sua experiência do seu cliente (NPS, CSAT, CES etc), é possível ter uma ideia geral do que está acontecendo. Mas é quando o cliente tem a oportunidade de se expressar através de um comentário que você descobre o verdadeiro motivo da nota. Formulários abertos de feedback lhe permitem identificar os fatores-chave da experiência geral do consumidor.
É um ótimo sinal para uma empresa possuir um NPS de 60, por exemplo, mas o número em si não fornece nenhuma recomendação de como melhorar essa nota ou o motivo dela ter aumentado desde o último envio da pesquisa. Ao analisar com text analytics o feedback aberto é possível descobrir especificamente tópicos positivos e negativos que os consumidores estão mencionando para assim identificar automaticamente o problema exato para dar atenção, como problemas com Entrega ou Comunicação.
2. Funciona para toda a Jornada do Consumidor
As pesquisas tradicionais são normalmente estruturadas em algumas hipóteses simplificadas e exigem que o consumidor dê seu retorno sobre atributos específicos, como a qualidade de algum produto ou do atendimento. Desnecessário dizer que é impossível encaixar cada parte da Jornada do Consumidor em uma grande pesquisa. Isso geralmente afasta os consumidores, que dificilmente responderão uma pesquisa com uma sequência de múltiplas questões.
Uma questão em aberto, ao contrário, possibilita o consumidor decidir qual etapa da jornada importa pra ele e, assim, deixar sua opinião específica sobre essa etapa. Um text analytics com uma inteligência artificial robusta, então, lida com o trabalho pesado de detectar a nota, o sentimento e o tópico de atenção contido nesses comentários. Utilizando o exemplo do tópico Entrega, por exemplo, é possível segmentar esse aspecto genérico em subcategorias como Tempo de Entrega, Preço do Frete e Comportamento do Entregador, por exemplo.
3. Identifica o surgimento de tendências
A partir das pesquisas tradicionais é impossível prever a opinião dos consumidores nem considerá-las nos questionários, especialmente se levarmos em conta o ambiente cada vez mais dinâmico de negócios que estamos inseridos.
Um concorrente pode lançar um produto inovador que atraia a atenção do mercado ou algum erro – antes desconhecido – pode estar afetando a experiência de compra de seus clientes. Permitir que os consumidores deem feedback em suas próprias palavras e deixando o text analytics fazer o trabalho pesado permite detectar problemas imprevisíveis e identificar novas oportunidades.
4. Funciona de forma eficiente e em escala
As vantagens de usar dados não-estruturados não são descoberta recente. Entretanto, esse tipo de análise só estava disponível para grandes empresas que podiam arcar com os custos de contratar agências especializadas nesse tipo de dado. Essas agências tipicamente recorrem ao tagueamento manual, onde vários funcionários leem os feedbacks e os colocam em categorias específicas. Infelizmente, esse sistema é muito caro e difícil de manter devido a sua não-escalabilidade.
Uma ferramenta que utiliza inteligência artificial para escalar esse processo com text analytics e processamento de linguagem natural – como a Postmetria – consegue lidar com essas bases de dados de forma mais rápida e com uma maior precisão. Combinando essa abordagem com uma boa gestão de experiência do consumidor é possível fazer com que as empresas tomem ações assertivas baseadas nos feedbacks dos consumidores, otimizando cada ponto de contato para a melhor experiência possível.
Quer saber como tirar o máximo de inteligência dos feedbacks espontâneos de seus clientes?
