Source: The Conversation – (in Spanish) – By María Jesús Segovia Vargas, Profesor titular de Economía Financiera y Contabilidad, Universidad Complutense de Madrid
Todos nos hemos visto en la misma situación: tras una llamada telefónica con nuestro banco para solventar un problema, una voz automatizada nos pide que respondamos a una breve encuesta (por ejemplo: “¿Recomendaría nuestro servicio a un familiar o conocido? Responda del 1 al 10”).
Esta aparente simple pregunta es en realidad una métrica, el Net Promoter Score o índice de promotores neto (NPS). Junto con los cuestionarios tradicionales, es el modo más habitual en que los bancos miden la satisfacción de sus usuarios.
Sin embargo, es un procedimiento muy limitado para reflejar la experiencia real del cliente. No capta las emociones, los matices ni los verdaderos motivos de frustración o satisfacción que espontáneamente surgen en las llamadas.
Ahora, en un contexto en el que la inteligencia artificial está en todo su apogeo, es posible mejorar las estrategias de marketing mediante el análisis masivo de conversaciones telefónicas reales.
‘Valore del 1 al 10’: un modelo agotado
Los productos bancarios están cada vez más estandarizados y son más accesibles digitalmente. Por tanto, la ventaja competitiva de una entidad ya no depende tanto de sus productos sino de la calidad de su servicio. Se estima que las malas experiencias en la atención explican aproximadamente el 20 % del abandono de clientes en este sector.
El carácter estático de las métricas limita el proceso de medición de la satisfacción de los clientes, pues se pierde la interacción entre el usuario y el banco. Además, hay un sesgo de auto-selección, pues estas encuestas suelen reflejar las percepciones de una pequeña proporción de clientes (los muy satisfechos o los extremadamente enfadados).
Los primeros modelos de análisis de texto (que procesan y extraen información de valor de grandes volúmenes de datos lingüísticos no estructurados) tampoco han resuelto el problema, ya que se pierde la riqueza lingüística de las personas, reduciéndola a etiquetas cerradas como “Satisfecho” o “Insatisfecho”, y no captan el contexto de la queja.
Leer más:
La inteligencia artificial enseña a las empresas a participar en las redes sociales
‘Escucha’ a gran escala: aprendizaje automático e IA generativa
Hemos creado un modelo de análisis de la experiencia de clientes bancarios combinando el aprendizaje competitivo con la inteligencia artificial generativa cuyo funcionamiento se divide en tres etapas:
-
Las transcripciones de texto de las llamadas telefónicas se limpian de ruidos (como muletillas o risas) y anonimizan para cumplir con la normativa de privacidad de datos del sector bancario.
-
El sistema organiza las conversaciones en grupos temáticos de forma automatizada y transparente mediante un algoritmo de aprendizaje competitivo.
-
Se aplica un modelo de IA generativa de generación aumentada por recuperación (que le permite buscar información actualizada, reduciendo errores y aportando datos precisos) y reordenación semántica (que le permite entender el contexto y la intención del lenguaje humano).
Estas herramientas permiten que los analistas interroguen al sistema haciendo preguntas en lenguaje natural. Por ejemplo: “¿Cuáles fueron los principales motivos de insatisfacción este mes?”. También, pueden recibir al instante respuestas detalladas basadas directamente en la evidencia de las llamadas reales.
Aplicamos nuestra herramienta a 10 062 406 de conversaciones telefónicas entre clientes y agentes, recogidas mensualmente por una institución financiera durante dos años.
Menos quejas, más autonomía y más eficiencia
¿Qué mejora nuestro modelo cuando analiza millones de horas de conversación? Básicamente, la capacidad de extraer las necesidades explícitas de los usuarios. No solo diagnostica el descontento, sino que proporciona el conocimiento para erradicarlo.
Detecta con precisión los problemas reales que llevan al cliente a llamar a la entidad. Así, los analistas bancarios pueden rediseñar las aplicaciones móviles y los canales digitales para poder reducir las quejas.
A continuación, exponemos de manera gráfica un ejemplo de la interfaz sobre cómo se pregunta y se genera la respuesta:
Se puede observar su gran capacidad de detectar aquellos problemas que provocarían llamadas recurrentes a los centros de atención al cliente. Esto permite rediseñar más eficientemente los servicios digitales y las funcionalidades de autoservicio. De este modo, se fomenta la autosuficiencia del cliente al permitirle resolver sus gestiones de forma independiente y sencilla. Al reducir su esfuerzo, aumenta drásticamente la lealtad y confianza del usuario hacia su entidad.
Además, la retroalimentación continua del sistema permite que los bancos identifiquen nuevos problemas, se anticipen a la insatisfacción y diseñen y rediseñen intervenciones específicas. Así, se mejora tanto la eficiencia operativa como la calidad de la relación. Todo esto provoca nuevamente una reducción significativa de llamadas telefónicas asistidas. Como resultado, se disminuye sensiblemente tanto la carga de trabajo de los agentes como los costes operativos para la empresa.
Más de diez millones de llamadas
La efectividad de la herramienta se demostró con una doble auditoría. Primero, por analistas expertos que otorgaron al sistema puntuaciones sobresalientes (alrededor de 5 sobre un máximo de 5). Por otro lado, hicimos una validación cruzada para comparar las respuestas del modelo con las de otros sistemas de inteligencia artificial como Gemini y DeepSeek. Los niveles de coincidencia semántica fueron superiores al 90 % y 85 % respectivamente.
Además de los buenos resultados en términos de análisis de las respuestas de los clientes, nuestro sistema demostró una mejor eficiencia computacional, al reducir los tiempos de ejecución y los costes en la nube, alineándose con los objetivos de sostenibilidad energética de las organizaciones.
Con la integración del aprendizaje automático y los modelos lingüísticos, el futuro de la experiencia bancaria ya no se decidirá rellenando casillas del 1 al 10, sino escuchando con inteligencia lo que los clientes dicen.
Las personas firmantes no son asalariadas, ni consultoras, ni poseen acciones, ni reciben financiación de ninguna compañía u organización que pueda obtener beneficio de este artículo, y han declarado carecer de vínculos relevantes más allá del cargo académico citado anteriormente.
– ref. ¿Frustrado con su banco? Por qué la IA es mejor que las encuestas para entender las quejas de los clientes – https://theconversation.com/frustrado-con-su-banco-por-que-la-ia-es-mejor-que-las-encuestas-para-entender-las-quejas-de-los-clientes-287057