Hoy en día, las empresas cuentan con grandes cantidades de datos. Sin embargo, la clave está en saber sacar el máximo rendimiento a toda esta información para poder tomar decisiones importantes que afecten de manera positiva al negocio. Por eso, cuando SEAT llamó a nuestra puerta, teníamos claro que en análisis del feedback de clientes a través de modelos LLM y herramientas GPT iba a ser fundamental para obtener información de valor sobre los usuarios.
¿Queréis saber más? ¡Os contamos todo sobre este Business Case de SEAT en este artículo!
Del feedback de clientes a información de valor para los equipos de desarrollo de producto
SEAT tiene establecido un sistema de feedback de clientes en el que de forma recurrente se mandan encuestas de satisfacción a compradores de nuevos vehículos y clientes de servicio postventa (talleres oficiales de la marca). Este proceso se realiza en todos los principales países de Europa para todas las marcas del Grupo Volkswagen. Como parte de los cuestionarios de satisfacción, se incluyen una serie de preguntas de respuesta abierta en el que los usuarios detallan aquellos aspectos que más gustan o que menos gustan del producto comprado o el servicio recibido.
Estas respuestas, escritas en texto libre por los usuarios, contienen gran cantidad de inputs de interés para los equipos de desarrollo de producto.
En este contexto, SEAT nos pidió ayuda para llevar a cabo el análisis de toda esta información con los siguientes objetivos:
- Discovery de nuevos grupos de categorías temáticas de feedback
- revisión de la categorización existente
- Clasificación de feedback de clientes en cada categoría de interés de la marca
- cuantificación de comentarios por categoría
- insights concretos de cada temática
- Generación de herramientas de reporting
- dashboards de resultados
- herramientas de IA generativa para elaboración de informes y resúmenes
El uso de modelos LMM, clave para el análisis de más de 100k comentarios con escucha activa.
Desde Kraz nos pusimos manos a la obra y nuestra solución se basó en usar modelos LLM para la realización de las distintas tareas aplicadas a unos 100.000 comentarios.
- Unificar todo el feedback bajo un mismo paraguas contextual con la traducción de los comentarios de los distintos idiomas (alemán, francés, español, italiano) al inglés
- Creación de categorías de conversación a varios niveles de detalle (10 categorías, 50 subcategorías)
- Asignación de cada comentario a las distintas categorías definidas
Para ello, utilizamos las herramientas de Open AI para la ejecución de las distintas tareas asociadas al proyecto. La combinación de la interfaz conversacional (ChatGPT) y la API de GPT-4o nos permitieron la ejecución completa del proyecto.
«La adopción de los LLM nos ha proporcionado muchísima más rapidez en el tratamiento de la información recogida en los cuestionarios de satisfacción. Nos ha dado mayor objetividad y diversidad en la identificación y clasificación de los temas expresados por los clientes. Y además nos ofrece mucha mayor capacidad para resumir la información contenida y generar respuestas adecuadas a preguntas formuladas en lenguaje natural.» Benet Pujol, Head of Market Research at SEAT
Resultados del proyecto
El proyecto resultó todo un éxito y estos fueron algunos de sus resultados:
- Detectar las distintas categorías de comentarios, definiendo más de 50 temáticas distintas de contenidos, agrupadas en unas 10 grandes temáticas de primer nivel.
- Identificar categorías temáticas no anteriormente clasificadas, aflorando contenidos capilares concretos relevantes para los distintos equipos de trabajo
- Cuantificar el volumen de comentarios asociados con cada categoría, pudiendo realizar comparativas entre marcas del grupo VW, modelos de coche, países de comercialización, etc.
- Acceso a información de primera mano por parte de los equipos internos de la marca (equipos que trabajan en las distintas funcionalidades del coche). El input de clientes es canalizado directamente a cada uno de los equipos relacionados con el feedback.
- Establecimiento de una nueva clasificación de referencia a mantener en siguientes oleadas de datos.
- Puesta en marcha de un chatbot para análisis de datos basado en IA en el que, a través de inputs conversacionales, ejecutan resúmenes, comparativas y análisis detallados que facilitan enormemente el análisis y la toma de decisiones.
«KRAZ reúne un incuestionable know how en tecnología digital y tratamiento de datos, a la vez que un profundo conocimiento de investigación de mercados, acompañado de una notable orientación al cliente. Todo ello ha permitido conseguir los objetivos del proyecto con la mayor eficiencia y satisfacción.» Benet Pujol, Head of Market Research at SEAT
Si tú también quieres que te ayudemos a llevar tu negocio a otro nivel gracias al análisis de datos a través de herramientas de AI y otros modelos avanzados, ¡no lo dudes y contacta con nosotros! Nuestro equipo estará encantado de poder ayudarte.
