Modelos MML para el análisis de feedback de clientes

Caso de Éxito

Modelos LLM

AI-Driven Semantic Data Categorization

Objetivo del proyecto

SEAT cuenta con un sistema de feedback de clientes en el que recurrentemente mandan encuestas de satisfacción. Estas encuestas, que se realizan en todos los principales países de Europa para todas las marcas del Grupo Volkswagen, cuentan con una serie de preguntas de respuesta abierta escritas en texto libre por los usuarios. Estas respuestas contienen gran cantidad de inputs de interés para los equipos de desarrollo de producto, pero son difíciles de procesar e unificar a nivel de búsqueda de patrones.

Por ello SEAT nos contrató 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

 

Conviértete en nuestro próximo caso

Solución Kraz

Nuestra solución se basó en usar modelos LLM para la realización de las distintas tareas aplicadas a unos 100.000 comentarios.
Contáctanos
R
  • Homogeneización del feedback bajo un mismo paraguas contextual, para ello se realizó la traducción de los comentarios de los distintos idiomas (alemán, francés, español, italiano) a inglés
  • Creación de categorías de conversación a varios niveles de detalle (10 categorías, 50 subcategorías)
  • Asignación de cada comentario a las distintas categorías definidas

Desde Kraz utilizamos las herramientas de Open AI para la ejecución de las distintas tareas asociadas al proyecto. La combinación del interfaz conversacional (ChatGPT) y la API de GPT-4o nos permitieron la ejecución completa del proyecto.

 

Resultados del proyecto

Los resultados de los distintos proyectos que implementamos desde Kraz han permitido, entre otros:

 

  • 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 ha hecho un trabajo excelente entendiendo nuestras necesidades, explorando la información existente, y articulando un proyecto de data que responde 100% a nuestros requerimientos desde una perspectiva innovadora.

El proyecto ha permitido identificar las distintas tipologías de usuarios perfectamente dibujadas a partir de la visión holística de cada usuario individual. La comprensión global de nuestra comunidad de usuarios nos permitirá una mejor gestión estratégica de los contenidos en la plataforma 3Cat»

Benet Pujol – Head of Market Research –  SEAT

Descubre aquí más casos de éxito by Kraz