En un e-commerce, la caja de comentarios que aparece al final de un proceso de compra puede ser una fuente valiosa de información y una oportunidad interesante para personalizar los productos y servicios que ofrecemos.
Hasta hace poco, obtener insights valiosos a partir de la caja de comentarios era un proceso complejo pues implicaba analizar cientos de miles de entradas de texto en lenguaje natural. Esta tarea resultaba todavía más difícil si consideramos que, en muchas ocasiones, el texto que vamos a encontrar en las cajas de comentarios va a tener usos coloquiales o variantes regionales del idioma de los usuarios.
A continuación hablaremos de cómo, a través de una metodología que aprovecha la capacidad de análisis de ChatGPT, obtuvimos insights con los que logramos mejorar la coherencia entre las experiencias de compra físicas y digitales, al mismo tiempo que anticipamos las necesidades de los usuario y ofrecíamos experiencias con un mayor grado de personalización.
Antes de entrar a revisar los datos con los que vamos a trabajar, es importante entender al detalle todo lo que hay detrás del proceso de compra y entrega.
Por este motivo, nuestro proceso comenzó con una serie de entrevistas que nos permitieron comprender el journey de actores clave en el proceso de compra como carniceros, pick and packers y líderes de área.
Esta parte del proceso nos permitió delimitar el papel de la caja de comentarios y algunos de los dolores que están asociados con este campo del pedido.
En términos generales podemos decir que este paso fue fundamental para comprender dónde estaban los dolores que impedían que la experiencia de hacer compras por los canales digitales sea satisfactoria o coherente con la que ofrecen las tiendas físicas, donde, para dar un ejemplo, podemos elegir con precisión el nivel de maduración de frutas y verduras.
Al igual que en muchos procesos de análisis, es fundamental garantizar la calidad de la información con la que vamos a trabajar. En el caso de las cajas de comentarios, existen muchas entradas que podemos descartar desde el principio, ya sea por falta de coherencia o porque no contienen información relevante para el pedido.
Luego de esta depuración, se puede hacer una análisis preliminar en el que se puede identificar cuáles son las principales necesidades que los usuarios buscan resolver cuando escriben un mensaje en la caja de comentarios.
Por ejemplo, podemos identificar que con frecuencia aparecen solicitudes sobre las características de un producto como “que el tomate venga bien maduro”. También podemos encontrar que son frecuentes los mensajes sobre los métodos de pago “trae vueltas para un billete de 100.000” o peticiones específicas sobre el proceso de entrega “el timbre está dañado, golpea duro”.
Del mismo modo, este análisis preliminar nos puede dar luces sobre cuáles son los productos que con más frecuencia requieren aclaraciones en la caja de comentarios. Más adelante veremos que esto nos permitirá establecer qué opciones de personalización podríamos ofrecerle a los usuarios y cómo deberíamos priorizarlas para mejorar la experiencia de compra.
El paso anterior nos ayuda a definir las principales categorías o temas que tienen las solicitudes con las que estamos trabajando y las principales palabras claves que son usadas por las personas para describir sus preferencias. A partir de esta información podemos construir una ontología, que se trata de un conjunto de términos relacionados entre sí.
Por ejemplo, podemos identificar que en sus comentarios los clientes escriben textos relacionados con el “estado de maduración” deseado en un producto, como “tomate pintón o tomate verde”. Así en la ontología, identificamos un concepto “madre”, caso del “estado de maduración”, y varios términos hijos “maduro, biche, pintón, verde, etc”.
La construcción sistemática de la ontología sirve de insumo para el “prompt” que se le da a ChatGPT, de tal manera que pueda seguir unas instrucciones precisas que lo ayuden a etiquetar el gran volumen de comentarios de los clientes.Aquí es importante resaltar que para lograr que la ontología funcione eficientemente debe ser capaz de tener en cuenta los matices culturales y lingüísticos que van aparecer en los mensajes que vamos a analizar. Por este motivo, si bien estamos usando herramientas de Inteligencia Artificial, también estamos hablando de un proceso en el que es esencial la participación humana que no solamente ayudará a establecer las hipótesis y las reglas que van a darle forma a la ontología sino que debe identificar palabras clave y otros elementos fundamentales para que la inteligencia artificial puede hacer análisis precisos.
Con el paso anterior, construimos la base e insumo principal para darle a ChatGPT y pueda categorizar de manera eficiente las observaciones de pedidos de forma estructurada.
Para construir el prompt, tuvimos en cuenta los siguientes pasos:
Para calcular la tasa de error de los análisis de ChatGPT llevamos a cabo una prueba piloto. En ella escogimos al azar el 10% del total de comentarios que íbamos a analizar y los etiquetamos manualmente.
Gracias a este proceso pudimos comprobar las diferencias entre las etiquetas de los comentarios hechos por un humano versus el mismo comentario etiquetado ChatGPT, como se puede ver en la siguiente tabla:
Esta comparación nos permitió estimar que la tasa de error de la AI era pequeña (menos del 5%). Del mismo modo, nos mostró que el método de análisis era viable para uso masivo.
Adicionalmente, detectamos algunos ajustes que podríamos implementar en una segunda iteración, esto con el fin de conseguir análisis todavía más precisos.
Utilizar la inteligencia artificial nos permitió incrementar la capacidad de análisis mientras se reducía en cerca del 50% el tiempo que habríamos empleado con otros métodos.
También nos dio información clara sobre qué debíamos priorizar en el proceso de personalización. Esto se ve claramente en que, gracias al análisis, pudimos conocer qué productos aparecen con mayor frecuencia en la caja de comentarios y cuáles son el tipo de especificaciones que los usuarios solicitan más.
Por ejemplo, al analizar miles de mensajes en la caja de comentarios podríamos descubrir que los productos cárnicos generan muchas más solicitudes específicas por parte de los usuarios y que, dentro de estas solicitudes o preferencias, “con piel” o “sin piel” tienen importancia considerable en comparación con otras. Con esta información, podemos realizar cambios puntuales en la experiencia de compra.
El análisis también nos ayudó a detectar y resolver otros problemas comunes en las órdenes digitales como las confusiones que se pueden presentar cuando un usuario que busca 3 unidades de un producto termina recibiendo 3 libras del mismo.
En muchas ocasiones las empresas saben que deben fortalecer sus procesos de personalización pero no tienen muy claro por dónde empezar. Esta metodología muestra cómo, la información no estructurada de una herramienta como la caja de comentarios, combinada con talento humano y herramientas de inteligencia artificial, pueden tener una respuesta rápida y efectiva a este problema.
Si quieres que los expertos de Pragma te ayudemos a personalizar tus activos digitales, no dudes en ponerte en contacto con nosotros.