--- title: Sinnetic México - Ciencia de datos e investigación aplicada | customer journey map description: customer journey map | Sinnetic México - Ciencia de datos e investigación aplicada --- Posts about # customer journey map ## [Segmentación de audiencias Web: Data Analytics](https://blog.sinnetic.com/mexico/segmentación-de-audiencias-web-data-analytics) Posted by [Gabriel Contreras](https://blog.sinnetic.com/mexico/author/gabriel-contreras) | May 16, 2022 12:30:00 AM Google Analytics solo nos muestra parte de la historia. Todos los sitios web guardan un archivo... [ CONTINUE READING ](https://blog.sinnetic.com/mexico/segmentación-de-audiencias-web-data-analytics) ## [Data Science: Experiencia de cliente y cobranza predictiva](https://blog.sinnetic.com/mexico/data-science-experiencia-de-cliente-y-cobranza-predictiva) Posted by [Gabriel Contreras](https://blog.sinnetic.com/mexico/author/gabriel-contreras) | Apr 26, 2022 11:56:24 AM De acuerdo a nuestro observatorio Pulso del Consumidor, durante dos años consecutivos, el 63% de... [ CONTINUE READING ](https://blog.sinnetic.com/mexico/data-science-experiencia-de-cliente-y-cobranza-predictiva) ## [Ciencia de datos y el journey empírico de experiencia de cliente](https://blog.sinnetic.com/mexico/ciencia-de-datos-y-el-journey-empirico-de-experiencia-de-cliente) Posted by [Gabriel Contreras](https://blog.sinnetic.com/mexico/author/gabriel-contreras) | Jan 26, 2022 6:00:45 PM Durante la década de los 90 y primera década del siglo XXI, el concepto de satisfacción del cliente... [ CONTINUE READING ](https://blog.sinnetic.com/mexico/ciencia-de-datos-y-el-journey-empirico-de-experiencia-de-cliente) ## [Insights desde chatbots y whatsapp con NLP](https://blog.sinnetic.com/mexico/insights-desde-chatbots-y-whatsapp-con-nlp) Posted by [Gabriel Contreras](https://blog.sinnetic.com/mexico/author/gabriel-contreras) | Jan 26, 2022 5:55:02 PM En la medida en la que las organizaciones abren nuevos canales de interacción con el consumidor,... [ CONTINUE READING ](https://blog.sinnetic.com/mexico/insights-desde-chatbots-y-whatsapp-con-nlp) ### Grow your business more quickly with our solutions for inbound and ecommerce Discover a new digital growth model that attracts visitors, converts them into leads, transforms them into customers and then follows them in the after-sales phase, managed with traditional trade methods or with ecommerce. TAKE AN APPOINTMENT [![WhatsApp](https://upload.wikimedia.org/wikipedia/commons/6/6b/WhatsApp.svg) ](https://wa.me/573180242831) ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Google Analytics solo nos muestra parte de la historia. Todos los sitios web guardan un archivo llamado LOG. Este archivo almacena los historiales de navegación a nivel dirección IP usuario tras usuario. ¿Qué pasaría si tomamos los logs? ¿Qué podríamos aprender de nuestro sitio web? ¿Que mejoras y optimizaciones podríamos hacer en nuestro e-commerce? Nuestra metodología CIDO, integra cookies, centinelas y análisis de LOGS para optimizar el CUSTOMER JOURNEY MAP de nuestros visitantes web creando estímulos para incrementar conversión. Comencemos con algunas metodologías para segmentar nuestra audiencia web, para ello un breve video a manera de demostración.", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/mexico/author/gabriel-contreras" }, "dateModified" : "16/05/2022", "datePublished" : "16/05/2022", "headline" : "Segmentación de audiencias Web: Data Analytics", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://8862358.fs1.hubspotusercontent-na1.net/hubfs/8862358/redes-blog-audiencias-web-707x370.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/mexico/segmentación-de-audiencias-web-data-analytics", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "De acuerdo a nuestro observatorio Pulso del Consumidor, durante dos años consecutivos, el 63% de los entrevistados reportan reducción de su capacidad de ahorro y el 34% registran un incremento en sus niveles de endeudamiento. Esta última porción, reporta una reducción significativa del 21% en su bienestar percibido. Esto indica, que la tensión económica producto de la pandemia, puede estar generando retos en la capacidad de pago de deudas de los consumidores; el fenómeno de incumplimiento en pagos se extiende a créditos comerciales. La cobranza, es un punto de contacto clave que rara vez se diagrama en los Customer Journey Map. Según como se haga, puede generar problemas a la experiencia del cliente. El objetivo de este blog es analizar mejores prácticas alrededor de Predictive Collection y plantea algunas ideas desde nuestra experiencia consultiva con BPO, bancos y aseguradoras. BUENAS PRÁCTICAS ANALÍTICAS Y DIGITALES EN PROCESOS DE COBRANZA. La aplicación de analítica en procesos de cobranza pueden representarse con la metáfora de un triángulo con tres vértices: Función de cobranza: Generación de data de proceso y resultado con finalidad analítica. Tecnología data céntrica: Favoreciendo estrategias Push y Pull durante el proceso. Excelencia operacional: Integrando investigación de operaciones y optimización al proceso de cobranza. Función de cobranza: Desde esta perspectiva, las tendencias indican algunos rasgos característicos: Creación de canales de autogestión 7*24 para capturar data del cliente. Desde esta perspectiva el cliente puede subastar opciones de pago en función de sus posibilidades. Algoritmos de subasta y optimización del precio serían programados en estas plataformas de autogestión. Estos algoritmos aprovechan analítica de sensibilidad del precio para estimar el nivel optimo de reducción de la obligación para generar motivación de pago sin dejar dinero sobre la mesa Modelos MaR (Money at Risk) y PtP (Propensity to Pay) para soportar las decisiones de cobranza y el disparo de campañas al usuario. Behavioral sensitive: Los modelos al igual que las acciones automatizadas de cobranza deben estar orientadas a cambios conductuales del usuario. Los sistemas transaccionales tendrían que capturar dichos comportamientos usando tecnologías de monitoreo y el establecimiento del Journey Empírico del usuario. Next Best Action: En función de la elasticidad del precio (Mínima reducción de la obligación para elevar el PtP Propensity to pay) se deberían programar modelos que propongan acciones al usuario motivando su conducta de pago. En este sentido los avances en economía conductual con particular énfasis en Nudge soportarían motivacionalmente el proceso Excelencia operacional. Un común denominador en los procesos de cobranza, es que son expertos en almacenar resultados (recaudo) pero poco eficientes para almacenar data de proceso. Por lo general el proceso carece de variables como: Tiempo entre procesos. Notas del analista de cobranza Información del agente People analytics Información de omnicanalidad: Chat, bots, whatsapp. Generalmente, el resultado no es lo que se optimiza, se optimiza el proceso y sin datos del mismo es imposible. En este sentido, parte esencial en la creación de un modelo de cobranza Data Centric y pro Customer Experience debe recaudar información de proceso en consecuencia. Producto de nuestra experiencia consultiva acompañando BPO, bancos, aseguradoras y demás empresas del sector financiero, hemos construido lo que sería un roadmap de evolución analítica del proceso de cobranza evitando afectar la experiencia del usuario como se muestra a continuación: Tanto los datos de operación como de autogestión son capturados en un modelo de datos que llamamos COLLECTION SIGNAL REPOSITORY. Sobre este modelo de datos se despliega una capa de gobierno y calidad de datos para servir a cinco núcleos de tarea: Analítica de señales de cobranza. Disparo de campañas de cobranza Feedback y recaudo Optimización de la gestión Reporteo. Creemos que podemos agregar valor a tu estrategia de cobranza integrando investigación de mercados y analítica de datos e inteligencia artificial. Entremos en contacto según tu agenda América del Sur México y Centroamérica", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/mexico/author/gabriel-contreras" }, "dateModified" : "26/04/2022", "datePublished" : "26/04/2022", "headline" : "Data Science: Experiencia de cliente y cobranza predictiva", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://8862358.fs1.hubspotusercontent-na1.net/hubfs/8862358/Blog/Cobranza%20predictiva%20715x374.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/mexico/data-science-experiencia-de-cliente-y-cobranza-predictiva", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Durante la década de los 90 y primera década del siglo XXI, el concepto de satisfacción del cliente ocupó mucho a los ejecutivos de servicio y marketing. Es en la segunda década del siglo XXI donde el concepto de experiencia comienza a tomar fuerza, ¿Cuál es la diferencia? Satisfacción del cliente Experiencia del cliente ¿Quién es el protagonista? El proceso es el responsable de la sensación de satisfacción del consumidor El usuario es el responsable de su propia experiencia. ¿Cuál es el rol del proceso? Generar en el usuario imaginarios y sensaciones de bienestar. Mostrarle al usuario cómo tener una mejor experiencia ¿Cuál es el rol de la medición? Monitorear errores y fallas para asegurar que el usuario sienta satisfacción con el producto / servicio actual. Encontrar nuevas necesidades no resueltas del usuario. Una de las herramientas más importantes en gestión de experiencia es el Customer Journey Map. Se trata de un seguimiento específico de la interacción del usuario con cada punto de contacto. Hasta el momento los métodos cualitativos han servido con alta eficiencia para describir Customer Journey Maps teóricos, que describen la experiencia ideal del usuario, pero haciendo integración de datos desde los diferentes sistemas transaccionales de la organización, es posible describir un Customer Journey Map empírico. A continuación algunas diferencias entre el el CJM teórico vs empírico: CJM Teórico CJM Empírico ¿Cuales son las bases teóricas para el planteamiento? Filosofía de calidad total Swedish Customer Satisfaction Barometer (SCSB) American Customer Satisfaction Index” (ACSI) Norwegian Customer Satisfaction Barometer (NCSB) European Customer Satisfaction Index (ECSI) Hong Kong Customer Satisfaction Index (HKCSI) Economía del comportamiento. Sesgos de consumidor. Heurísticos de decisión. Nudge Juicios de consumidor. ¿Qué Información se usa para su construcción? Encuestas históricas de satisfacción. Estudios cualitativos de experiencia de usuario. Acuerdos en sesiones de ideación sobre experiencia de usuario. Ingesta e integración de datos provenientes de los diferentes sistemas transaccionales y medios de contacto de la organización. ¿Qué describe? La experiencia ideal, lo que debería ser adecuado para la experiencia del usuario Lo que realmente ha experimentado el usuario, de forma secuencial en cada punto de contacto. ¿Que beneficios aporta? Norte para mejorar los procesos y alinear la transformación digital y cultural de los mismos. Aprovechamiento de la huella digital de la experiencia auténtica del usuario. ¿Qué aportes hacen a la construcción de la experiencia? Adaptación del proceso a los retos del competidor y el mercado. Encontrar los cuellos de botella y nudos de proceso que impiden que el usuario pueda gestionarse. Debilidades Se centra en hipotéticos de servicio y plantea ideales de gestión que tienen como referencia el competidor y el mercado, fundamentalmente. Se centra en datos internos y su aprovechamiento, desconociendo el competidor o el benchmark de industria. ¿COMO SE CONSTRUYE UN JOURNEY EMPÍRICO? Podemos hablar de 4 grandes etapas: Ingesta de datos: En esta etapa, nos interesa mapear todos los sistemas transaccionales que dan fe de la experiencia del cliente. Ejemplo: en el sistema de facturación, servicio, contactcenter, PQRS, etc., existe un rastro de transacción del usuario con fecha y hora. Integración de datos: Aquí, interesa crear un ABT (Analytic Based Table) que integre la información desde el evento más antiguo hasta el más reciente. Esto permite ver el journey real del usuario. Analitica de datos: Mediante reglas de asociación (algoritmo de minería de datos) se pueden encontrar secuencias frecuentes, repetitivas comparando los journey de todos los consumidores y agrupando aquellos cuya secuencia son similares. Esto permite segmentar las audiencias e intervenir de forma eficiente. Visualización y consumo de información: Establecer gráficos de sankey para trazar experiencias frecuentes. esto permite dimensionar los embudos y cuellos de botella. Un ejemplo de visualización en SAS se aprecia a continuación:", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/mexico/author/gabriel-contreras" }, "dateModified" : "26/01/2022", "datePublished" : "26/01/2022", "headline" : "Ciencia de datos y el journey empírico de experiencia de cliente", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://fs.hubspotusercontent00.net/hubfs/8862358/Blog/experiencia%20de%20cliente%20715x374.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/mexico/ciencia-de-datos-y-el-journey-empirico-de-experiencia-de-cliente", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "En la medida en la que las organizaciones abren nuevos canales de interacción con el consumidor, crece la captura de información no estructurada (texto, voz, imagen etc.). La mayoría de sistemas de chat permiten parametrizar secuencias de instrucciones pero no informan al negocio sobre la conversación y narrativa dentro del chat. Este blog busca exponer algunas ideas desde nuestra experiencia consultiva para hacer de la omnicanalidad una fuente inagotable de insights para el negocio. La tabla a continuación muestra algunas de las preguntas que nuestros clientes se han hecho sobre la información de chat y whatsapp; de igual forma muestra lo que han hecho con las respuestas. Caso de uso Preguntas de negocio Acciones tras obtener la respuesta. Experiencia de usuario ¿Cuál es la secuencia de conversación?, ¿cómo inicia, madura y termina? ¿Cómo es la emotividad del cliente a lo largo de la conversación? ¿qué detona emotividad positiva o negativa? Mejorar embudos y cuellos de botella en el árbol de instrucciones del bot. Detectar anticipadamente estados emocionales negativos para acelerar respuestas breves o paso de la máquina al agente humano. Aislar información que nutra modelos para predecir la fuga del cliente. Auditoría ¿Cuáles son las principales necesidades que el usuario busca responder en el chat? ¿El agente responde adecuadamente? (Si es agente humano) ¿El bot tiene parametrizada la respuesta? (si es agente artificial) Clínica de atención al cliente. Habilitar nuevas funcionalidades en el canal. Agilizar las rutas y crear accesos rápidos a necesidades específicas. Mejorar el posicionamiento y desempeño del canal Innovación ¿Qué preguntas del usuario no están parametrizadas en el bot? ¿Necesidades no resueltas? Desarrollar nuevas funcionalidades, productos o servicios al interior del chat. A la hora de minarlos con detenimiento, los datos de un chat tienen varias complejidades: Una secuencia definida por preguntas y respuestas muy parecidas a un partido de ping pong. Respuestas cortas muy parecidas a un telegrama o un tweet. Exceso de cortesía, particularmente por parte del agente, lo que hace difícil detectar el sentimiento de la conversación. Nuestro proceso consultivo se basa en integrar metodologías lingüísticas con inteligencia artificial como se muestra a continuación: Integración de datos: La creación de un datamart textual que integre los chat en secuencia, lo cual facilita accesar al texto de forma enriquecida. Un datamart textual desagrega en tokens las diferentes formas ortográficas de una palabra. Las personas no suelen chatear con ortografía y en español la ausencia de una tilde o el cambio de s a c puede cambiar el significado de una palabra. Diseño muestral para el entrenamiento: Para entrenar el modelo se requiere un set muestral de conversaciones. Dado que los canales evolucionan y agregan funcionalidades a lo largo del tiempo y que las necesidades del cliente cambian, el diseño muestral debe contemplar muestras de conversaciones en diferentes meses, momentos del día, días de la semana etc. Esto permite además tener en cuenta posibles efectos estacionales que impacten el contexto narrativo del modelo. Minería de texto: Partiendo del chat conjunto hacemos parsing y filtring para aislar las palabras clave con mayor frecuencia y asociación entre sí. Se limpian sinónimos y se crean listas de palabras clave asociadas con el negocio para que la detección de señales sea dirigida. Esto permite extraer las temáticas core. Creación de taxonomías: Mediante metodologías y heurísticos lingüísticos creamos taxonomías de temáticas asociadas a las necesidades de negocio. Esto permite la clasificación de preguntas de cliente, productos, requerimientos, servicios, respuestas de los agentes entre otros. Reglas de asociación: Luego de clasificar correctamente el texto en taxonomías clave para el negocio, analizamos la secuencia de conversación: cómo inicia y como termina. En este orden de ideas, las reglas de asociación permiten ver secuencias frecuentes con alta probabilidad de ocurrencia, lo que permite segmentar las conversaciones según secuencias narrativas y crear interpretaciones teniendo en cuenta todo el journey. Análisis contextual: Usando reglas boleanas y lingüística avanzada, las taxonomías se convierten en clasificadores automáticos basados en contexto, lo que permite determinar sentimiento, ironía, sarcasmo y reproche para terminar un análisis textual completo. Hemos tenido la oportunidad de apoyar diferentes organizaciones en sus retos de analítica de datos no estructurados de chats. Será un gusto compartir contigo estas experiencias, hagamos una reunión. América del Sur México y Centroamérica", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/mexico/author/gabriel-contreras" }, "dateModified" : "26/01/2022", "datePublished" : "26/01/2022", "headline" : "Insights desde chatbots y whatsapp con NLP", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://fs.hubspotusercontent00.net/hubfs/8862358/NLP%20ingles%20715x374.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/mexico/insights-desde-chatbots-y-whatsapp-con-nlp", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ```