Satisfacción predictiva: modelar el sentimiento antes de medirlo

Una encuesta de satisfacción te dice cómo se siente una porción cada vez más pequeña y autoseleccionada de tu audiencia. No te dice cómo se sienten los demás, y la distancia entre unos y otros se ensancha cada año.

El motivo no es un mal diseño de la encuesta. Es que cada vez responde menos gente, y quienes dejan de contestar son sistemáticamente distintos de quienes siguen haciéndolo. Cuando los encuestados se escoran hacia un grupo, la media que producen deja de describir a la población. Comunicas una cifra saludable y la das por representativa, mientras los clientes que nunca respondieron se marchan en silencio.

La cifra en la que confías se construye sobre quienes responden

La caída de la participación ya se puede medir a escala nacional. La Oficina del Censo de Estados Unidos informa de que la Current Population Survey, uno de los instrumentos administrados con mayor rigor del mundo, vio caer su tasa de respuesta básica del 82 por ciento en marzo de 2019 al 67 por ciento en marzo de 2024. En ese mismo periodo, los hogares de renta más alta quedaron sobrerrepresentados entre los encuestados, lo que infló la renta medida y subestimó la pobreza.

Si el sistema estadístico federal, con respaldo legal y personal de campo profesional, pierde quince puntos de respuesta y gana un sesgo de renta medible, una encuesta trimestral por correo electrónico con una tasa de respuesta de un solo dígito no está midiendo la satisfacción. Está midiendo la satisfacción de quienes están dispuestos a contestarla.

La media de una encuesta solo es representativa cuando quienes responden se parecen a quienes no lo hacen. Esa suposición se está rompiendo en silencio.

La satisfacción predictiva estima la respuesta que habría dado cada persona

La satisfacción predictiva cierra esa brecha modelando, no preguntando con más insistencia. Partes de una muestra válida de quienes sí respondieron y tratas sus respuestas como lo que son: datos de entrenamiento etiquetados. Después cruzas a esos encuestados con los atributos que ya tienes de toda la población: uso del servicio, historial de transacciones, comportamiento por canal, antigüedad, geografía y contactos con soporte.

Un modelo aprende la relación entre esos patrones observables y la satisfacción que declararon los encuestados. Aplicado al resto, produce una puntuación estimada para cada cliente o ciudadano que nunca respondió. El resultado no es una única media indiferenciada. Es un mapa del sentimiento de toda la población, segmento a segmento, que muestra quién está satisfecho, quién se está alejando y dónde se está fraguando el descontento por debajo de la superficie.

Es la misma disciplina de modelado que sustenta el modelado de churn, orientada esta vez al sentimiento. Y el beneficio de actuar sobre una señal modelada en lugar de sobre una queja está bien documentado.

El coste de esperar a que la señal llegue por sí sola es alto, porque la mayor parte de la insatisfacción nunca se expresa.

Cómo poner en marcha un modelo de satisfacción predictiva

El método es lo bastante riguroso para compras públicas y políticas, y lo bastante práctico para actuar dentro de un trimestre.

1. Ánclate en una muestra válida. Sigue ejecutando la encuesta. Los encuestados son tu verdad de referencia, y el modelo solo es tan honesto como las etiquetas de las que aprende.
2. Crúzalo con los datos que ya tienes. Une a los encuestados con el uso, las transacciones, la actividad por canal y los registros de servicio. No hace falta nueva instrumentación para empezar.
3. Entrena y valida sobre un conjunto de retención. Ajusta el modelo con los encuestados, pruébalo con encuestados que nunca ha visto e informa de su precisión antes de que nadie confíe en una sola predicción.
4. Puntúa a toda la población. Estima la satisfacción de todo el mundo y luego agrégala por segmento, región y servicio para sacar a la luz las brechas que una media mezclada oculta.
5. Combina, nunca sustituyas. Donde tengas una respuesta real, úsala. El modelo amplía el alcance de la encuesta; no aspira a reemplazarla.
6. Encamina la intervención. Entrega los segmentos de alto riesgo a un proceso de closed-loop y a una next best action, para que una puntuación modelada se convierta en una respuesta concreta y con dueño.

El premio es una señal anticipada, no un informe más bonito

Cuando la satisfacción se modela en toda la población, deja de ser una mirada al pasado y se convierte en una previsión sobre la que puedes actuar. Y eso importa más ahora que hace un año: Forrester constató que la calidad de la experiencia de cliente en Estados Unidos ha caído por tercer año consecutivo, algo sin precedentes, con un 39 por ciento de las marcas en retroceso. Las organizaciones que aguantan el tipo no encuestan con más fuerza. Ven a los clientes que la encuesta se deja por el camino.

Una visión modelada también reorienta el gasto. En lugar de financiar los problemas que casualmente hacen más ruido, financias los segmentos que los datos señalan como los que se desvinculan en silencio, y puedes defender esa decisión con una cifra y no con una anécdota.

Para construir esto con nosotros, explora el predictive satisfaction scoring y nuestro trabajo de closed-loop, o descubre cómo se materializa en los casos de éxito.