Satisfação preditiva: modelar o sentimento antes de medi-lo

Uma pesquisa de satisfação mostra como se sente uma fatia cada vez menor e autosselecionada do seu público. Não mostra como se sente o restante, e a distância entre os dois cresce a cada ano.

A causa não é uma pesquisa mal feita. É que cada vez menos pessoas respondem, e quem deixa de responder é sistematicamente diferente de quem continua. Quando os respondentes se concentram em um único grupo, a média que eles produzem deixa de retratar a população. Você reporta uma pontuação saudável e a apresenta como representativa, enquanto os clientes que nunca responderam vão embora calados.

O número em que você confia depende de quem responde

A queda nas respostas já é mensurável em escala nacional. Segundo o U.S. Census Bureau, a Current Population Survey, um dos levantamentos conduzidos com maior rigor no mundo, viu a taxa de resposta da pesquisa básica cair de 82 por cento em março de 2019 para 67 por cento em março de 2024. No mesmo período, os domicílios de renda mais alta passaram a ficar super-representados entre os respondentes, o que inflou a renda medida e subestimou a pobreza.

Se o sistema estatístico federal, com respaldo legal e equipe de campo profissional, está perdendo quinze pontos de resposta e acumulando um viés de renda mensurável, uma pesquisa trimestral por e-mail com taxa de resposta de um dígito não está medindo satisfação. Está medindo a satisfação de quem se dispõe a respondê-la.

A média de uma pesquisa só é representativa quando quem responde se parece com quem não responde. E essa premissa vem ruindo em silêncio.

A satisfação preditiva estima a resposta que todos teriam dado

A satisfação preditiva fecha essa lacuna com modelagem, e não insistindo mais na pergunta. Você parte de uma amostra válida de quem de fato respondeu e trata essas respostas pelo que elas são: dados rotulados de treinamento. Depois, cruza esses respondentes com atributos que você já tem sobre toda a população: uso do serviço, histórico de transações, comportamento por canal, tempo de relacionamento, localização, contatos com o suporte.

O modelo aprende a relação entre esses padrões observáveis e a satisfação que os respondentes declararam. Aplicado a todos os demais, ele gera uma pontuação estimada para cada cliente ou cidadão que nunca respondeu. O resultado não é uma única média geral. É um mapa do sentimento de toda a população, segmento a segmento, que mostra quem está satisfeito, quem está se afastando e onde a insatisfação se forma abaixo da superfície.

É a mesma disciplina de modelagem por trás do churn modeling, só que voltada para o sentimento. E os ganhos de agir a partir de um sinal modelado, em vez de uma reclamação, estão bem documentados.

Esperar o sinal aparecer sozinho sai caro, porque a maior parte da insatisfação nunca chega a ser dita.

Como montar um modelo de satisfação preditiva

O método é rigoroso o bastante para decisões de compra e políticas públicas, e prático o bastante para virar ação dentro de um trimestre.

1. Apoie-se em uma amostra válida. Continue aplicando a pesquisa. Os respondentes são a sua referência de campo, e o modelo é só tão honesto quanto os rótulos com que ele aprende.
2. Cruze com dados que você já tem. Junte os respondentes a uso, transações, atividade por canal e registros de atendimento. Para começar, você não precisa instrumentar nada de novo.
3. Treine e valide com holdout. Ajuste o modelo nos respondentes, teste-o em respondentes que ele nunca viu e reporte a acurácia antes que alguém confie em qualquer previsão.
4. Pontue toda a população. Estime a satisfação de cada pessoa e depois agregue por segmento, região e serviço para expor as lacunas que uma média geral esconde.
5. Complemente, nunca substitua. Onde houver uma resposta real, use-a. O modelo amplia o alcance da pesquisa; ele não se passa por uma.
6. Direcione a intervenção. Encaminhe os segmentos de alto risco a um processo de closed-loop e a uma next best action, para que uma pontuação modelada vire uma resposta concreta e com responsável.

O retorno é um alerta antecipado, não um relatório mais bonito

Quando a satisfação é modelada para toda a população, ela deixa de ser um retrato do passado e passa a ser uma previsão sobre a qual você pode agir. E isso pesa mais hoje do que pesava um ano atrás: a Forrester constatou que a qualidade da experiência do cliente nos EUA caiu pelo terceiro ano seguido, algo inédito, com 39 por cento das marcas em queda. As organizações que se sustentam não estão pesquisando com mais afinco. Elas estão enxergando os clientes que a pesquisa não alcança.

Uma visão modelada também redireciona o investimento. Em vez de financiar os problemas que por acaso fazem barulho, você financia os segmentos que os dados apontam como silenciosamente desengajados, e defende essa escolha com um número, e não com um caso isolado.

Para construir isso com a gente, conheça o predictive satisfaction scoring e o nosso trabalho de closed-loop, ou veja como tudo isso acontece na prática nos estudos de caso.