Quando se trata de dados, os profissionais de marketing se concentraram principalmente na qualidade dos dados estruturados em suas plataformas de CRM e automação de marketing nos últimos 15 anos.

No meu artigo de março, discuti por que os processos atuais de governança e gerenciamento de dados devem ser revisados. Desta vez, manterei meu foco em dados não estruturados, mergulhando nos desafios das pesquisas de satisfação do cliente.

Todos estamos familiarizados com as pesquisas de satisfação do cliente. Para nossos propósitos aqui, não há necessidade de diferenciar entre uma NPS (NET Promoter Score), classificação de cinco pontos ou métricas similares de experiência do cliente. Em vez disso, vamos nos concentrar na caixa de texto gratuita, que geralmente é a última parte dessas pesquisas.

Como chegamos aqui

Se você é diretamente responsável por pesquisas de clientes ou em parceria com uma equipe de sucesso do cliente, extrair informações acionáveis ​​dos comentários de texto livre é um desafio comum.

Existem várias razões para isso.

Desafios relacionados ao processo: Há uma variedade de abordagens diferentes de pesquisa, resultando em diferentes formatos de dados e diferentes funções responsáveis ​​pela análise dos dados da pesquisa.

Desafios relacionados às pessoas: Isso inclui priorizar os programas de voz dos clientes (VOC) em relação a outras iniciativas, analisar adequadamente comentários não estruturados e confiar em métricas quantitativas que são simplesmente mais fáceis de medir, como tendências ano após ano.

Na era da automação, também podemos ser culpados de superesturação, o que leva a ainda mais dados-um problema de volume e velocidade.

Soluções e limitações ‘Black Box’

Muitas ferramentas de pesquisa e plataformas de experiência do cliente incorporaram algoritmos e recursos de processamento de linguagem natural (PNL) para realizar algumas análises. Pense no PNL e nos algoritmos correspondentes como correspondência de palavras -chave em esteróides. Eles usam o contexto circundante para ajudar a estruturar o feedback de texto livre não estruturado em várias categorias de sentimentos, como positivo, neutro ou negativo.

Algumas plataformas também incluíram ciclos de feedback humano no circuito que pedem aos usuários que ajudem a categorizar o feedback, principalmente se houvesse contexto adicional na caixa de texto livre.

Como essa funcionalidade é frequentemente incorporada nas ferramentas de pesquisa, existem alguns problemas em potencial:

• Confiar lacunas: Você não sabe exatamente como o algoritmo de análise de sentimentos categoriza o texto gratuito.
• Obstáculos de capacidade: Os membros da equipe devem investir tempo para ajudar na categorização do sistema.
• Trade-offs de implementação: As equipes precisam usar ferramentas centralizadas para obter recursos de análise.
• Custo: É outro sistema para comprar e gerenciar e mais trabalhos de integração.

Agora podemos conversar com nossos dados

Graças a ferramentas generativas de IA como ChatGPT e Gemini, hoje todos temos uma caixa preta na ponta dos dedos e podemos usá -la para testar e validar categorizações de sentimentos. Podemos ir além da classificação positiva, negativa ou neutra investindo mais fundo para entender os detalhes.

Se sua equipe encontrar o custo de uma pesquisa completa de pesquisa e análise de análise muito íngreme para o seu orçamento, você pode até construir uma solução de bricolage.

Vamos examinar como eu coloquei essa abordagem à prova.

Primeiro, criei um conjunto de dados sintéticos do cliente usando o ChatGPT para evitar preocupações com privacidade de dados. Eu solicitei fornecer uma amostra de registros de dados do cliente envolvidos com um varejista on-line, incluindo a satisfação geral dos clientes e o feedback da caixa de texto aberto.

Em segundos, Gemini gerou um resumo de primeira linha dos resultados qualitativos com tendências de base ampla para caracterizar os dados.

Essa capacidade embutida demonstra por que a nova abordagem de bricolage será tão impactante. Não se trata mais de ferramentas separadas, pois eu literalmente conversei com meus dados para se aprofundar a cada prompt, assim:

Eu sei o que você está pensando: não devo verificar isso sozinho?

Sim, mas esse resumo de nível superior me deu um ponto de partida. Não é diferente do que eu receberia de um analista de nível básico (que eu também gostaria de verificar). A diferença crítica era minha capacidade de fazer isso diretamente em linha, sem deixar minha folha de dados e fluxo de análise.

Em seguida, sim um teste semelhante. Enviei os dados diretamente para Gêmeos e o levei a fazer uma análise de sentimentos mais completa.

Se você usou alguns dos modelos LLM mais recentes, já viu como eles mostram o pensamento deles para os usuários. Nesse caso, essa é uma dimensão crítica, pois me forneceu seu método de classificação de sentimentos.

As plataformas de pesquisa com ferramentas de análise incorporada podem vincular feedback de dados não estruturados à pontuação geral da satisfação. Pedi ao meu LLM para determinar o sentimento exclusivamente no texto sem ancorá -lo na classificação geral.

O LLM identificou quatro exemplos específicos nos quais o sentimento ancorado diferiu do sentimento direto e por quê. Isso pode desencadear outras ações de atendimento ao cliente ou acompanhamento, tudo em minutos e sob meu controle.

Implicações para os profissionais de marketing e a pilha Martech

Se você estiver atualmente usando uma plataforma de pesquisa e análise completas, este exercício pode levantar novas questões sobre o que os algoritmos incorporados fazem e como eles fazem isso. Como alternativa, se você executar pesquisas fora de uma plataforma, estará mais capaz do que nunca separando a coleta e análise dos dados.

Privacidade e confidencialidade de dados.

Seria irresponsável concluir esse exercício sem abordar uma das principais razões pelas quais essas abordagens podem ser limitadas inicialmente: a falta de clareza em relação às diretrizes de privacidade e confidencialidade de dados.

As equipes devem consultar as políticas legais, de conformidade e TI de sua organização antes de colocar dados confidenciais em uma plataforma AI/LLM. Obviamente, muitas pessoas podem já estar experimentando, o que leva à etapa crítica de revisitar as políticas de governança de dados da sua organização. A última onda de conectores “Chat With CRM” acelerará essas preocupações e aumentará a necessidade de ajustar as estruturas de conformidade.

Vire seu processo de feedback

Embora ainda seja cedo, sou encorajado por esses testes iniciais de “conversar com dados”. Como todas as outras tendências infundidas com IA, a tecnologia ultrapassou nossa capacidade de ajustar os processos e o gerenciamento da plataforma. No entanto, ao analisar o feedback de texto livre, torna-se comparável à execução de resumos quantitativos, minha esperança é que possamos dividir nossos processos de feedback para focar mais no que eles disseram e não apenas como nos classificaram.

Você mais profundo: Por que os projetos de engajamento de clientes movidos a IA falham antes de começarem