Hay diversas formas de medir la satisfacción del cliente. Generalmente, se trata de encuestas que se realizan después de que hayan recibido el producto o el servicio y se enfocan en diversas características. Tenemos medidas como NPS - Net Promoter Score, la probabilidad de que el cliente recomiende la empresa a otros, la puntuación de satisfacción del cliente como el CSAT y otras. Generalmente, estas métricas se obtienen a través de encuestas, entrevistas o preguntas presentadas de otras maneras. Aunque se ha vuelto un estándar en diversas industrias, hoy podemos decir que no son la mejor opción. En años pasados, han sido las únicas alternativas, dando cierta información útil. Pero utilizarlas hoy en día implica quedarse atrás y no tener acceso a información acertada, actualizada y enteramente correcta.
¿Qué problemas tienen las métricas convencionales?
Las métricas convencionales, evidentemente, no son enteramente inútiles. Pero la información que ofrecen está limitada y hay ciertos sesgos que presentan que reducen lo correcto de los datos que manejan.
• Errores de muestra
Los errores de muestra se refieren a que nuestros datos no van a ser precisos por las personas que contestan la encuesta. Los que estén dispuestos a contestar la encuesta del NPS, no serán el 100% de las personas que obtengan el servicio. Tampoco se puede garantizar que se va a tratar de una muestra representativa.
Cuando decimos representativa, queremos decir que se trata de un grupo de personas que reflejan de forma adecuada las características de todos tus clientes. Por ejemplo, es posible que las personas que tuvieron una mala experiencia se sientan más inclinadas a contestar la encuesta, por lo que los resultados tendrán un sesgo negativo, mientras que la mayoría de las personas con una experiencia neutral a buena, no dan sus respuestas. Puede ser también que la encuesta sea contestada por una pequeña porción de los clientes y los resultados no representen en realidad las opiniones promedio.
El problema central es que el cliente es quien decide si contestar y cuando contestar la encuesta. Esto refleja un segundo tipo de sesgo.
• Sesgo de ausencia de respuesta
El segundo problema es que las encuestas muchas veces no reciben respuestas o son contestadas sin mayor atención, por ejemplo, marcando puros cincos o puros unos sin pararse a leer la respuesta. Esto puede suceder en casos donde el cliente no está motivado realmente a completar la encuesta o quiere llegar al final por compromiso. Los resultados de la encuesta se quedan en blanco o no reflejan la verdadera opinión del cliente.
El problema mayor que subyace este sesgo es el hecho de que en general, el cliente no tiene deseo de participar en la encuesta. Puede hacerlo por quedar bien, recibir un cupón o cualquier otra razón, pero rara vez va a estar interesado en los resultados, en ayudar a la empresa a mejorar. Una encuesta de satisfacción puede ser motivadora si el cliente está frustrado o quiere compartir la experience, pero, a fin de cuentas, es algo que beneficia más a la empresa y que muchas veces no va a implicar el mejor esfuerzo del cliente de dar una opinión medida y apropiada.
• Sesgo de aquiescencia
Este siguiente tipo de error se puede dar inclusive cuando tenemos nuestra muestra representativa. Puede ocurrir en grupos de enfoque o encuestas. Es la tendencia de los participantes a dar respuestas afirmativas. “¿Te gustó?” “Sí.” Pero estas respuestas no siempre van a reflejar la verdadera opinión del individuo, sino la respuesta más sencilla o la que piensan que el entrevistador o investigador quiere oír.
El sesgo va de la mano con el sesgo de la deseabilidad social, es decir, el deseo de caer bien y dar respuestas aceptables. Inclusive en investigaciones o encuestas anónimas, hay cierta tendencia a dar respuestas más aceptables, por ejemplo, un rating de 5 estrellas más que uno de 2 estrellas para no quedar mal. Las personas responden a lo que perciben de los demás, ya sea sus expectativas o sus sentimientos, muchas veces sin darse cuenta.
• Limitaciones de medidas antisesgos
Entonces, ¿no es posible simplemente dar instrucciones o tomar medidas que limiten la presencia y el impacto de todos estos sesgos? Aunque se pueden moderar, no se trata de sesgos conscientes, en muchos casos. La persona no decide caer bien, sino que hace lo que le parece más adecuado en ese momento.
En otros casos, el problema está en generar motivación para contestar la encuesta y eso es algo que no siempre será posible. No se puede ofrecer una recompensa que va a ser atractiva para todos e inclusive la presencia de la recompensa puede cambiar la forma que tendrá la persona de interactuar con la encuesta o con el entrevistador.
¿Cuál es la solución moderna?
Hemos visto que las entrevistas y encuestas tradicionales tienen fallas que limitan su utilidad. Pero, ¿cuál es la alternativa? Las soluciones modernas involucran el uso de datos recopilados al momento, el análisis con inteligencia artificial e información que es instantánea y refleja la verdadera opinión de los clientes.
El uso de la IA para recopilar y analizar datos en esencia permite quitar el mayor obstáculo: la reticencia consciente e inconsciente del cliente. El cliente puede no querer compartir información de forma genuina o no saber hacerlo o no tener ningún incentivo para ello. Pero cuando los datos se van juntando a través de muestras objetivas, como conductas o expresiones o emociones observables, la calidad de la información mejora mucho.
Es posible reducir e inclusive eliminar el impacto de los sesgos y la falta de motivación. Fuera de las herramientas anticuadas y ordinarias, es posible obtener la información más actual y relevante, teniendo toda la confianza que es correcta. A través del análisis emocional que se hace de forma directa y no a través información reportada por el cliente, cualquier empresa puede tener datos que valen oro.
Referencias
Dodou, D., & de Winter, J. C. F. (2014). Social desirability is the same in offline, online and paper surveys: A meta-analysis. Computers in Human Behavior, 36, 487–495. doi: 10.1016/j.chb.2014.04.005. https://www.iser.essex.ac.uk/research/publications/working-papers/iser/2013-04.pdf
Han, S., & Anderson, C. K. (2020). Customer Motivation and Response Bias in Online Reviews. Cornell Hospitality Quarterly, 61(2), 142–153. https://doi.org/10.1177/1938965520902012
Latkin, C. A., Edwards, C., Davey-Rothwell, M. A., & Tobin, K. E. (2017). The relationship between social desirability bias and self-reports of health, substance use, and social network factors among urban substance users in Baltimore, Maryland. Addictive behaviors, 73, 133–136. https://doi.org/10.1016/j.addbeh.2017.05.005
Lelkes, Y., & Weiss, R. (2015). Much ado about acquiescence: The relative validity and reliability of construct-specific and agree–disagree questions. Research & Politics. https://doi.org/10.1177/2053168015604173