Descubre Cómo, Con Una Matriz De Relevancia De Atributos, Puedes Clarificar La Toma De Decisiones (Artículo Escrito para Anuméricos 
).
Hay formas directas de entender cuáles son los factores de tu producto o servicio que más le importan a tu cliente: como preguntándoselo directamente. ¿Cierto? Pues sí, eso es útil. Haces la pregunta abierta u ofreciendo opciones de respuesta si es que ya por medio de estudios previos has podido abarcar cuáles son esos factores de experiencia, y obtendrás una estadística que te indicará qué tanta mención registra cada una de ellas. Esta es la forma fácil y directa. Y sí, funciona.
Sin embargo, muchas veces esa pregunta no ofrece un panorama completo. Principalmente, por dos razones:
1. La psicología del cliente: en muchas ocasiones, cuando se le hace la pregunta no menciona opciones que ya da por sentadas. Por ejemplo, en la industria aérea (no es porque tenga fetiche con empresas de esta industria), el cliente puede suponer que la Seguridad ya es algo obvio, y por eso esa mención se ve subrepresentada. De manera que la pregunta termina reflejando de manera imprecisa la “realidad”.
2 . No conoces la real influencia de cada factor sobre el NPS o la satisfacción: Aquí es donde entra la magia de la regresión lineal múltiple (u otras regresiones, como la exponencial… pero de eso hablaremos un poquito más al final). Para no ponerme técnico porque después me vuelvo jarto, lo que hace la regresión es calcular matemáticamente el nivel de influencia de una variable independiente sobre una dependiente; es decir, la influencia que tienen los factores de la experiencia de tu producto sobre el NPS o sobre cualquier otra variable que incluyas en la encuesta (por ejemplo, probabilidad de re-compra, intención de compra futura, o cualquier otra). El asterisco estadístico que debo aquí anotar, so pena de la jartera ocasionada, es que ambas variables deben ser numéricas (por ejemplo, con escala de 0 a 10) y, además, que la regresión necesita manos expertas o un software que lo realice con el fin de que sea confiable, ya que el modelo resultante debe cumplir con ciertas condiciones matemáticas para que pueda ser válido, como que el modelo debe mostrar que es lineal, o la ausencia de colinealidad, por ejemplo. Pero saliéndome del terreno bélico al que me lleva esa palabreja (a menos que seas estadístico(a) y la consideres bella), a lo que voy es que es determinante que, como dicen los médicos, no te autorecetes la medicina, en este caso, la regresión, porque hay que tener el conocimiento para lograr que el modelo resultante sea confiable.
El punto pues, es que la regresión lineal múltiple te va a permitir conocer, matemáticamente, qué tanto influye cada factor del servicio en, digamos, el NPS que estás midiendo. Por ejemplo:
A. ¿Hoy día sabes con certeza cuáles son los dos o tres factores de la experiencia de tu servicio que más ejercen peso sobre tu NPS, ya sea para bien o para mal? Es decir, ¿ya sea que lo jalen para abajo o lo empujen para arriba?
B. ¿Conoces la influencia relativa de los 10 o 20 factores que determinan la experiencia de servicio que vive tu cliente?
C. Más allá de eso: ¿sabes cuántos puntos de satisfacción (en la escala de 0 a 10) debes aumentar la Garantía del producto o la Amabilidad del servicio o la Calidad de los materiales o la Rapidez de la atención (o en cualquier otro factor del servicio) para aumentar un (1) punto tu NPS? Esto es importante porque quiere decir que la regresión permite predecir. Sí, la regresión ofrece una fórmula por medio de la cual se puede predecir el futuro NPS dependiendo de los puntos de satisfacción de las demás variables del modelo (garantía, amabilidad en el servicio… etc.).
Esto es crucial porque indica, estadísticamente, lo determinante que es cada variable para el presente y futuro de tu negocio. Por eso es que suelo renegar con casos como el de Avianca (el cual ya sé que he tocado bastante en artículos anteriores pero me permito volverme jarto ahora para que me lo agradezcas al final del párrafo), compañía que descuidó en extremo el servicio al cliente telefónico, al punto que socavó su reputación y valor de marca. Eso es una conclusión mía, informal, es cierto, pero que se escuchó a voces, no sólo en las redes sociales sino en medios de comunicación masivos y conocidos. De manera que, uno se pregunta: ¿Será que los directivos de Avianca no comprendían la influencia que tiene el servicio telefónico al cliente en su negocio? Tremenda compañía, de semejante tamaño… ¿no lo comprende? Por contactos que tengo de ejecutivos que trabajaron en Avianca, la respuesta es……… NO. Pero bueno… al final, no son más que especulaciones. No sabemos qué pasaba ahí adentro.
Pero, en cualquier caso, una regresión les habría ahorrado algunas canas.
Dejando el dolor a un lado, veamos un ejemplo que nos ayude a ilustrar todo esto.
EJEMPLO PRÁCTICO:
Supongamos que Avianca (estamos haciendo un favor) desea medir su NPS y comprender si es cierto que su Contact Center es tan determinante para el voz a voz de su producto. Así mismo, se incluyen en el ejercicio otras variables de la experiencia que vive su cliente con el servicio para, también, entender qué tan relevantes son. De modo que hace unas encuestas entre sus clientes y obtiene estas medias (promedios) que indican la satisfacción que tienen con dichas variables:
Así mismo, recuerda que se incluyó la pregunta de NPS dentro del instrumento, de la cual digamos que obtuvimos los siguientes resultados:
– NPS = 20
– Media = 6.8 (escala de 0 a 10)
Por si te lo preguntas, para efectos de este ejemplo esos dos numeritos no van a servir de nada, así que quédate fresco que no tienes que memorizarlos para hacer malabares aritméticos.
Ya con esos números, y haciendo uso de un programa estadístico, hacemos la regresión y obtenemos lo que se llaman valores beta, correlaciones parciales y otras medidas más. También se obtiene el valor R cuadrado y la Significación F-test, los cuales muestran si el modelo resultante es significativo y qué tanto. Es decir, nos muestran si las variables de nuestro servicio en realidad explican el NPS, y el número del R cuadrado nos indica qué tanto lo explican. Por ejemplo, un R cuadrado de 0.7, indica que el 70% de la variabilidad (varianza) del NPS es explicada por las variables que se ingresaron en el modelo, o sea, las de la tabla de arriba. Como puedes suponer, a mayor el R cuadrado (puede ir hasta 1) mejor. O, digamos, el NPS se debe más a las variables incluidas. Para rematar el tecnicismo que, aunque jarto, es necesario 
, también podemos conocer cuáles de las variables son capaces de explicar el NPS. Es decir, el F-test nos indica si todas en su conjunto explican el NPS, como ya vimos, pero es el t-test el que nos indicará qué tan significativa es la influencia de cada variable; es decir, cuáles de ellas definitivamente ayudan a predecir el NPS.
Para salir del vericueto técnico, básicamente lo que aprendemos con la regresión, son dos cosas:
1. Qué variables independientes explican, significativamente, la dependiente. Es decir, cuáles de los factores del servicio realmente explican el NPS.
2. Qué tanto lo explican. O sea, qué tanto influye cada factor en él.
Con los valores beta y/o correlaciones parciales (depende del ajuste del modelo), así como con las medias de satisfacción de cada factor del servicio, hacemos la siguiente matriz, que es el resultante clave de todo este artículo:
Como puedes notar, dentro del modelo y dentro de la matriz se excluyeron tres variables (y quedaron seis):
– Organización abordaje
– Facilidad para encontrar vuelos
-Facilidad para compra de vuelos
La razón es sencilla: en nuestro ejemplo hipotético, el t-test no pudo probar que estas variables influyeran en el NPS. Por eso deben quedar por fuera.
De manera pues que, con esta matriz, tanto Avianca como tú o cualquier empresa, puede descubrir cuál o cuáles son las variables de la experiencia del cliente que debes intervenir de manera urgente (¡ASAP!) porque, si no, podrían dañar tu negocio (sí, como Avianca); cuáles debes Promover porque son la fortaleza que te provee palanca; cuáles debes Monitorear porque el cliente no está muy contento con ellas y debes tener cuidado de que en el futuro no se vuelvan críticas (ASAP) para él; y cuáles debes Mantener en el buen nivel en el que las llevas.
UNA IMPORTANTE RECOMENDACIÓN FINAL
Adicional a esto, te recomendamos definitivamente hacer este mismo ejercicio, pero por segmentos o cohortes. Imagínate hacer esta misma matriz pero para los diferentes grupos de tu RFM: los Estrella, los Dormidos, los de Mayor Potencial… etc. Es muy probable que las matrices de cada uno se vean bastante distintas, ¡suele ocurrir! Este ejercicio te va a permitir comprender mucho mejor cuáles son los esfuerzos que te ayudarán a despertar a los Dormidos, mantener a los Estrellas, activar los de Mayor Potencial… y así sucesivamente. Incluso te ayudará a entender si vale la pena la inversión que debes hacer para poder activarlos, ya que comprenderás cuáles son las variables que más les son relevantes y, por tanto, qué esfuerzo estratégico y operativo implica su activación. Por ejemplo, es probable que aprendas que es mejor activar los Dormidos porque implica mucho menos inversión que lo que habría que hacer para activar los de Mayor Potencial, sopesando además la contribución económica que cada uno tiene sobre tu negocio.
En el caso de Avianca, es muy probable que los clientes Diamond Gold, por ejemplo representen una matriz en la cual “los beneficios en las salas de espera” sea la variable ASAP, mientras que los clientes LifeMiles Regulares o rojos prioricen la “Resolución de problemas en el Contact Center”. Como puedes ver la forma de encarar estratégicamente a cada uno será distinta. Y por experiencia, conviene de sobremanera encarar de manera segmentada tu base de clientes porque así el NPS y muchos otros indicadores terminarán disparándose en el tiempo con mucha mayor decisión.
Pero como lo importante e interesante nunca viene sin sacrificios, aquí el “pero”: se recomienda contar con al menos 20 casos (encuestas) por cada variable del modelo. Es decir, si vas a hacer el modelo de regresión para cinco segmentos de clientes distintos y cada modelo incluirá 10 variables de servicio, entonces vas a necesitar al menos mil encuestas (20 X 10 X 5).
Para terminar, anotar que la regresión NO es lo mismo que la correlación… pero esto da para otro artículo. Así mismo, la regresión no es la única técnica o modelo que se puede usar; como mencioné, hay regresiones exponenciales que podrían utilizarse dependiendo del ajuste del modelo, árboles de decisión y muchos otros que podrían ser necesarios de acuerdo a los datos obtenidos y de acuerdo a los propósitos que tengas. Pero bueno… eso supera el alcance de nuestro artículo y, si te suena, ¡podríamos tratarlo en futuros!
Este artículo recibió la contribución de nuestro gran colaborador, Daniel Leonardo Cruz. Daniel es MBA de Universidad de Sao Paulo, Master en inteligencia de negocios de la Universidad de Barcelona, magister en mercadeo de la Universidad de Manizales, y profesional en estadística de la Universidad Nacional de Colombia. Tiene experiencia de más de 10 años en cargos gerenciales en el sector financiero y Agencias de Marketing dirigiendo equipos de transformación digital, analítica de datos, inteligencia comercial, negocios digitales, canales y metodologías comerciales
Además, ha sido docente por más de 12 años en la Universidad del Rosario, Universidad Santo Tomás y la Universidad Surcolombiana, dictando cursos de machine learning, text mining, marketing analytics, diseño y desarrollo de productos, entre otros. Es conferencista en eventos nacionales e internacionales.
