Cómo la IA convierte las quejas de clientes en insights accionables

Los viejos días del movimiento de Calidad parecen pintorescos en retrospectiva: las pancartas, los eslóganes, los premios y eventos de team building. Hoy, la gestión de calidad se trata totalmente de información —o, más concretamente, de cómo evitar quedar enterrado en ella.

En la era de las redes sociales, hay tantos datos ricos disponibles de los consumidores que las empresas deberían poder convertir esa retroalimentación en la creación de productos perfectos. Si solo fuera así. El problema es el volumen. ¿Cómo pueden los comerciantes, especialmente en industrias enfocadas en calidad como farmacéuticas, dar sentido a toda esa información?

La respuesta corta es que no pueden —no sin la ayuda de inteligencia artificial y la ciencia emergente del modelado predictivo.

Un fabricante de medicamentos recibe típicamente decenas de miles de comentarios y quejas de múltiples fuentes en todo el mundo. La unidad estándar de manejo de quejas estaría luchando para triagear esta entrada abrumadora, separando positivas de negativas, triviales de potencialmente mortales.

De hecho, la preponderancia de quejas suele ser de bajo riesgo, según Steve McCarthy, vicepresidente de innovación digital en Sparta Systems, proveedor de software de gestión de calidad. No obstante, dice, cada queja tiene que ser «tocada». El truco está en filtrar el «ruido» y enfocarse en la retroalimentación verdaderamente importante.

Con mejoras en procesamiento de lenguaje natural, la IA se ha convertido en un medio cada vez más viable para interpretar todos esos datos. La idea es dejar que la automatización clasifique los datos brutos, luego presente a la unidad de manejo de quejas una evaluación de severidad, posibles causas raíz e incluso sugerencias de acción.

Sigue siendo —al menos por ahora— el trabajo de las personas aceptar o rechazar categorizaciones y sugerencias generadas por computadora. «En esta etapa», dice McCarthy, «no estamos quitando al humano del proceso de toma de decisiones, pero estamos intentando mejorar la capacidad de tomar decisiones más inteligentes y efectivas».

En teoría, el sistema debería mejorar sus capacidades analíticas con la experiencia. Esa es la base del aprendizaje automático, un aspecto clave de la IA moderna. Cuantos más datos digiere y transmite a ingenieros de calidad, mayor nivel de precisión es probable que tenga, dice McCarthy.

Más allá de satisfacer la prioridad obvia de seguridad del paciente, un sistema impulsado por IA también será más rentable que una evaluación manual liderada por humanos. (Suponiendo que esta última sea incluso posible, dada la avalancha de información con la que los fabricantes deben lidiar hoy).

Pero el coste no es la única razón para buscar un medio más eficiente de procesar quejas. «Está el factor de velocidad y oportunidad», dice McCarthy. «Es importante llegar a una comprensión sólida de la severidad probable y [nivel de] riesgo asociado con una queja, para que pueda completar la investigación de causa raíz».

El siguiente paso en el uso de IA —y uno que está lejos de alcanzar la madurez completa en este punto— es el modelado predictivo. Habiendo demostrado ser capaz de contextualización de datos, categorización de órdenes y evaluación de riesgo automatizada, el sistema puede entonces comenzar a anticipar los tipos de quejas que recibirá. A través del uso de análisis de tendencias, puede realmente prever el nivel de severidad o riesgo que una queja probablemente representará.

Armado con volúmenes crecientes de entrada, el motor de IA puede identificar el número y naturaleza de desviaciones de los benchmarks de calidad. En efecto, dice McCarthy, está aprendiendo de esos datos antes de que un producto sea incluso lanzado.

«Esos conjuntos de datos pueden reunirse para que si ve un cierto patrón en la planta de producción que se ha vinculado a datos de quejas post-mercado, puede correlacionar esos conjuntos de datos y empezar a predecir que ese cierto patrón podría llevar a una queja», explica McCarthy.

La retroalimentación se convierte en parte de un sistema de circuito cerrado por el cual se incorpora de nuevo en la fabricación del producto. El fabricante podría descubrir que un manómetro está fallando. O un defecto podría detectarse en la fase de diseño, necesitando un cambio en materias primas y configuraciones iniciales de producción.

Si bien el valor de un proceso de calidad impulsado por IA parece más evidente en ciencias de la vida, McCarthy ve la tecnología como aplicable igualmente a cualquier número de otras industrias. Fabricantes de dispositivos médicos, por ejemplo, se beneficiarían enormemente al poder ajustar costosos equipos de capital antes de que salgan al mercado. «Al final del día», dice McCarthy, «se trata de detección de señales».

La tecnología aún tiene camino por recorrer antes de que el modelado predictivo se convierta en un ejercicio confiable y efectivo. En años recientes, la IA ha dado grandes zancadas en entender los matices y sentimientos detrás de respuestas humanas, pero está lejos de ser perfecta. ¿Cómo, por ejemplo, un fabricante de lentes de contacto analiza quejas como «rasposo», «picor», «ardor», y simplemente «una sensación incómoda»?

McCarthy espera ver avances continuos en la tecnología, a medida que fabricantes de ciencias de la vida se esfuerzan por cumplir tanto gustos de consumidores como estrictas regulaciones. La industria automotriz también se beneficiaría del uso de IA para mejorar seguridad y construir pruebas de calidad en la fabricación.

«Se está pilotando en varias áreas», dice McCarthy. «La capacidad de aplicar modelado predictivo a ese proceso es muy emocionante. Ni siquiera puedo imaginar las capacidades que tendremos en unos pocos años».