Identificación de factores a mejorar para aumentar la recomendación, análisis de NPS para clientes neutros a partir de procesamiento de lenguaje natural

Abstract

Este trabajo presenta una metodología para identificación de factores a mejorar para aumentar la intención de recomendación de los clientes de una entidad financiera. Se utilizaron 7.000 verbatims de los clientes clasificados como neutros en la encuesta net promoter score, que corresponden a la información de los años 2019, 2020 y 2021. Se realizó procesamiento de esta información para obtener un corpus estructurado que representa el contenido de todos los verbatims. Se aplicó análisis de sentimientos con el objetivo de analizar los sentimientos subyacentes en los verbatims de los clientes, el cual permitió concluir que en cada uno de los años analizados más de un 80% de los clientes tenían un sentimiento negativo asociado a su verbatim. Se entrenaron diferentes algoritmos con la intención de encontrar los temas más relevantes para los clientes, los modelos entrenados fueron, asignación latente de dirichlet, indexación semántica latente y factorización de matriz no negativa, los modelos fueron evaluados utilizando el enfoque de la maximización de la coherencia, combinado con juicio humano para validar los tópicos en el contexto del negocio. Entre los modelos entrenados el que mejores resultados arrojó fue la asignación latente de dirichlet, alcanzando la coherencia máxima para dos tópicos, los cuáles fueron caracterizados como costos y servicio en los canales de atención. Combinando el resultado del modelado de tópicos con el análisis de sentimientos, se descubrió que el sentimiento que predomina por parte de los clientes en los dos tópicos es negativo, y para algunos casos es positivo o neutro. (Texto tomado de la fuente)

This paper presents a methodology for identifying factors to be improved in order to increase the recommendation intention of customers of a financial institution. We used 7,000 verbatims from customers classified as neutral in the net promoter score survey, corresponding to information from the years 2019, 2020 and 2021. This information was processed to obtain a structured corpus representing the content of all verbatims. Sentiment analysis was applied with the objective of analyzing the underlying sentiments in the customer verbatim, which allowed concluding that in each of the years analyzed more than 80% of the clients had a negative sentiment associated with their verbatim. Different algorithms were trained with the intention of finding the most relevant topics for the customers, the trained models were, latent dirichlet assignment, latent semantic indexing and non-negative matrix factorization, the models were evaluated using the coherence maximization approach, combined with human judgment to validate the topics in the context of the business. Among the trained models, the one that yielded the best results was the latent dirichlet assignment, reaching the maximum coherence for two topics, which were characterized as costs and service in the service channels. Combining the results of the topic modeling with the sentiment analysis, it was found that the predominant customer sentiment for the two topics is negative, and for some cases it’s positive or neutral.