Cómo usar los LLM y la IAGen en la toma de decisiones
Hace siete años, descubrí una solución diferente al principal problema al que me había dedicado durante años.
En mi vida pasada en las diferentes denominaciones de Nokia Networks, trabajé en la optimización de redes móviles. El trabajo consistía principalmente en el análisis de los KPI y contadores de red, observaciones de red o campañas de medidas. Era sistemático, analítico y funcionaba: queríamos menos llamadas caídas, menos latencia, más velocidad… Organizábamos campañas de drive tests donde recogíamos datos de la red del cliente y de los competidores para decidir dónde invertir.
Sin embargo, en 2016 caí en este video donde Michael Jul Jensen, por aquel entonces responsable de Insight and Quality en el operador de telefonía danés Telenor, explicaba a mi amigo Fredrik Jungermann una manera diferente de tomar las decisiones de inversión. Además de los habituales KPI de red, Michael había establecido un sistema basado en el sentimiento de los clientes, empleando el Net Promoter Score.
Básicamente, cada día Michael les preguntaba por sms a miles de sus clientes si recomendarían su red, en una escala de 0 a 10. Recogía las respuestas y con ellas alimentaba el proceso de decisión de inversiones y acciones de red.
Me pareció brillante. Los ingenieros siempre sufríamos la desconexión entre nuestros esfuerzos de optimización y la respuesta de los clientes. ¿Vale la pena reducir la tasa de llamadas caídas de 0,25% a 0,20%? ¿Acaso el cliente va a percibir la mejora? Michael aplicaba algo parecido al Sentiment Analysis para dirigir las inversiones allá donde iban a suponer una mayor mejora el sentimiento del cliente, que es el indicador definitivo que los clientes empleaban para decidir si continuar usando su servicio o cambiar de proveedor.
Ahora estamos en 2024 y disponemos de los Large Language Models (LLM) e IA Generativa. Los LLM están diseñados para manipular lenguaje natural y entre otras cosas, son excelentes para determinar el sentimiento de los textos. Los casos de uso en este campo se multiplican, especialmente en marketing y atención al cliente: monitorización de redes sociales, mejora de la experiencia de cliente mediante el análisis de las reseñas, correos y conversaciones de chatbot de clientes, y casos similares.
Sin embargo, los casos de uso que realmente devuelven valor son aquellos que combinan Sentiment Analysis con una acción concreta, especialmente con Optimización Matemática.
Por ejemplo:
Despliegue de Red para Telecomunicaciones: El caso de uso de Telenor. Las compañías de telecomunicaciones pueden usar el análisis de sentimientos para identificar áreas con alta insatisfacción del cliente debido a la mala calidad del servicio o cobertura. La optimización matemática puede ayudar en la planificación del despliegue de nueva infraestructura para mejorar la calidad del servicio considerando restricciones de costes y cumplimiento regulatorio. Este enfoque asegura que las inversiones aborden directamente el dolor del cliente.
Mejora de la Experiencia del Cliente en el Retail: Las empresas de retail pueden analizar las reseñas de clientes y el sentimiento en redes sociales para identificar áreas de insatisfacción o demanda por productos específicos. Utilizando la optimización matemática, pueden ajustar los niveles de inventario, la distribución de la tienda y la asignación de personal para maximizar la satisfacción del cliente mientras se mantienen dentro de las restricciones presupuestarias. Por ejemplo, optimizar el espacio en estanterías para productos que reciben un sentimiento positivo podría aumentar las ventas y la satisfacción del cliente.
Asignación de Servicios en Ciudades Inteligentes: Los gobiernos locales o proveedores de servicios podrían analizar los comentarios de la ciudadanía sobre servicios públicos (por ejemplo, transporte, parques, utilidades) para identificar áreas de mejora. La optimización matemática puede entonces utilizarse para asignar recursos o planificar expansiones de servicios de manera que se maximice la satisfacción ciudadana con el presupuesto disponible. Por ejemplo, optimizar rutas y horarios para el transporte público basándose en áreas con sentimiento negativo respecto a la accesibilidad o calidad del servicio.
Sistemas de Recomendación de Contenidos: Plataformas como servicios de streaming o sitios web de comercio electrónico pueden analizar reseñas y calificaciones de usuarios para medir el sentimiento hacia contenidos o productos. Luego pueden usar la optimización matemática para personalizar recomendaciones, buscando maximizar la satisfacción y el compromiso del usuario mientras consideran restricciones como costos de licencia o niveles de inventario. Esto podría implicar optimizar la mezcla de contenido mostrado a diferentes segmentos de usuarios para mejorar la satisfacción y tasas de retención.
Recursos Humanos y Gestión de la Fuerza Laboral: Las empresas pueden recoger los comentarios de empleados a partir de encuestas y revisiones de desempeño para identificar áreas que afectan la moral y la productividad. La optimización matemática puede ayudar a asignar recursos, ajustar horarios de trabajo y planificar programas de capacitación para maximizar la satisfacción y productividad del empleado dentro de restricciones presupuestarias y operativas.
Estos casos de uso demuestran la poderosa sinergia entre el Sentiment Analysis y la optimización matemática, que habilita una toma de decisiones más informada y centrada en el cliente.
