Usamos cookies
Usamos cookies y tecnologías similares para mejorar tu experiencia, analizar el tráfico y personalizar el contenido. Puedes aceptar todas las cookies o rechazar las no esenciales.
10 Sep 2026
Uno de cada ocho clientes rellena tu encuesta. Tus informes se construyen sobre esas respuestas. Los otros siete no te cuentan nada — pero sus datos ya los tienes: qué compraron, cuándo entraron por última vez, cuántas veces escribieron a soporte, en qué hicieron clic. Sabes lo que hicieron. Lo que no sabes es cómo lo vivieron.
Este artículo recorre, pantalla a pantalla, cómo cerrar ese hueco dentro de SurveyAnalytica: unir los datos, construir las variables, entrenar con las respuestas de tu encuesta como etiquetas y puntuar a los clientes que nunca contestaron.
Uno de cada ocho clientes rellena tu encuesta. Tus informes se construyen sobre esas respuestas.
Los otros siete no te cuentan nada. Pero sus datos ya los tienes: qué compraron, cuándo entraron por última vez, cuántas veces escribieron a soporte, en qué hicieron clic. Sabes lo que hicieron. Lo que no sabes es cómo lo vivieron.
Ese es el hueco que esto cierra.
Los tienes de todo el mundo, todo el rato. Muestran lo que hizo la gente, no cómo se sintió.
Solo contesta una porción pequeña. Pero son los únicos que te han dicho cómo se vivió.
Así que, en vez de perseguir una tasa de respuesta más alta, usa las respuestas que ya tienes para enseñarle a un modelo qué significa cada comportamiento. Y luego aplícaselo a todo el mundo.
Tu encuesta deja de ser el informe. Pasa a ser la plantilla de corrección.
Siete pasos. Todas las pantallas de abajo son reales, con los botones nombrados tal y como los vas a encontrar.
Paso 01
Workspace ▸ Data ▸ Create Data Hub · Contact Lists ▸ Import Contacts
Necesitas dos cosas. Un conjunto de datos guarda los eventos: pedidos, sesiones, tickets, clickstream. Una lista de contactos guarda a las personas a las que pertenecen esos eventos. Elige From a flow si los datos siguen llegando, o Upload a file si es algo puntual.
El clickstream tiene su propia puerta: Connectors Marketplace ▸ Clickstream Publisher ▸ Create Clickstream workflow, y después instala el SDK — Vanilla JS, Next.js, React, React Native, Flutter o iOS.
Los contactos llegan por esas mismas dos vías: Upload CSV, o un flujo que los va añadiendo según aparecen en tus sistemas. Después configura los campos: aquí es donde más tarde se escribirá la respuesta del modelo.
| Field ID | Display Label | Type |
|---|---|---|
| plan | Plan | Dropdown |
| tenure_months | Tenure (months) | Number |
| experience_flag | Experience | Dropdown |
Añade ya experience_flag y déjalo vacío. El paso 07 escribe ahí la predicción. En esta misma pantalla filtrarás luego por él para montar un segmento.
Paso 02
Workspace ▸ Analytics model ▸ Data & Relationships
Arrastra tus fuentes al lienzo y conéctalas. La lista de contactos es la columna vertebral: todo se une a ella, porque es la única tabla que tiene claro quién es el cliente.
Si distribuiste la encuesta a una lista de contactos, no tienes que reconciliar nada. Cada invitación lleva un id de sesión generado con el ID del contacto, la lista, el email y el nombre, así que la respuesta vuelve sellada con quién la mandó.
Y normalmente mandas una encuesta sobre algo: un pedido que acaba de salir, un ticket que se acaba de cerrar, una entrega que acaba de llegar. Pasa esa referencia como variable personalizada — ID de pedido, número de ticket, ID de transacción — y aterriza también en la respuesta. Igual con las encuestas enviadas desde tu propio ESP o con un enlace en tu web.
Así la respuesta no vuelve flotando a nivel de cliente. Vuelve pegada a la cosa concreta de la que hablaba.
Por eso las opciones de cruce de abajo son para los sistemas que no controlas: la base de datos de pedidos, la exportación del helpdesk, la hoja de cálculo de finanzas. Tus datos de feedback llegan limpios.
Para esos, How to match y Normalize keys resuelven el desajuste sin montar un proyecto de limpieza de datos.
customers · contactId · email · plan · tenure_months · experience_flag
csat_responses · contactId · orderId · sid
orders_2026 · orderId · customer_email
Fíjate en la forma: el comportamiento está relleno para todos; las respuestas de encuesta, solo para algunos. Ese hueco es justo de lo que va todo esto. Las filas con respuesta entrenan el modelo. Las filas sin respuesta son las que predices.
Merece la pena pararse aquí, porque es la parte que la mayoría de herramientas de encuestas no puede hacer. Una valoración que llega con un ID de pedido encima te dice qué pedido la provocó. No estás adivinando cuál de las cuarenta transacciones de un cliente causó la reseña de dos estrellas — lo sabes, y el modelo también.
Eso te da dos formas de construir el conjunto de entrenamiento, y eliges según la pregunta que te estés haciendo:
Los dos sirven y responden a preguntas distintas. El primero pilla una mala experiencia mientras todavía tiene arreglo. El segundo te dice a quién llamar este mes. Puedes construir los dos desde la misma vista unida; la agregación ocurre en el paso siguiente.
Paso 03
Analytics ▸ Predictions ▸ Feature Engineering ▸ Open Studio
Elige una transformación de la lista o escribe tú mismo la expresión. Con la etiqueta pasa lo mismo: una puntuación de 0 a 10 en bruto es difícil de predecir, pero agrupada en promotor, pasivo y detractor se vuelve sencilla.
Los comentarios escritos también cuentan. Word Count y TF-IDF convierten esa caja de texto libre que nadie tenía tiempo de leer en algo que el modelo puede usar.
Paso 04
Analytics ▸ Predictions ▸ Model Selection → Data Preparation → Training
El catálogo cubre clasificación, regresión, previsión, clustering, imagen y texto. Si prefieres no elegir, AI Recommend te propone un modelo y un objetivo a partir de tus columnas.
Paso 05
Analytics ▸ Predictions ▸ Results & Comparison ▸ Versions
Mira la precision y el recall antes que la accuracy. Entrena un segundo modelo, compara los dos y pulsa Mark as Live en el que te dé confianza.
| Version | Primary metric | Trained | |
|---|---|---|---|
| v3 · Boosted Tree | 0.91 ROC AUC | today | LIVE |
| v2 · Logistic Reg. | 0.84 ROC AUC | 2 days ago | Mark as Live |
Feature Importance y Confusion Matrix están dentro de Detailed Metrics.
Paso 06
Predictions ▸ Deploy as Agent, then Agents ▸ open the agent ▸ Deploy
Al desplegar obtienes un servicio que sabe qué entradas necesita y qué devuelve. El código generado es tuyo y lo puedes editar, así que puedes añadir la salida que tu equipo quiera de verdad.
Declara experience_flag en la pestaña Output Schema para que aparezca en el diseñador de flujos.
Haz la conversión aquí, una sola vez. Si metes el corte de 0,7 dentro de nueve automatizaciones distintas, reentrenar el modelo deja las nueve mal sin que nadie se entere.
Paso 07
Flows ▸ Design ▸ Trigger, then Add Component
Así que arranca el flujo cuando ocurre la cosa. Clickstream para lo que la gente hace en tu web o tu app. Webhook para tu sistema de pedidos o tu helpdesk. Survey Response cuando llega feedback. Contact List cuando cambia un perfil.
El nodo AI Agent llama a tu modelo. Condition manda después a cada cliente por un camino distinto.
Arrastra un nodo desde Add Component, suéltalo en el lienzo y conéctalo. Un Condition parte el camino; todo lo que cuelga de una rama se ejecuta solo para los registros que la cumplieron.
Esas mismas tres piezas te resuelven el inbound. Cuando un cliente te escribe por WhatsApp, por email o desde un formulario web, un disparador Message Channel arranca el flujo. El modelo lee su mensaje junto con todo lo que ya sabes de él, y la rama decide si esto necesita a una persona o se puede contestar al momento.
El mismo disparador, el mismo modelo y la misma condición, apuntando a otra señal. Un cliente en riesgo que escribe llega a una persona. El resto recibe respuesta al momento.
Escribe primero el campo en la lista desde Manage Fields ▸ Add Custom Field, luego fíltralo en Advanced Filters y pulsa Create Dynamic List — el segmento se recalcula en cada envío.
Deja un disparador Schedule para lo que de verdad es lento: renovaciones de contrato, antigüedad, un barrido mensual de todo aquel al que el flujo de eventos nunca llegó a tocar. Señales rápidas en el evento, señales lentas en el temporizador. Lo que hay que evitar es una señal urgente esperando en un proceso nocturno.
Una predicción es una suposición, no una cita textual. El modelo cree que este cliente no está contento. El cliente nunca lo ha dicho. Mantén las dos cosas separadas en tus informes, y nunca le digas a nadie que sabes cómo se siente.
Por eso también sigues preguntando. Las respuestas nuevas son la forma de comprobar que el modelo sigue acertando. Y cuando un modelo se tuerce, se tuerce en silencio: las puntuaciones siguen llegando, todo el mundo sigue fiándose de ellas y cada vez entran menos respuestas reales para pillarlo.
No comments yet. Be the first to comment!