Do Big Mac ao Big Data: como o McDonald’s tem melhorado a Experiência do Cliente analisando grande volume de feedbacks com NLP

big data mcdonalds

Coletar e extrair o máximo valor dos dados a partir do uso de tecnologias de Engenharia e Ciência de Dados se tornou, nos últimos anos, o principal diferencial competitivo das empresas que mais crescem no mundo.

A aquisição de startups especializadas em dados, por parte de empresas de segmentos tradicionais, já é realidade há alguns anos em países desenvolvidos. No Brasil, grandes players, dos segmentos de tecnologia e varejo, têm iniciado movimentos neste sentido e as primeiras aquisições já começaram a surgir.

Dentre as grandes marcas mundiais o McDonald’s é, sem dúvida, uma das que mais se destacam neste sentido. Destaque este relacionado não apenas a aquisições, como a da Dynamic Yeld por US$ 300 milhões em 2019, mas, principalmente, pela forma com que a rede de fast-food americana vêm encarando de frente o desafio de lidar com os dados.

McDonald’s e o “problema” dos dados não estruturados em feedbacks de clientes

Presente em 119 países e com mais de 39 mil restaurantes ao redor do globo, o McDonald’s recebe mensalmente milhões de consumidores em seus restaurantes.

Uma das métricas de Customer Experience utilizadas pela rede é a CSAT (Customer Satisfation Score) que consiste, normalmente, em uma pergunta para feedback quantitativo como, por exemplo: “O quão satisfeito você está com a experiência?”, cuja resposta pode ser medida em escalas com notas de 0 a 10 ou 1 a 5; e uma pergunta para feedback qualitativo como, por exemplo: “Como foi a sua experiência conosco hoje?”, onde a resposta é um comentário aberto.

Em se tratando de dados pode-se dizer que as notas obtidas em feedbacks quantitativos representam dados estruturados. Já as notas obtidas em feedbacks qualitativos representam dados não estruturados e, é justamente aí que estava o maior problema para o McDonald’s.

Volume de dados não estruturados crescendo a cada ano

Com milhões de consumidores em todo o mundo não é difícil de se imaginar que lidar com tamanho volume de dados seja um desafio, não é mesmo? Para se ter uma ideia, só em pesquisa CSAT realizadas em 2018 o McDonald’s obteve 61 milhões de respostas, com 17 milhões de comentários abertos. Em 2019 foram 65 milhões de respostas, com 20 milhões de comentários abertos.

Além deste grande volume de dados, o McDonald’s precisava também lidar com silos de fontes de dados, ou seja, dados oriundos de diferentes sistemas, sem que haja uma forma de unifica-los. Fato este que dificultava a sumarização, validação e ação com base nos feedbacks de clientes.

Todos os dados precisavam ser reunidos para uma visão holística e unificada. Somado a isso era também necessário o uso de Inteligência Artificial para tonar a análise de Big Data automatizada.

Como a Amazon permitiu com que o McDonald’s analisasse feedbacks de forma automatizada

Para resolver o problema da análise de um grande volume de dados (Big Data) o McDonald’s recorreu ao serviço de Processamento de Linguagem Natural (NLP) desenvolvido pela Amazon AWS, chamado de AWS Comprehend.

Antes do advento de soluções como esta, empresas tinham apenas duas opções para gerenciar o fluxo feedbacks e dados não estruturados em pesquisa de Voz do Cliente:

Não fazer nada

A abordagem mais comum adotada pelas empresas é não reconhecer isso como um problema e não fazer nada. Isso pode ser devido ao fato de não se perceber o impacto dos feedbacks e do gerenciamento da reputação ou da falta de recursos e pessoas para obter insights de tantos feedbacks.

Dedicar mão de obra exclusiva

Uma abordagem alternativa é a técnica de força bruta de dedicar mão de obra exclusiva para ler as avaliações, identificando tendências no feedback do cliente. Porém, esta é uma possibilidade apenas para empresas que recebem poucos feedbacks, possibilitando alocar horas de trabalho de seus profissionais para essa tarefa. No entanto, a medida que o número de feedbacks aumenta, o tempo e o esforço demandado aumentam proporcionalmente.

Ciente destas questões o McDonald’s cuidou logo de achar uma forma de automatizar este processo e encontrou na AWS Comprehenda solução ideal para analisar centenas de milhares de feedbacks recebidos mensalmente, iniciando assim análises de sentimento de clientes a partir de diferentes fontes de dados, e em diferentes países.

McDonald’s: analisando sentimentos em um grande volume de feedbacks e comentários com o AWS Comprehend

O AWS Comprehend é um serviço de Processamento de Linguagem Natural (NLP) que usa modelos pré-treinados e treináveis de Machine Learning (uma das vertentes da Inteligência Artificial) para analisar um trecho de texto e entender o sentimento por trás dele.

Modelos pré-treinados analisam dados não estruturados atribuindo um sentimento a uma palavra ou trecho de texto. Estes modelos, quando aplicado a feedbacks, são capazes de analisar se o cliente está satisfeito ou não com os tópicos sobre os quais escreveu.

Já os modelos treináveis são baseados em programação Data Science feitas, por exemplo, na linguagem Phyton. Um exemplo prático de uso dos modelos treináveis acontece na área de suporte técnico de empresas de tecnologia: quando é gerado um ticket, modelos treináveis de Machine Learning são capazes de identificar sobre o que se trata a mensagem e direciona-la para a equipe ou pessoa correta, em tempo real.

Além de feedbacks de clientes, algoritmos de análise de sentimentos também pode ser utilizados para analisar comentários de mídia social para entender o tipo de conteúdo postado em uma determinada plataforma. Esses tipos de algoritmos de análise de sentimento são usados ​​por empresas como Facebook e Twitter para filtrar conteúdo impróprio.

Mesmo que os algoritmos usados ​​na implementação de análise de sentimento sejam bastante complexos, a ciência por trás deles é bastante simples de se compreender.

Iremos nos ater exclusivamente aos modelos pré-treinados e como o McDonald’s vem utilizando com sucesso este modelo.

Categorizando emoções

Para compreendermos como a ferramenta AWS Comprehend ajuda o McDonald’s a analisar sentimentos (Text Analyzer) e categorizar emoções, tomemos por base o exemplo hipotético do feedback abaixo:

“Eu comprei um hambúrguer, ele estava bom, as fritas estavam frias.”

Feedbacks como estes — geralmente oriundos de avaliações via Google Meu Negócio, uma das fontes de dados possíveis de se fazer a ingestão — misturam, em uma única frase, trechos de sentimento neutro, positivo e negativo, representados pelas cores amarela, verde e vermelha, respectivamente.

Determinar quais trechos do feedback representam sentimentos neutros, positivos e/ou negativos é apenas a primeira etapa do trabalho. A segunda etapa consiste em tratar cada trecho de forma individualizada associando-os a um tópico específico do negócio McDonald’s.

Nesta etapa é feita a sumarização dos tópicos, em que a ferramenta de BI ranqueia os tópicos, com base em uma pontuação de sentimento, permitindo com que os analistas de dados identifiquem exatamente quais os tópicos precisam ser melhorados para examina-los mais a fundo na etapa seguinte.

A terceira etapa do trabalho de Text Analyzer consiste em fazer uma análise mais profunda de cada um dos tópicos, visando compreender melhor eventuais problemas operacionais, que possam estar causando insatisfação nos clientes. Nesta etapa é possível, ainda, analisar cada um dos comentários de forma individualizada para investigar e corrigir eventuais problemas.

Conclusão

Quando usadas com inteligência e de forma correta, o uso de tecnologias como o Natural Language Processing (NLP) são capazes de extrair informações valiosas em altos volumes de feedbacks, categorizando sentimentos e associando-os à tópicos relevantes, o que permite às empresas melhorar as operações, tomar melhores decisões e elevar a Experiência do Cliente a partir de dados e tecnologia.

Quer saber como implantar em sua empresa soluções de Customer Sentiment Analytics com NLP AWS Comprehend, assim como fez o McDonald’s? Fale agora com um consultor da ROX CX. Somos integrantes da rede credenciada de parceiros da AWS, a AWS Partner Network e somos a implantadora ideal para o seu projeto.

banner estudo de caso starbucks
Author:
Fundador e CEO da ROX Group e obstinado por criar produtos e soluções que melhorem a vida das pessoas. É especialista em Transformação Digital Centrada no Cliente, Gestão Ágil de Projetos, Estratégias de Marketing Digital e Gestão da Expansão de Redes de Varejo, através de Franquias.

Let's talk




Quais são as soluções de seu interesse?

Como prefere que façamos contato com você?