Tienes claramente un montón de registros de chats de atención al cliente, mensajes privados y tickets, pero cuando toca hacer la retrospectiva solo queda “todo el mundo se está quejando”. Esto es el típico caso de que el análisis de conversaciones no se ha puesto en marcha: no se extrajeron intenciones, no se agruparon, no se cuantificó, y ni hablar de encontrar la causa raíz. Yo suelo usar el trío ChatGPT, Claude y Gemini para “exprimir” el texto al máximo, y luego hago que Midjourney genere materiales visuales; la eficiencia es altísima.
Paso 1: primero convierte los diálogos en datos limpios
Da igual si la fuente es el soporte en línea o una comunidad: haz primero una limpieza mínima. Elimina información sensible como números de teléfono y números de pedido, y conserva el contexto en el formato “una frase del usuario + una frase del agente”. En NLP, lo que más perjudica el análisis de conversaciones es el ruido: con un montón de relleno, los resultados se desvían.
Paso 2: usa ChatGPT para el sistema de etiquetas y el reconocimiento de intenciones
Yo hago que ChatGPT genere primero un árbol de etiquetas y luego etiquete línea por línea. Un prompt habitual: Por favor, para el siguiente diálogo genera: intención, emoción, entidades clave, si está resuelto, recomendación del siguiente paso, y expórtalo como columnas CSV. Es ideal para “armar rápido el marco”, pero su desventaja es que a veces, con jerga interna del negocio, finge entender.
Paso 3: usa Claude para atribución e insights en textos largos
Claude es más estable con conversaciones largas y tickets extensos. Yo le paso todos los registros de una semana y le pido clustering de los problemas Top + hipótesis de causa raíz + puntos de datos verificables. Es muy fluido para redactar informes de retrospectiva, pero hay que vigilar que no convierta “suposiciones” en “hechos”.
