Partamos de las siguientes preguntas sobre Driver Analysis 

• ¿Qué factores del servicio impactan, positiva o negativamente, sobre la experiencia del cliente y qué tipos de efectos producen sobre los indicadores de performance de la compañía?
• ¿Con qué intensidad una buena o mala experiencia en un proceso, atributo o área puntual, repercute sobre la percepción de la calidad global del servicio?
• ¿Cuál es el poder explicativo que los indicadores “clave” de performance de la empresa tienen sobre la satisfacción, la lealtad o la recomendación?
• ¿Cuáles son los procesos o áreas donde la compañía debe mantener su performance y cuáles los factores “críticos” que demandan una intervención prioritaria?

¿Qué es el Driver Analysis?

El Driver Analysis o “análisis de impulsores”, como se lo conoce en el campo de la investigación de customer experience (Watkinson, 2013; Martilla, 1977), tiene un valor crucial a la hora de explorar, explicar y pronosticar el impacto que los procesos, puntos de contacto o áreas del servicio tienen sobre la experiencia total del cliente y su decisión de continuar con la compañía.

Múltiples incidentes pueden afectar la experiencia del cliente. Pero no todo incidente alcanza el estatus de factor “crítico”, “depresor” o “inhibidor” del deseo por la marca. Una experiencia poco gratificante en un determinado proceso o área del servicio se convierte en una amenaza para el negocio si la magnitud de su impacto en los indicadores de performance permite avizorar una fuerte repercusión en la tasa de repetición de compra, el share de consumo o share de compras y el share of wallet.

Podemos aplicar esta lógica al análisis de las fortalezas de la compañía. Un punto de contacto virtuoso, una experiencia gratificante del cliente en alguno de los atributos, procesos o áreas de servicio, quizás derive en cierta mejora de los indicadores de performance, pero eso sólo no basta para que se convierta en un “propulsor” del consumo y lealtad con la compañía.

Ahora bien: por mayores que sean los esfuerzos, las experiencias negativas con el servicio son algo inevitable. La clave está en saber cómo intervenir eficientemente, ejerciendo un adecuado control de riesgos y poniendo la mira en los procesos de alto impacto. La investigación en customer experience debe enfocarse en las experiencias que constituyen verdaderos impulsores o “drivers” del negocio, ya sea porque producen una desaceleración de la conducta desleal o porque la estimulan. La clave es potenciar el vínculo con el cliente, particularmente en los procesos y áreas del servicio que permiten maximizar el ROI (Return on Investment).

Correlación Lineal entre la Satisfacción con el Tiempo de Resolución y Probabilidad de Recomendar

Drivers Analysis de “placer” y drivers de “dolor”

¿Cómo identificar el punto en el que malas o buenas experiencias con el servicio se convierten en propulsores o depresores, en estimuladores o inhibidores, de satisfacción, de lealtad o de recomendación?

Cuando se analiza la correlación entre los indicadores globales (satisfacción, lealtad, recomendación, etc.) y la performance de un determinado proceso o área de servicio (por ejemplo, “atención al cliente”, “promociones” o “tiempo de entrega”), no siempre esa conexión tiene un carácter lineal.

Llamamos lineal a un tipo de covariación donde un factor “causal” o variable “explicativa”, por ejemplo, la satisfacción con el atributo “Tiempo de Resolución” y un factor “efecto” o variable a “explicar”, por ejemplo, la “probabilidad de recomendar la compañía a un amigo o familiar”, presentan patrones de cambio o tasas de variación similares, es decir, varían conjuntamente a un ritmo semejante, a punto tal que al crecer el primer factor también crece el segundo y viceversa. En un gráfico de coordenadas cartesianas esa correlación, si es perfecta, puede representarse por medio de una línea recta (Figura 1):

La práctica de la investigación de customer experience demuestra que no siempre un incremento de la satisfacción con un área específica del servicio deriva en un ascenso de la satisfacción global, la lealtad o la recomendación.

Tampoco un aumento de la insatisfacción con dicha área del servicio garantiza que esa experiencia desfavorable produzca un descenso equivalente de los indicadores globales de performance. Por ejemplo, puede ocurrir que la experiencia satisfactoria que los clientes atraviesan en relación con el atributo “Calidad de Atención del Call Center” no aumente la probabilidad de recomendar la compañía, pero que una experiencia insatisfactoria con el call center determine un incremento de los “detractores” y un concomitante descenso del NPS (Net Promoter Score). En estos casos, la covariación observada puede representarse gráficamente por medio de una curva, tal como se observa en la Figura 2:  

Correlación Curvilineal entre la Satisfacción con la Calidad de Atención del Call Center y Probabilidad de Recomendar  

Dentro de la taxonomía de Kano (1978), se denomina “calidad requerida” a aquellos atributos básicos que remiten a las funciones esenciales de una categoría de producto o servicio, acorde con la noción de “producto esperado” (Lambin, 1996).

El cliente que contrata un servicio da por hecho que la compañía le proporcionará las funciones básicas de la categoría. Por ejemplo: disponer de un medio de pago que es aceptado en los puntos de venta si se trata de una tarjeta de crédito, contar con toallas limpias si se contrata una habitación en un hotel, comunicarse normalmente por mensajería instantánea si es un servicio de telefonía móvil o acceder a la página web de la aplicación si se trata de un servicio de venta online.

Estos atributos constituyen la calidad requerida en cualquier servicio. Su existencia no llama la atención, pero su ausencia puede generar perturbaciones sobre la satisfacción global, la lealtad o la recomendación. Para cualquier compañía cubrir las necesidades de este tipo no trae consigo una mejora significativa de la experiencia del cliente, pero no cubrirlas garantiza un descenso de su performance global. De allí entonces que estos atributos pueden considerarse como “drivers de dolor”.

Siguiendo a Kano, podemos identificar otros tipos de atributos cuya dinámica de cambio impacta de manera no lineal sobre la performance global de la compañía. Es el caso de los atributos relacionados con la “calidad deseada” y que pueden generar un incremento inesperado en la satisfacción global, la lealtad o la recomendación.

Por ejemplo, si hablamos de una aplicación para contactarse con diferentes restaurantes para realizar pedidos de comida, un atributo asociado a la “calidad deseada” es la posibilidad de disponer fácilmente de múltiples medios de pago para la misma compra y no sólo un conjunto acotado y excluyente de ellos.

Kano también advierte sobre los atributos que se asocian con la “calidad motivadora” o las cualidades del servicio de las que el cliente por lo general no dispone dentro de la categoría. Por ejemplo, en el caso de una aplicación de servicio de entrega de comidas, un sistema de monitoreo satelital de los pedidos con imagen en tiempo real.

La falta de estas características no necesariamente predispone al cliente a que sea un “detractor” de la compañía, pero su presencia puede incrementar la satisfacción y redundar en una ventaja competitiva para la empresa. De allí que otorguemos a estos atributos la definición de “drivers de placer”:

Correlación Curvilineal entre la Satisfacción con la Facilidad de los Medios de pago y Probabilidad de Recomendar

Driver Analysis Multivariado

El análisis de impulsores o driver analysis incorpora los métodos de modelación y las técnicas estadísticas que permiten evaluar la importancia o poder explicativo de los impulsores y calcular sus efectos sobre los indicadores de performance global de customer experience. Dichos indicadores pueden adoptar diversas formas: satisfacción global, lealtad o probabilidad de continuar como cliente, calidad total percibida o probabilidad de recomendar y NPS, entre otros. Y pueden adoptar diferentes escalas o niveles de medición, dependiendo de las preferencias metodológicas y de los sistemas de medición que conforman la “cultura” de una compañía.

La regresión lineal múltiple es un procedimiento que permite maximizar el poder predictivo del modelo cuando se cuenta con sistemas de medición basados en escala métrica (por ejemplo, la escala de satisfacción de “1” a “10”, la escala de recomendación de “0” a “10”.

Es una de las técnicas más recomendadas para el análisis de impulsores, puesto que permite reproducir en “condiciones de laboratorio” la situación más realista de la experiencia del cliente. Es decir, múltiples variables “independientes” o “causales”, sobre las que se mide la performance de la compañía en los diferentes atributos, procesos, puntos de contacto o indicadores “clave”; produciendo efectos simultáneos sobre una variable “dependiente” o “factor a explicar” (satisfacción global, lealtad, recomendación, etc.).

Sin embargo, tal como anticipamos, los atributos que estimulan a los “promotores” no son siempre los mismos que motivan a los “detractores”. Por tanto, el análisis de regresión lineal múltiple puede no ser la herramienta idónea a la hora de captar covariaciones que presentan el tipo de patrón curvilineal que suele caracterizar la experiencia del cliente en múltiples industrias.

El método del Driver Analysis

Una alternativa al uso tradicional del método de regresión lineal para el análisis de impulsores es la regresión logística multivariada (Agresti, 2002). Lo describiré por medio de un ejemplo. Supongamos que realizamos una encuesta de customer exprience con una muestra representativa de clientes y en el cuestionario incluimos un conjunto de atributos, procesos o puntos de contacto.

Y le pedimos a los encuestados que evalúen su experiencia con la compañía en cada uno de esos atributos, con una escala de “1” a “5”, donde “1” significa “Muy Insatisfecho” y “5” significa “Muy Satisfecho”. Además, indagamos la “Probabilidad de Recomendar” la compañía, con una escala de “0” a “10”, donde “10” significa “Definitivamente la recomendaré” y “0” significa “No la recomendaré en absoluto”.

El análisis de los impulsores, destinado a detectar y cuantificar la influencia de los denominados “drivers de dolor” (impactan negativamente sobre la recomendación) y de los “drivers de placer” (impactan positivamente sobre la recomendación), puede llevarse a cabo de la siguiente manera:

1. Una vez recolectados los datos, en la etapa de análisis de resultados, se clasifican los encuestados en en 3 grupos según la variable “Probabilidad de Recomendar: Grupo 1 “Promotores” (puntajes “9-10”); Grupo 2 “Pasivos” o “Neutros” (puntajes “7-8”) y Grupo 3 “Detractores” (puntajes “0-6”)
2. Y se clasifican también en 3 grupos en cada una de las variables, atributos, puntos de contacto o procesos, según el nivel de satisfacción: Grupo 1 “Satisfacción Alta” (puntajes “4-5”); Grupo 2 “Satisfacción Media” (puntaje “3”) y Grupo 3 “Insatisfacción” (puntajes “1-2”).
3. A partir de estas subdivisiones de la muestra, se ejecutan 2 modelos de regresión logística destinados a evaluar el modo en que múltiples variables independientes (atributos evaluados) actúan de manera simultánea entre sí y produciendo efectos sobre la variable dependiente “Probabilidad de Recomendar”.
4. El primero de dichos modelos se orienta a la detección de “drivers de dolor”, ya que permite establecer una medida probabilística de la fuerza o intensidad con que el pasaje desde la condición de “Satisfacción Media” a “Insatisfacción” en cada uno de los atributos evaluados (variables independientes), produce un pasaje concomitante desde la condición de “Pasivo” o “Neutro” a “Detractor” (variable dependiente).
5. El segundo modelo permite detectar “drivers de placer” y establecer la medida en que el pasaje desde la condición de “Satisfacción Media” a “Satisfacción Alta” en cada uno de los atributos evaluados (variables independientes), produce un pasaje concomitante desde la condición de “Pasivo” o “Neutro” a “Promotor” (variable dependiente).

Esquema de los 2 modelos de Regresión Logística Multivariada

A partir de la “normalización” o “porcentualización” de los los Odd Ratios (medida del poder explicativo de cada atributo sobre la probabilidad de recomendar generados por los modelos de regresión), podemos representar gráficamente la jerarquía y el poder explicativo de los drivers (Figura 5):

Importancia de los atributos asociados a una Aplicación de Pedios y Entregas de Comidas: Poder Explicativo o Incidencia sobre la Probabilidad de Recomendar

En la Figura 5, los diferentes atributos o drivers se encuentran ordenados de manera descendente de acuerdo con su importancia o poder explicativo.

Calidad de la entrega de Driver analysis

Así, por ejemplo, la “Calidad de la Entrega” es el atributo que más impacta (23%) sobre la probabilidad de recomendar. Sin embargo, es esencialmente un “driver analysis de dolor”, en otras palabras, su presencia no incide tanto sobre la probabilidad de ser un “promotor” (5%) pero su ausencia incrementa severamente la probabilidad de ser “detractor” (18%).

En cambio, “Facilidad de los medios de pago” tiene un poder explicativo total del 14% sobre la probabilidad de recomendar, pero actúa sobre todo como “driver de placer”. Su ausencia no determina necesariamente una suma de los “detractores” (3%) pero su presencia puede estimular una suba significativa de los “promotores” (11%).    

Comprender que los incidentes críticos son los prioritarios e identificarlos para accionar sobre ellos, es un objetivo central de la investigación CX y una de las vías para la generación de información relevante para la toma de decisiones comerciales y planes de intervención efectivos que maximicen el retorno de la inversión.

Sin una comprensión clara de los procesos y puntos de contacto que verdaderamente operan como factor “crítico”; sin un adecuado diagnóstico, que permita determinar dónde debemos invertir, dónde debemos mantener, dónde debemos monitorear y dónde debemos construir el vínculo con la marca, las compañías podrían estar perdiendo valiosos recursos, podrían estar desarrollando esfuerzos estériles.

Fuentes consultadas:

• Agresti, A. (2002). Categorical Data Analysis. New York: Wiley-Interscience. ISBN 0-471-36093-7.
• Grömping, U. (2015) Variable importance in regression models. WIREs Comput Stat, 7:137-152. Doi: 10.1002/wics.1346.
• Kaplan, D. (2000). Structural Equation Modeling: Foundations and Extensions. Sage Publications Inc. Thousands Oaks, California.
• Kruskal, W., Majors, R. (1989). Concepts of relative importance in recent scientific literature. The American Statistician 43: 2-6.
• Lambin, J. J. (1996). Marketing Estratégico. Mc Graew Hill, Madrid, Tercera Edición.
• Martilla, J.A., James, J.C. (1977) Importance-Performance Analysis. Journal of Marketing. Vol. 41, No. 1 (Jan., 1977), pp. 77-79. DOI: 10.2307/1250495.
• Watkinson, M. (2013). The Ten Principles Behind Great Customer Experiences. Financial Times Series. Primera Edición.