Toda empresa acumula una gran cantidad de texto sin categorizar —colas de tickets, términos contractuales, comentarios de encuestas y transcripciones de llamadas, por mencionar algunos. Revisar todo esto manualmente permite analizar apenas unos cientos de filas, y un filtro de palabras clave no detecta el ticket que dice que las cuentas de la factura no cuadran, en lugar de decir que hay un error de facturación.
Una cola de soporte que se duplica en un trimestre obliga a plantearse la pregunta. Un director pide un desglose por causa raíz, como confusión con la facturación, retrasos en los envíos o un error de integración que sigue apareciendo con distintas descripciones. Esas categorías solo existen como oraciones escondidas en el cuerpo de los tickets, así que alguien tiene que leer suficientes para encontrarlas antes de que se pueda empezar a contarlas.
Ese trabajo tiene un nombre: análisis de texto. Hay tres formas reales de hacerlo:
- Escribe código personalizado
- Compra una herramienta especializada
- Añade la minería de texto a la plataforma de flujo de trabajo que ya gestiona todo lo demás
Lo que está en juego también va más allá de una sola cola de soporte. Según los analistas de Gartner que hablaron este año en el Data & Analytics Summit de Londres, se estima que las fuentes no estructuradas como estas representan entre el 70 % y el 90 % de los datos que tienen las organizaciones. La mayor parte de lo que una empresa sabe sobre sus clientes, contratos y operaciones se encuentra precisamente en este tipo de texto libre.
La decisión de crear, comprar o integrar
Cada camino tiene sus propias ventajas y desventajas que considerar:
- Desarróllalo. Pásale el problema a un científico de datos o conviértete en uno temporalmente y escribe código con una biblioteca de NLP de código abierto. Es flexible y se adapta a los datos disponibles —hasta que quien lo escribió se pasa a otro equipo y el modelo se convierte en un archivo que nadie puede modificar de forma segura. Este camino también supone que hay un científico de datos disponible a quien pasarle el problema, una suposición más importante de lo que parece. En el Informe sobre el futuro del empleo 2025 del Foro Económico Mundial, el 63 % de los empleadores identificó las brechas de habilidades como el principal obstáculo para obtener más valor de sus inversiones en datos e IA. La contratación de un especialista en NLP suele ser el cuello de botella que mantiene al equipo esperando.
- Compra una solución puntual. Adquiere la licencia de una herramienta dedicada de análisis de opiniones o analítica de texto. Funciona bien para el caso práctico para el que fue diseñada, pero reside fuera del resto del flujo de trabajo de analítica. El resultado categorizado debe exportarse, volver a unirse y volver a explicarse a quien esté a cargo del informe en etapas posteriores —un paso manual que se reconstruye en cada ciclo.
- Intégralo. Ejecuta la minería de texto como un paso dentro de la misma plataforma que ya gestiona la combinación de datos, las uniones y la generación de informes, para que una puntuación de sentimiento o una etiqueta de tema se convierta simplemente en otra columna que alimenta el mismo informe que todo lo demás.
Todas las opciones implican compensaciones, y la evidencia sobre la vía de desarrollo resulta particularmente desalentadora. Un estudio sobre la implementación de IA empresarial afiliado al MIT, ampliamente difundido, encontró que solo una pequeña proporción de las herramientas de IA empresariales desarrolladas a medida llega alguna vez a producción, en gran medida porque se crean para impresionar en una demostración, en lugar de mantenerse en funcionamiento sin supervisión dentro de un flujo de trabajo que absorbe la rotación del personal.
Pon a prueba el enfoque con cinco criterios
Antes de comparar plataformas, conviene definir con claridad qué se considera “bueno”, independientemente del camino que elija un equipo:
- Precisión en el idioma que usa tu equipo: las abreviaturas internas, la jerga del sector y los errores tipográficos se comportan de manera distinta al texto de reseñas pulido que se usa en la mayoría de las demostraciones de productos.
- Repetibilidad sin una solicitud permanente al equipo de datos: el próximo lote de tickets, comentarios o contratos necesita un tratamiento coherente y programado sin tener que reabrir un proyecto.
- Un registro de auditoría: alguien terminará preguntando cómo se asignó una puntuación de sentimiento o una etiqueta de tema. “Un modelo que alguien creó hace dos años” no es una respuesta con la que puedan trabajar los equipos de TI o de cumplimiento.
- Integración con el resto del flujo de trabajo de analítica: Una etiqueta de categoría que está en una exportación independiente requiere una tarea manual para llegar al informe que debe alimentar.
- Una combinación de costos y niveles que se ajusta a la forma en que el equipo ya compra software: Una herramienta especializada para una función específica es otra partida, otro proveedor y otro acceso que hay que habilitar y dar de baja.
Comparando los tres caminos con esos criterios
Los tres enfoques sacrifican capacidad por control en distintos aspectos.
| Creado a medida (Python/ciencia de datos) | Herramienta independiente de analítica de textos | Minería de texto integrada en una plataforma de analítica | |
|---|---|---|---|
| Habilidad requerida para comenzar | Experiencia en ciencia de datos/ML | Mínima —principalmente configuración | Nivel de analista, sin necesidad de saber de código |
| Tiempo hasta obtener un primer resultado útil | De semanas a meses | Días | De horas a días |
| Repetible el próximo trimestre | Solo si el propietario del modelo todavía está presente y se encarga de mantenerlo | Sí, siempre que la suscripción siga activa | Sí —se ejecuta como un paso programado del flujo de trabajo |
| Registro de auditoría | Depende por completo de la documentación propia de quien lo creó | Administrado por el proveedor, a menudo exportable | La misma gobernanza que el resto del flujo de trabajo |
| Modelo de costos | Costo de desarrollo por única vez, más mantenimiento continuo | Suscripción recurrente por usuario o por volumen | Incluido en una licencia de plataforma existente, según el nivel |
| Dónde suele fallar | Cuando quien lo creó se va o cambian las prioridades | Cuando el resultado debe volver a combinarse manualmente con el resto del análisis | Cuando el idioma requerido o el caso práctico superan el alcance actual de la herramienta |
La tabla señala un único factor decisivo: qué enfoque sigue funcionando sin supervisión después de que la persona que lo configuró haya pasado a otra cosa.
Dentro de una cola de tickets de soporte: preprocesamiento, análisis de sentimiento y detección de tópicos
Imagina al equipo de soporte del ejemplo inicial, ahora intentando procesar una acumulación de texto libre de tickets sin resolver y sin aumentar la plantilla. Un enfoque integrado en el flujo de trabajo divide el problema en pasos que un analista puede crear y volver a ejecutar sin ayuda:
En primer lugar, el texto sin procesar de los tickets se tokeniza y limpia mediante un paso de Preprocesamiento de texto que elimina palabras de relleno y estandariza el formato. Un detalle que conviene conocer es que la documentación del producto para esta herramienta advierte específicamente que no se debe ejecutar inmediatamente antes de la puntuación de sentimiento, ya que el paso de limpieza elimina algunas de las palabras exactas que un modelo de sentimiento necesita para detectar el tono. Las dos herramientas resuelven problemas distintos y, en este caso, funcionan mejor por separado.
En cambio, la puntuación de sentimiento se calcula sobre el texto sin procesar de los tickets mediante Análisis de sentimiento, que permite identificar qué tickets parecen expresar frustración en lugar de ser meramente descriptivos —útil para clasificarlos, con la salvedad de que la herramienta actualmente solo analiza textos en inglés.
Mientras tanto, Clasificación de texto zero-shot clasifica los tickets en categorías que el analista define en el momento —confusión de facturación, demora en el envío, el error de integración recurrente— sin tener que recopilar y etiquetar primero un conjunto de capacitación. Ese es el detalle más importante para un analista sénior que no cuenta con un equipo especializado de ciencia de datos disponible. No hay ningún paso de capacitación del modelo que se interponga entre la pregunta y la respuesta.
Una ejecución de Modelado de tópicos sobre el mismo lote detecta algo que las categorías predefinidas no pueden —grupos de expresiones a los que nadie había pensado en ponerles nombre todavía, incluida la queja que aún no figura en la lista de nadie.
Con un enfoque integrado en Alteryx One Designer, las herramientas de minería de texto se ejecutan como parte de Alteryx Intelligence Suite. Cada paso anterior genera una nueva columna junto al resto de los datos de los tickets, lista para alimentar el mismo informe que ya registra el volumen y el tiempo de resolución. No hay exportaciones, combinaciones manuales ni entregables independientes que haya que recordar actualizar.
Dónde el enfoque se queda corto
Alguien menciona que un tercio de las consultas de soporte llegan a través del sitio alemán. La frase “solo analiza textos en inglés”, fácil de pasar por alto en la documentación de una herramienta, ahora determina el alcance real de lo que cubre esta implementación este trimestre. En Alteryx, Preprocesamiento de texto, Clasificación de texto y Modelado de tópicos ahora están disponibles en francés, alemán, italiano, portugués y español.
Un equipo en esta situación tiene tres opciones concretas: ofrecer categorización y temas en todos los casos, y análisis de sentimiento solo donde se aplique el inglés; dejar la cola en alemán para una fase posterior; o procesar la puntuación de sentimiento para ese idioma mediante un proceso completamente distinto. Cada una implica un equilibrio viable, de esos que se hacen evidentes cuando una implementación se aplica a datos reales en lugar de a una demostración.
Un equipo que busca algo completamente distinto —un modelo ajustado con millones de documentos internos para tomar una decisión específica de alto impacto— está resolviendo un problema diferente del que se aborda aquí. Ninguna cantidad de herramientas de flujo de trabajo sustituye un esfuerzo especializado de aprendizaje automático cuando eso es realmente lo que se está solicitando. La mayoría de las colas de tickets, las carpetas de contratos y las exportaciones de encuestas son problemas recurrentes y de escala moderada que aparecen cada trimestre y requieren un tratamiento coherente.
Empieza esta semana, no el próximo trimestre
Obtén la exportación real de tickets de la semana pasada, ejecútala siguiendo los pasos anteriores y observa cómo quedan las categorías para el viernes —antes de que la lista de pendientes del próximo trimestre tome la decisión por ti. Comienza una prueba gratuita de 30 días de Alteryx One para probarla con tu propia cola de tickets.