Métricas CX

mrx
R
Author

Roberto Gil-Saura

Published

June 7, 2024

Introducción

En la gestión de la experiencia del cliente (CX), no existe una “bala de plata”. Confiar en un único KPI para medir la salud de la relación con nuestros clientes es como si un médico intentara diagnosticar a un paciente usando solo un termómetro. Se necesita un conjunto de herramientas que midan diferentes aspectos de la salud general. En el mundo de la investigación de mercados, tres métricas han emergido como el podio de los dashboards de CX: CSAT, CES y NPS.

Cada una de estas métricas responde a una pregunta fundamentalmente diferente, proporcionando una visión 360° que va desde la satisfacción transaccional inmediata hasta la lealtad relacional a largo plazo. Este post desglosa cada una de ellas, explica cuándo usarlas y demuestra cómo monitorizarlas conjuntamente en un dashboard de seguimiento simulado con R.

Tres perspectivas complementarias de medición

1. CSAT (Customer Satisfaction Score)

El CSAT es la métrica transaccional por excelencia. Mide la satisfacción del cliente con una interacción o experiencia específica y reciente.

  • Pregunta Típica: “En una escala de 1 a 5, ¿cómo de satisfecho/a quedaste con [la llamada de soporte / el proceso de compra / tu reciente visita]?”
  • Cálculo: Se suele reportar como el porcentaje de clientes que dieron las dos puntuaciones más altas (ej. 4 “Satisfecho” y 5 “Muy Satisfecho”). Esto se conoce como el “Top 2 Box” (T2B).
  • Función: Actúa como un termómetro para medir la calidad de puntos de contacto individuales en el viaje del cliente. Es ideal para evaluar el rendimiento de un agente de call center, la usabilidad de un proceso de pago o la calidad de una entrega.

2. CES (Customer Effort Score)

El CES mide la facilidad con la que un cliente pudo interactuar con la empresa para lograr su objetivo. Su popularidad explotó tras investigaciones que demostraron que reducir el esfuerzo del cliente es un predictor de la lealtad más potente que “deleitarlo” (Dixon et al., 2010).

  • Pregunta Típica: “En una escala de 1 a 5, ¿cómo de fácil te resultó [resolver tu problema / realizar tu compra]?”
  • Cálculo: Al igual que el CSAT, a menudo se calcula como un porcentaje “Top Box” (ej. respuestas “Muy Fácil” y “Fácil”).
  • Función: Es un KPI de diagnóstico operativo. Un CES bajo (mucho esfuerzo) señala fricciones en los procesos, burocracia innecesaria o fallos en el diseño de la experiencia que frustran al cliente y erosionan la lealtad.

3. NPS (Net Promoter Score)

El NPS, a diferencia de los otros dos, es una métrica relacional, no transaccional. Busca medir la lealtad general del cliente y su probabilidad de actuar como un embajador de la marca.

  • Pregunta Típica: “En una escala de 0 a 10, ¿qué probabilidad habría de que recomiende nuestra empresa a un amigo o colega?” (Reichheld, 2003).
  • Cálculo: Se calcula restando el porcentaje de Detractores (0-6) del porcentaje de Promotores (9-10).
  • Función: Actúa como un barómetro de la salud de la relación a largo plazo con el cliente. Es un indicador estratégico que se correlaciona con el crecimiento del negocio, aunque su poder predictivo ha sido objeto de debate académico (Keiningham et al., 2007).
Métrica ¿Qué Mide? Tipo Caso de Uso Principal
CSAT Satisfacción “en el momento” Transaccional Después de una interacción específica (soporte, compra).
CES Facilidad y ausencia de esfuerzo Transaccional Evaluar la eficiencia de un proceso (resolver un problema).
NPS Lealtad y potencial de recomendación Relacional Encuestas periódicas para medir la salud general de la marca.

Ejemplo en R: seguimiento de un servicio de soporte

Imaginemos que gestionamos un servicio de soporte técnico y medimos las tres métricas. Medimos CSAT y CES justo después de cada llamada de soporte, y enviamos una encuesta NPS trimestral a una muestra de nuestros clientes.

Paso 1: Carga

Code 
# Cargar librerías
library(dplyr)
library(ggplot2)
library(lubridate)
library(tidyr)
library(knitr)

# Simular datos de encuestas a lo largo de 6 meses
set.seed(123)
n_obs <- 2000
start_date <- as.Date("2024-01-01")

# Creamos una base de datos de interacciones
cx_data <- tibble(
  id = 1:n_obs,
  date = start_date + sample(0:179, n_obs, replace = TRUE) # 6 meses de datos
)

# Simulamos las 3 métricas
# CSAT (1-5): estable y alto
cx_data$csat_score <- sample(3:5, n_obs, replace = TRUE, prob = c(0.1, 0.4, 0.5))

# CES (1-5): empieza bien pero empeora con el tiempo (quizás un proceso nuevo es más difícil)
cx_data$ces_score <- floor(5.5 - 0.7 * (as.numeric(cx_data$date - start_date) / 180) - runif(n_obs, 0, 1.5))
cx_data$ces_score <- pmax(1, pmin(5, cx_data$ces_score))

# NPS (0-10): medido trimestralmente, se ve afectado por el mal CES
cx_data$nps_score <- NA
cx_data$nps_score[month(cx_data$date) %in% c(3, 6)] <- sample(0:10, sum(month(cx_data$date) %in% c(3, 6)), replace = TRUE, prob = c(rep(0.1,7), 0.1, 0.1, 0.05, 0.05))

kable(sample_n(cx_data, 6), caption="Muestra aleatoria de los datos de CX simulados.")
Muestra aleatoria de los datos de CX simulados.
id date csat_score ces_score nps_score
322 2024-05-27 5 4 NA
1637 2024-03-10 5 4 8
1400 2024-03-26 5 5 4
1520 2024-02-18 5 3 NA
1304 2024-04-25 5 3 NA
1434 2024-03-22 5 4 4

Paso 2: Cálculo de los KPIs mensualmente

Agruparemos los datos por mes y calcularemos cada KPI según su fórmula.

Code 
# Transformamos los datos a un formato largo para facilitar el cálculo
cx_long <- cx_data %>%
  pivot_longer(
    cols = c(csat_score, ces_score, nps_score),
    names_to = "metric_type",
    values_to = "score"
  ) %>%
  filter(!is.na(score)) %>% # Quitamos los NAs (meses sin encuesta NPS)
  mutate(month = floor_date(date, "month"))

# Calculamos los KPIs
kpi_summary <- cx_long %>%
  group_by(month, metric_type) %>%
  summarise(
    kpi_value = case_when(
      first(metric_type) == "csat_score" ~ mean(score >= 4) * 100, # T2B
      first(metric_type) == "ces_score" ~ mean(score >= 4) * 100,  # T2B
      first(metric_type) == "nps_score" ~ (mean(score >= 9) - mean(score <= 6)) * 100
    ),
    .groups = 'drop'
  ) %>%
  # Limpiamos nombres para el gráfico
  mutate(
    metric_type = toupper(gsub("_score", "", metric_type))
  )

kable(kpi_summary, caption="KPIs calculados mensualmente.")
KPIs calculados mensualmente.
month metric_type kpi_value
2024-01-01 CES 95.97701
2024-01-01 CSAT 87.93103
2024-02-01 CES 89.87342
2024-02-01 CSAT 90.18987
2024-03-01 CES 81.23249
2024-03-01 CSAT 91.31653
2024-03-01 NPS -62.74510
2024-04-01 CES 71.69231
2024-04-01 CSAT 88.92308
2024-05-01 CES 67.36527
2024-05-01 CSAT 94.31138
2024-06-01 CES 56.25000
2024-06-01 CSAT 89.37500
2024-06-01 NPS -59.06250

Paso 3: Visualización de los resultados

Usaremos facet_wrap para crear un panel para cada KPI, simulando un dashboard de seguimiento.

Code 
ggplot(kpi_summary, aes(x = month, y = kpi_value, group = 1)) +
  geom_line(aes(color = metric_type), linewidth = 1.2) +
  geom_point(aes(color = metric_type), size = 3) +
  geom_text(aes(label = round(kpi_value, 1)), vjust = -1.5, fontface = "bold", size = 3.5) +
  
  # Usamos facet_wrap para crear un "dashboard"
  facet_wrap(~ metric_type, ncol = 1, scales = "free_y") +
  
  scale_x_date(date_labels = "%b %Y", date_breaks = "1 month") +
  scale_color_manual(values = c("CSAT" = "#2ECC71", "CES" = "#F1C40F", "NPS" = "#3498DB")) +
  labs(
    title = "Dashboard de Métricas de Experiencia de Cliente (CX)",
    subtitle = "Evolución mensual de CSAT, CES y NPS",
    x = "Mes",
    y = "Puntuación del KPI"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    legend.position = "none",
    strip.text = element_text(face = "bold", size = 12),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Dashboard de Seguimiento de Métricas de Experiencia de Cliente.

Interpretación y conclusión estratégica

Este dashboard cuenta una historia que una única métrica jamás podría revelar:

  1. CSAT (Satisfacción): Se mantiene consistentemente alto. Esto sugiere que nuestros agentes de soporte son amables y efectivos a nivel individual.
  2. CES (Esfuerzo): Muestra una alarmante tendencia a la baja. A pesar de que los agentes son buenos, a los clientes cada vez les cuesta más resolver sus problemas. Esto podría deberse a un nuevo software, un proceso más burocrático o una base de conocimientos desactualizada.
  3. NPS (Lealtad): Refleja la historia completa. Aunque el NPS fue positivo en el primer trimestre, ha caído en el segundo. La frustración generada por el alto esfuerzo (CES bajo) está erosionando la lealtad general de nuestros clientes, a pesar de que las interacciones individuales sean satisfactorias (CSAT alto).

Conclusión: No existe una métrica definitiva. La verdadera visión estratégica proviene de usar este trío de KPIs de forma conjunta. El CSAT nos dice si lo hacemos bien “en el momento”, el CES nos alerta sobre fricciones en nuestros procesos y el NPS nos da el veredicto final sobre la lealtad a largo plazo. Juntos, forman un sistema de alerta temprana indispensable para cualquier organización centrada en el cliente.

Referencias

Dixon, M., Freeman, K., & Toman, N. (2010). Stop trying to delight your customers. Harvard Business Review, 88(7/8), 116-122.

Keiningham, T. L., Cooil, B., Andreassen, T. W., & Aksoy, L. (2007). A longitudinal examination of net promoter and firm revenue growth. Journal of Marketing, 71(3), 39–51. https://doi.org/10.1509/jmkg.71.3.39

Lemon, K. N., & Verhoef, P. C. (2016). Understanding customer experience throughout the customer journey. Journal of Marketing, 80(6), 69–96. https://doi.org/10.1509/jm.15.0420

Reichheld, F. F. (2003). The one number you need to grow. Harvard Business Review, 81(12), 46-54.