Contenido del curso
Análisis de quejas con datos combinados
Cuando trabajas con datos reales, los problemas no llegan separados por columnas. Vienen mezclados: lo que dice el cliente, dónde lo dice y cuándo. Aprender a integrar distintas fuentes de datos es lo que te permite pasar de reaccionar a anticiparte, y aquí vas a ver cómo hacerlo con un caso de quejas en un servicio de entregas.
¿Por qué combinar texto, ubicación y tiempo en el análisis?
Mirar una sola dimensión te da una foto incompleta. El texto te dice qué pasó, la ciudad dónde pasó y la fecha cuándo pasó. Pero la magia ocurre cuando los cruzas.
Al combinar las tres capas puedes responder preguntas que de otra forma quedarían en supuestos:
¿Qué significa integrar datos en análisis operativo? Es cruzar variables como texto, ubicación y tiempo en un mismo set para detectar patrones que no se ven al analizarlas por separado.
Eso convierte un análisis genérico en acciones específicas, que es justo lo que necesita un líder operativo.
¿Cómo analizar 300 quejas de clientes con ChatGPT?
Imagina que trabajas en un servicio de entregas a domicilio y recibiste 300 quejas durante un mes [01:30]. Cada registro tiene ciudad, fecha, hora y un comentario libre del cliente. La meta: saber dónde reforzar personal, qué atacar primero y si es algo puntual o una tendencia.
¿Cómo clasificar comentarios libres en categorías útiles?
El primer paso es entender el data set. Subes la hoja de cálculo a ChatGPT 5, que permite hacer operaciones sobre documentos, y le pides crear una nueva columna llamada Categoría [02:30].
Las categorías iniciales fueron:
En la primera corrida, muchos comentarios cayeron en Otros. La sugerencia del modelo fue ampliar el diccionario de palabras clave y, después, agregar una categoría nueva: Calidad de producto [03:45]. Este proceso iterativo es normal porque ChatGPT introduce cierta aleatoriedad en sus respuestas.
¿Cómo identificar las ciudades con más quejas?
Después de clasificar, le pides una gráfica de barras con el top 10 de ciudades con más quejas. En el ejercicio, las primeras posiciones fueron Cancún, Tijuana y Guadalajara [05:00].
La ventaja de tener los datos dentro del chat es que puedes seguir preguntando. Por ejemplo, al consultar qué categoría es la más frecuente en Monterrey, la respuesta fue Otros, seguida de Calidad de producto y Entrega tardía.
¿Cómo detectar patrones de horario y día con un mapa de calor?
Para ver cuándo ocurren las quejas, le pides un mapa de calor por hora agrupado por día de la semana, de lunes a domingo [06:30]. Ahí aparecen los insights operativos.
En el ejercicio se detectó que los fines de semana concentran el mayor número de quejas, mientras que de martes a jueves la actividad cae casi por completo. Eso no es decoración visual: es una señal directa para decisiones de personal y logística.
¿Qué es un mapa de calor en análisis de datos? Es una visualización que muestra la concentración de eventos cruzando dos variables, como hora del día y día de la semana, usando intensidad de color.
¿Cómo convertir el análisis en una propuesta operativa?
Con esta información, el reto es ponerte el sombrero de líder operativo y entregar una propuesta corta en bullet points:
La habilidad que estás entrenando aquí marca la diferencia. Ver un problema es bueno, pero saber dónde, cuándo y por qué ocurre es nivel de liderazgo.
¿Qué necesitas realmente para tomar mejores decisiones con datos?
No te hacen falta dashboards carísimos ni modelos avanzados de inteligencia artificial. Necesitas tres cosas: estructura, preguntas bien planteadas y los datos que ya tienes.
Muchas veces el problema no es la falta de información, sino que no la estás viendo junta. Cuando empiezas a cruzar capas, dejas de trabajar con supuestos y tomas acción con claridad.
¿Qué ciudad atacarías primero con los datos del ejercicio? Déjame tu propuesta en los comentarios.
Gabriel Obregón
Estudiante
Aaron Mainero
Estudiante
Esteban Bastías B.
Estudiante
Santiago Gaitán
Estudiante
Fernando Lavao Orjuela
EstudianteEsteban Bastías B.
Estudiante
ANGELA MARIA SUAZA VARELA
Estudiante
Guillermo Alomia Monjaraz
Estudiante
Carlos Andres Prieto Garavito
Estudiante
Claudia Cecilia Ruiz Duque
Estudiante
Felipe Martínez
EstudianteFelipe Martínez
EstudianteElias Echeverri
Estudiante
Jhon Freyman Ramírez Cortés
EstudianteJhon Freyman Ramírez Cortés
EstudianteJhon Freyman Ramírez Cortés
Estudiante
José Eder Guzmán Mendoza
Estudiante
Alberto Antonio Aparicio Villacorta
Estudiante
Juan Lopez
EstudianteJackssuriss Tatiana Herrera Florez
Estudiante🧭Conecta texto, ubicación y tiempo para decisiones más inteligentes
🎯 OBJETIVO GENERAL
Comprender qué pasa, dónde y cuándo, para decidir con claridad. Integrar texto + ubicación + tiempo te ayuda a:
✅ Detectar patrones
🚨 Identificar focos rojos
🎯 Priorizar acciones
💡 Sin dashboards costosos: solo estructura, buenas preguntas y los datos que ya tienes.
💡 POR QUÉ INTEGRAR TEXTO, UBICACIÓN Y FECHA
🔹 Combinar tipos de datos = multiplicar el valor del análisis.
Capas de información:
Preguntas que generan valor:
💪 Con esto, puedes dirigir acciones a los equipos adecuados (logística, producto o soporte) y saber si un problema es puntual o una tendencia.
🧩 CÓMO PREPARAR EL DATASET Y CLASIFICAR COMENTARIOS
1️⃣ Diseña tu hoja de cálculo con columnas:
ID de la queja | Ciudad | Fecha | Hora | Comentario del cliente
2️⃣ Sube el archivo a ChatGPT (GPT-5) para analizar y “chatear con tus datos”.
3️⃣ Agrega una columna “Categoría” con opciones como:
4️⃣ Ajusta en el proceso:
⚠️ Recuerda: las respuestas del modelo pueden variar, pero lo importante es seguir un método coherente.
💬 Consejo: Itera, valida muestras y afina palabras clave hasta reducir “otros” al mínimo.
📊 VISUALIZACIONES CLAVE PARA DETECTAR PATRONES
🔸 Gráfica de barras por ciudad
📍 Muestra la concentración geográfica de quejas.
Ejemplo: Cancún, Tijuana y Guadalajara con más incidencias. En Monterrey, predominan:
➡️ “Otros”
➡️ “Calidad de producto”
➡️ “Entrega tardía”
🔸 Mapa de calor por hora y día
⏰ Revela los momentos críticos.
Hallazgos clave:
👉 Estos patrones son guías para la acción, no simples decoraciones.
Lo primero que atacaría sería la categoría de "Pedido no entregado", ya que esto me genera un mayor costo logístico, financiero y de satisfacción. Al tener que usar recursos en el reembolso y el costo de una experiencia negativa que afecta mi reputación.
Mi practica la tome via SQL,
Link de la carpeta aqui encontraras (data limpia, schema, consultas SQL, data.csv"clase") =
📊Schema Database
Insights Accionables
👉🏻📊La semana con mas problemas fue la semana 32 con 178 quejas y le sigue la semana 31 con 89 quejas.
👉🏻📊Identificamos que de la semana 32 de la Hora con mas quejas reportadas fue la hora de las 19:00 "7:00 PM" y identificamos cual fueron el top 5 de las quejas mas comunes:
👉🏻📊 Colocaria en marcha un plan accionable de control de calidad y procedimientos operacionales donde se controle desde recibir el ticket de solicitud, hasta el servicio de post venta, orientado a la principales quejas de los clientes para mejorar significativamente el servicio, se pondria en marcha en la principales ciudades que tuvieron la afectacion y se volveria hacer un auditoria de control de operaciones identificando las correcciones puestas en marcha y confrontar con la nueva database de quejas de clientes.
Lo más importante es priorizar la calidad de la comida y el reparto. Pues, el problema principalmente es el estado de la comida y demoras en la entrega. Entonces, lo ideal sería reforzar el delivery y chequeo de calidad del alimento durante los fines de semana que son los días de mayor demanda.
cual sería la mejor recomedación para la ciudad mas afectada?
ChatGPT dijo:
Buena pregunta 🔍. Vamos a basar la recomendación en los datos que ya analizamos:
Primero, identifiquemos cuál es la ciudad más afectada (la que tiene más quejas).
La ciudad más afectada es Cancún, con 45 quejas en total. Distribución de categorías en Cancún:
🎯 Recomendación para Cancún:
Dado que la mayoría de las quejas no encajan en categorías específicas (clasificadas como "otro"), pero muchas de ellas parecen relacionadas con la calidad del pedido o el estado del producto, se pueden aplicar las siguientes acciones:
1. Auditoría de calidad del servicio
2. Capacitación en atención al cliente
3. Mejorar el control del proceso de entrega
4. Categorizar mejor las quejas
5. Programas de compensación
¿Quieres que te ayude a analizar el contenido de las quejas de Cancún para ver qué temas se repiten dentro de “otro”? Podríamos extraer palabras frecuentes.
Buena respuesta de ChatGpt
Respuesta al reto:
La prioridad operativa debe centrarse en la ciudad con mayor concentración de quejas (según el análisis, la que lidera el volumen total) y en el tipo de incidencia más frecuente, que aunque esté parcialmente diluido en “otros”, apunta a problemas de cumplimiento en la promesa de servicio (entrega tardía o pedidos no entregados). La justificación es directa: atacar el mayor volumen genera el impacto más rápido en la reducción total de quejas y mejora perceptible en la experiencia del cliente. Además, al ser un problema localizado geográficamente, es altamente probable que esté asociado a un cuello de botella específico (operador logístico, saturación de rutas o mala planificación).
Acciones concretas: primero, un diagnóstico express en la ciudad prioritaria revisando datos operativos (tiempos reales vs. prometidos, tasa de entregas fallidas y capacidad instalada por zona); segundo, una reclasificación manual de una muestra de quejas catalogadas como “otros” para identificar la causa raíz dominante y ajustar el modelo de clasificación; y tercero, implementar un refuerzo temporal de capacidad (más repartidores o rutas), ajustes en la promesa de entrega si está desalineada y un protocolo de atención al cliente que reduzca la fricción en casos críticos.
El éxito se medirá con tres indicadores claros: una reducción del volumen de quejas en la ciudad prioritaria (meta inicial: -20% en dos semanas), una disminución significativa del porcentaje de casos clasificados como “otros” (objetivo: por debajo del 15%, lo que indicará mejor entendimiento del problema), y la mejora en el incremento en entregas a tiempo. Si estos tres indicadores se mueven en la dirección esperada, se tendrá evidencia sólida de que la intervención no solo corrigió síntomas, sino que empezó a resolver la causa estructural.
en vista de que la ciudad de cancun arroja ma problemas de servicio por causas de logística y saturacion, una de las opciones es informar a los clientes que tendra un poco mas de espera con descuento del 5% y compra mayor, adicional promover negocios mas cercanos a la geolocalización solicitada por el usuario
¿Cómo convierto estos hallazgos en acciones reales?
El análisis de datos no sirve de nada si termina siendo solo una presentación bonita; debe traducirse en decisiones operativas. Para lograrlo, utiliza un marco de trabajo de tres pasos: Prioridad, Acción y Métrica. Primero, define tu prioridad operativa atacando el foco rojo más grande. Si descubriste que una ciudad específica tiene el 40% de las quejas por problemas técnicos, ese es tu punto de partida. Segundo, diseña una acción recomendada hiperespecífica. En lugar de decir "mejorar el servicio", la acción sería "enviar a un técnico senior a revisar los servidores de esa ciudad este miércoles". Finalmente, establece una métrica de éxito para validar tu hipótesis. ¿Cómo sabrás si funcionó? Midiendo si el volumen de quejas técnicas en esa ubicación disminuye en un 20% durante la siguiente semana. Al estructurar tus hallazgos de esta manera, dejas de ser un simple observador de datos y te conviertes en un líder estratégico.
¿Por qué es mejor cruzar múltiples variables?
Imagina que eres un médico. Si solo sabes que al paciente le duele el estómago (el qué), podrías recetar un analgésico general. Pero si también sabes que el dolor ocurre siempre después de comer lácteos (el cuándo) y se concentra en la parte baja del abdomen (el dónde), tu diagnóstico cambia por completo y puedes tratar la raíz del problema. En los negocios ocurre exactamente lo mismo. Analizar variables de forma aislada te da una visión plana y te obliga a tomar decisiones genéricas que rara vez resuelven el problema real. Al cruzar ciudad, fecha y categoría, creas un ecosistema tridimensional de tu operación. Esto te permite descubrir que los problemas de entrega tardía no son un fallo global de la empresa, sino que ocurren específicamente en una ciudad durante los viernes por la noche. Con este nivel de granularidad, dejas de gastar presupuesto en capacitaciones masivas y, en su lugar, asignas recursos extra solo para esa zona y en ese horario específico.
¿Cuál es la mejor manera de detectar horarios?
La herramienta visual más poderosa para identificar patrones temporales es el mapa de calor (heatmap). Imagina el tablero de un auto que enciende luces rojas cuando algo falla; un mapa de calor hace lo mismo con tus datos. En lugar de leer interminables filas de horas y fechas en una hoja de cálculo, esta visualización utiliza la intensidad del color para mostrarte exactamente dónde se concentra el volumen de incidentes. Para sacarle el máximo provecho, lo ideal es agrupar los datos en una matriz que cruce los días de la semana con las horas del día. Al hacer esto, tu cerebro detecta instantáneamente las zonas más oscuras o rojas. Podrías descubrir, por ejemplo, que los martes por la mañana tu operación es un mar en calma, pero los sábados entre las 7:00 p.m. y las 9:00 p.m. el sistema colapsa. Esta claridad visual es el argumento perfecto para justificar cambios en los turnos de tu equipo o redistribuir la carga logística antes de que ocurra el cuello de botella.
El análisis integrado de quejas combina texto, ubicación y tiempo para convertir datos dispersos en decisiones operativas claras. Mientras el texto explica qué dicen los clientes, la ubicación muestra dónde ocurren los problemas y la fecha/hora indica cuándo se intensifican. Juntas, estas dimensiones permiten detectar patrones reales y priorizar acciones con mayor precisión.
El proceso inicia con la preparación del dataset, organizando variables como ciudad, fecha, hora y comentario. Luego, se clasifican las quejas en categorías (por ejemplo: entrega tardía, problemas técnicos, servicio al cliente), refinando continuamente para reducir ambigüedad y mejorar la calidad del análisis.
A nivel analítico, las visualizaciones clave incluyen:
Estos hallazgos permiten responder preguntas críticas como: dónde concentrar esfuerzos, en qué momentos reforzar operaciones y qué tipo de problemas atender primero.
El valor real surge al traducir insights en acción:
En síntesis, integrar estas tres dimensiones permite pasar de reaccionar a anticipar, tomando decisiones basadas en evidencia que impactan directamente la operación y la experiencia del cliente.
lo e probado con Gemini y funciona de manera similar.
PRIORIDAD OPERATIVA:
la mayoria de quejas son de sercivio al cliente, representando el 55% del total, y la mas comun dentro del top de de ciudades con mas quejas.
por tanto la prioridad es atender el sercivio al cliente desde guadalajara con la mayoria de quejas siguiendo descendentemente segun el total de quejas de cada ciudad.
ACCION RECOMENDADA:
siendo la queja mas comun "Servicio al cliente" las primeras 4 quejas mas comunes ser refieren a comida en mal estado (plagas, descompuesta, mal cocinada, falta de higiente). Por tando debe mejorarse el servicio de preparacion de comida e higiene.
METRICA DE EXITO:
Reducir las quejas de servicio al cliente en un 20% en 2 semanas despues de aplicadas las medidas.
Propuesta operativa
Aunque los casos de pedidos no entregados son pocos, representan los incidentes más críticos, ya que corresponden a una acción no completada y pueden afectar directamente la imagen de la marca.
Estos casos deben ser gestionados con la máxima prioridad.
En segundo lugar, se encuentran las quejas relacionadas con servicio al cliente, las cuales corresponden principalmente a consultas frecuentes sobre métodos de pago, reembolsos y estado del pedido.
Acción recomendada
Implementar un sistema de verificación en tiempo real mediante un código de confirmación al momento de la entrega.
Propuesta operativa – Gestión de Quejas
1. Prioridad operativa: Resolver primero las quejas de “pedido no entregado”, porque afectan directamente la experiencia y generan pérdida inmediata de confianza y dinero.
2. Acción recomendada (esta semana): Implementar un protocolo de verificación en tiempo real entre repartidor y cliente (confirmación con foto o firma digital) antes de cerrar cada entrega.
3. Métrica de éxito: Reducir en 30 % las quejas por pedido no entregado en los próximos 7 días. Éxito = menos reportes de este tipo en el panel diario de incidencias.
