Encuestas CSAT

CSAT (Customer Satisfaction) es la encuesta corta que dispara el agente automáticamente cuando termina una conversación. Una a tres preguntas rápidas: "¿qué tan satisfecho quedaste?", "¿resolvimos tu problema?". Las respuestas se consolidan en agregados por agente y canal para que el supervisor vea tendencias reales, no sensaciones.

Resumen ejecutivo

El cambio de juego: medir la satisfacción donde ocurre la conversación — no en un formulario aparte que nadie abre.

¿Para qué sirve?

• Detectar caídas de calidad de un agente específico (un cambio de prompt que empeoró la experiencia).
• Comparar canales: WhatsApp vs email en la misma organización.
• Justificar mejoras: "el score pasó de 3.8 a 4.4 tras el nuevo prompt".
• Obtener NPS de forma operativa sin herramientas adicionales.

¿Cómo funciona?

sequenceDiagram
  autonumber
  participant U as Usuario
  participant A as Agente WhatsApp/Email
  participant T as Conversation timeout service
  participant C as CSAT service
  U->>A: último mensaje de la conversación
  Note over A,T: 30 min sin respuesta (timeout configurable)
  T->>C: ¿hay question set activo para este agente+canal?
  C-->>T: sí, versión 3, 2 preguntas
  T->>A: enviar intro_message
  A->>U: "¿Nos ayudas con una encuesta rápida?"
  U->>A: respuesta 1
  A->>C: parsear respuesta → CSATAnswer
  A->>U: pregunta 2
  U->>A: respuesta 2
  A->>C: completar CSATResponseItem
  A->>U: thank_you_message

Los detalles clave:

1. Trigger: al expirar el session_timeout_minutes del agente (default 30 min), si csat_enabled=true y hay un question set activo, el sistema arranca la encuesta.
2. Versionado: cada vez que editás preguntas, se crea una nueva versión y la anterior se archiva. Las respuestas existentes mantienen referencia a su versión — los agregados nunca mezclan versiones distintas.
3. Parsing multi-idioma: el parser acepta "1/5", "⭐⭐⭐⭐⭐", "cinco", "5 stars" para scale_1_5; "yes", "sí", "claro", "no", "nope" para yes_no; texto libre para open_text.
4. Snapshot: cada CSATResponseItem persiste el question_set_version. Si editás el set más tarde, las respuestas previas no se contaminan.

Tipos de pregunta

Configuración

Activar CSAT en un agente

Desde el dashboard:

1. Agentes IA → WhatsApp (o Email) → seleccionar el agente.
2. En la pestaña Configuración, activar el toggle Habilitar CSAT.
3. Guardar.

Con esto, el agente queda enlazado al question set activo del canal + agente. Si no hay question set, el toggle no dispara nada.

Crear un question set

Desde el editor CSAT del agente (panel Configuración → CSAT):

1. Introducción (opcional): mensaje corto antes de la primera pregunta. Ej: "¿Nos ayudas con 2 preguntas?".
2. Pregunta 1 — tipo: scale_1_5, scale_1_10, yes_no, open_text.
3. Texto de la pregunta: el prompt que guía a la IA para formularla. Ej: "Pregunta si quedó satisfecho con el servicio". El sistema paraphrasea en el idioma del usuario al enviarla.
4. Repetir para 2-10 preguntas.
5. Cierre (opcional): mensaje final. Ej: "¡Gracias! Tu feedback nos ayuda a mejorar."
6. Guardar → se crea la versión 1. Cada edición posterior bumpea la versión.

Parámetros por pregunta

Consultar agregados

El dashboard dedicado vive en Satisfacción (/satisfaction), con vista por agente y canal:

• Response rate: total_completed / total_started * 100.
• Score promedio por pregunta numérica.
• Distribución por valor (histograma para escalas, proporción sí/no).
• Texto libre: lista paginada de respuestas.

Los agregados se computan on-the-fly en MongoDB contra la colección _csat_responses filtrada por question_set_id + version. No hay job batch — los números del dashboard son tiempo real.

Casos de uso

1 · Supervisor WhatsApp detecta agente en baja. Agente "soporte-norte" tenía score promedio 4.6 en scale_1_5 durante 3 meses. Tras un cambio de prompt cayó a 3.9 en una semana. El supervisor ve la caída en el gráfico, revierte el prompt, score vuelve a 4.5 en dos días.

2 · NPS operativo sin herramienta externa. Empresa B2B con agentes de email usa scale_1_10 en la pregunta única "¿Qué tan probable es que nos recomiendes?". Calcula NPS = %promotores (9-10) − %detractores (0-6) directo del agregado. 200 respuestas/mes con tasa de respuesta 35%.

3 · Feedback cualitativo triage-able. Agente con 2 preguntas: scale_1_5 + open_text. Las respuestas de score ≤2 se revisan manualmente. El agente de IA clasifica los open_text por tema (problema técnico, queja de tiempo, feedback positivo). Flujo de mejora continua sin esfuerzo humano masivo.

Limitaciones y supuestos

• La encuesta se dispara al timeout de inactividad, no cuando el usuario dice "gracias, adiós". Si la conversación queda abierta 30 minutos sin cierre explícito, se dispara igual.
• Máximo 10 preguntas por set. Más allá, la tasa de respuesta cae drásticamente.
• El parser de respuestas es tolerante pero no infalible. Respuestas muy ambiguas se guardan como texto crudo en CSATAnswer.text con value = null.
• Los agregados NO mezclan versiones. Si querés ver evolución histórica tras un cambio de preguntas, compará las versiones en el dashboard — el sistema no las combina.
• CSAT corre solo per-canal: no hay encuesta cross-channel (email + WhatsApp combinados en un set único).

Beneficios clave

• Satisfacción medida donde ocurre la conversación → tasa de respuesta 10-20× mayor que email separado.
• Versionado automático: cada cambio de preguntas se archiva, los agregados quedan comparables por versión.
• Sin servicio externo: no se paga SurveyMonkey ni Typeform. Todo vive en la plataforma.
• Parser tolerante a estilos naturales del usuario (emojis, números, palabras).
• Trazabilidad per-conversación: cada respuesta apunta a su conversation_id para auditoría.