How woku Uses Data Grouping Principles to Analyze the Customer Experience
Discover how clustering algorithms help you understand how your customers interact with different levels of your business.
At woku, we seek to combine the power of analysis with simplicity of use. Our goal is to allow our users to perform deep and hierarchical analyses without needing to be specialists in data analysis or software engineering.
The origin of our idea↻
When we started developing woku, we only had one basic tool for collecting feedback, which we called woku (I wrote a post that explains: What is a woku? ), without complex reports or analysis, you could only know the woku's average rating and a summary of the reviews.
During our incubation at Emprende UCSC, our mentor, Gonzalo, suggested grouping wokus into levels, allowing several levels downward. This suggestion led us to think about a file and folder system, a structure familiar to most users. In addition, the user interface could support a drag-and-drop system, making it easier to use.
How it works↻
The principle is simple:
- You create levels using folders.
- You organize your areas of interest in these folders.
- Within the folders, you can create more subfolders and wokus as needed.
For example, if you want to understand customer experience by area of your company, you could have a structure like this:
Empresa
├── Servicio al Cliente (Carpeta)
| ├── Consultoría (Carpeta)
| | ├── Empresa A (woku)
| │ └── Empresa B (woku)
│ ├── Atención telefónica (woku)
│ └── Chat en línea (woku)
├── Ventas (Carpeta)
│ ├── Proceso de compra online (woku)
│ └── Atención en tienda (woku)
└── Productos (Carpeta)
├── Tecnología (Carpeta)
│ ├── Celulares (Carpeta)
│ │ ├── Galaxy S24 Ultra (woku)
│ │ └── iPhone 15 Pro (woku)
│ └── Laptops
│ ├── Dell (Carpeta)
| | ├── Latitude 5420 (woku)
| | └── Dell Alienware (woku)
│ └── Slimbook (Carpeta)
| └── Executive (woku)
└── Accesorios (Carpeta)
└── Teclado (woku)
Árbol de experiencia del cliente de una empresa en woku.
No te asustes, en la práctica un nivel se ve así:
Este sistema permite reagrupar los enfoques de análisis cuando sea necesario, simplemente arrastrando y soltando elementos.
El fundamento: Agrupamiento jerárquico
Nuestro sistema se basa en los principios del agrupamiento jerárquico, un método utilizado en el análisis de datos y el aprendizaje automático. Este enfoque organiza la información en una estructura de árbol, donde cada rama representa una categoría o subcategoría, y las hojas (en nuestro caso, los "wokus") contienen los datos específicos de cada experiencia del cliente.
Ventajas de este enfoque
- Flexibilidad natural: Refleja la estructura jerárquica natural de muchos negocios y productos.
- Análisis multinivel: Permite obtener insights tanto a nivel general como específico.
- Descubrimiento de patrones: Facilita la identificación de tendencias en diferentes niveles del negocio.
Funcionamiento interno
Cuando se coloca un woku en una carpeta, se está alimentando un sistema de análisis. Cada carpeta funciona como un nodo en el árbol de datos, agregando y analizando la información de los wokus que contiene.
- Homogeneidad dentro de los grupos: Los wokus en una misma carpeta comparten características similares, lo que permite análisis más precisos.
- Escalabilidad: El sistema se adapta al crecimiento del negocio sin perder eficiencia.
- Insights multinivel: Se generan reportes tanto a nivel de carpeta como de woku individual.
El poder de una estructura intuitiva
En woku, hemos buscado combinar la facilidad de uso de un sistema de archivos familiar con el poder analítico de algoritmos de agrupamiento. Nuestro objetivo es permitir que los usuarios se concentren en entender y mejorar la experiencia de sus clientes, sin necesidad de ser expertos en análisis de datos.
La interfaz de arrastrar y soltar no es solo una elección de diseño, sino una decisión fundamentada, diseñada para ofrecer una herramienta potente y accesible para el análisis de la experiencia del cliente.
Referencias
- Rokach, L., & Maimon, O. (2008). Clustering methods. En O. Maimon & L. Rokach (Eds.), Data Mining and Knowledge Discovery Handbook (pp. 321-349). Springer.
- Chizi, B., & Maimon, O. (2008). Dimension reduction and feature selection. En O. Maimon & L. Rokach (Eds.), Data Mining and Knowledge Discovery Handbook (pp. 93-109). Springer.