Cómo utiliza Potbelly la IA para detectar clientes insatisfechos, recuperar malas experiencias y fomentar la retención
Socio de Momos desde:
Ubicaciones:
456
Integraciones:
TPV (transacciones de fidelización), encuestas de Momos, bandeja de entrada de Momos
Resultado clave con Momos
Temas | KPIs |
|---|---|
Recuperación de fidelidad activada por IA | Los clientes identificados como insatisfechos y a los que se les ofreció una recuperación de puntos de fidelidad vieron un aumento de +13,5 pp en la tasa de retorno a los 30 días en comparación con los clientes que no recibieron ninguna recuperación. |
Recuperación automatizada a escala | Momos detectó entre 400 y 600 envíos de comentarios negativos aptos para acciones de fidelización a la semana, y entre el 50 y el 60 % de todos los comentarios activaron acciones de recuperación. |
Mayores tasas de retorno tras la recuperación | Los clientes con comentarios negativos que recibieron puntos de fidelidad regresaron con una tasa de retorno a los 30 días del 73-80 %, lo que representa una mejora relativa de aproximadamente el 20-30 %. |
Reducción de la brecha de interacción | La recuperación impulsada por IA ayudó a reducir la brecha entre los clientes insatisfechos, que suelen realizar unas 2,4-2,5 visitas cada 30 días, y los clientes fidelizados de referencia, que realizan unas 4,4-4,6 visitas cada 30 días. |
Fondo
Potbelly es una cadena nacional de bocadillerías con una base de clientes leales y un programa de fidelización bien consolidado. Con miles de transacciones procesadas diariamente y un alto volumen de interacciones con los clientes en todos sus establecimientos, Potbelly disponía de la infraestructura para recopilar comentarios, pero le faltaba la forma de cerrar el círculo con precisión.
Para 2024, Potbelly contaba con los datos para saber cuándo los clientes no estaban satisfechos, pero no con el sistema para recuperarlos. Las encuestas y los casos registraban las experiencias negativas, y los puntos de fidelidad podían emitirse manualmente, pero el camino desde el comentario hasta la recuperación estaba fragmentado. No existía una forma automatizada de detectar a un cliente en riesgo, activar la acción de recuperación adecuada y convertir una mala experiencia en un motivo para volver.
Potbelly no solo necesitaba una forma de disculparse con los clientes descontentos. Necesitaba un sistema que pudiera detectarlos, recuperarlos y demostrar que esa recuperación se traducía en retención.
El desafío
Los comentarios y la recuperación existían en sistemas separados
Potbelly carecía de un sistema de recuperación de bucle cerrado. Los comentarios de los clientes revelaban quién estaba descontento, pero no estaban vinculados a la recuperación o al comportamiento de retorno. Eso hacía que fuera casi imposible demostrar si Potbelly estaba fomentando la retención.
No había forma de rastrear si los clientes recuperados regresaban
Sin un vínculo directo entre los comentarios de los clientes y las compras en la tienda, el equipo no tenía una forma fiable de confirmar si un cliente recuperado realmente regresaba. Los datos existían, pero el marco para conectarlos no.
Clientes descontentos que no recibían atención
Los clientes que enviaban comentarios negativos realizaban aproximadamente la mitad de visitas que los miembros del programa de fidelización satisfechos. Esto no era algo aleatorio. Era una brecha de interacción constante y estructural que se quedaba abierta cada semana.
Acciones de recuperación sin prueba de impacto
Los puntos de fidelización se emitían de forma reactiva, sin ninguna métrica para confirmar que cambiaban el comportamiento. El equipo necesitaba pruebas de que la recuperación se traducía en visitas recurrentes, no solo en resolver incidencias.
El punto de inflexión
Potbelly se asoció con Momos para crear un motor de recuperación estructurado basado en IA sobre su infraestructura de fidelización existente, conectando los comentarios con la recuperación e identificando el resultado.
La bandeja de entrada de Momos como centro de recuperación: Todos los comentarios de los clientes, tanto de encuestas como de casos de asistencia, se canalizaron a través de Momos. A partir de ahí, entre el 50 y el 60 % de los envíos se clasificaron como aptos para la recuperación, lo que generó de 400 a 600 acciones correctoras a la semana.
Conexión de los comentarios con los retornos: Momos sentó las bases de datos para un motor de recuperación basado en IA. Los comentarios enviados se asociaron con los perfiles de los clientes, las acciones de fidelización y las transacciones posteriores a los comentarios, creando un flujo medible desde la señal de un cliente insatisfecho hasta la acción de recuperación y la visita de retorno.
Inteligencia de recuperación: Momos convirtió la recuperación de clientes en un programa de retención medible. En lugar de limitarse a otorgar puntos y esperar que los clientes regresaran, Potbelly ahora podía ver si las acciones de recuperación impulsaban visitas incrementales y cuantificar el impacto comercial de recuperar a los clientes insatisfechos.
Recuperación constante basada en puntos a escala: Al canalizar todos los casos negativos y las respuestas a las encuestas a través de Momos, Potbelly pasó de un proceso de recuperación manual e inconsistente a un motor repetible que llegó a cientos de clientes en riesgo cada semana.
Los Resultados
Métrica | Impacto |
|---|---|
+13,5 pp de aumento medio en la tasa de retorno a los 30 días | Los clientes que recibieron puntos de fidelidad tras un comentario negativo regresaron a un ritmo del 73-80 % |
50-60 % de los comentarios son aptos para acciones de fidelización | De los 650-1000 comentarios recibidos semanalmente, entre 400 y 600 cumplen los requisitos para aplicar medidas de recuperación, lo que proporciona a Potbelly un flujo constante y de gran volumen de oportunidades de recuperación cada semana |
Brecha de interacción estructural identificada | Los usuarios que dejan comentarios negativos visitan los establecimientos aproximadamente el doble de veces menos que los usuarios fidelizados de referencia. |
La recuperación impulsada por puntos se escala a lo largo de los meses | De noviembre a diciembre, las tasas de retorno de los clientes que recibieron puntos aumentaron de forma constante, lo que demuestra que el efecto es replicable y no una anomalía de un solo mes |
Por qué funciona
La recuperación solo funciona si es medible.
Potbelly ya contaba con un programa de fidelización. Lo que faltaba era la prueba de que los puntos cambiaban el comportamiento. Momos creó el marco de medición que conectó la acción con el resultado, y los datos confirmaron que funciona.
Los clientes descontentos no están perdidos; simplemente no están bien atendidos.
Los clientes que enviaron comentarios negativos siguieron visitando el establecimiento entre 2,4 y 2,5 veces al mes. No se habían marchado. Una acción de fidelización dirigida en el momento adecuado es suficiente para cerrar la brecha entre un cliente desconectado y uno que regresa.
El volumen importa.
Con entre 400 y 600 comentarios semanales sobre los que se puede actuar para fomentar la fidelización, Potbelly no está ejecutando un programa de recuperación para casos aislados. Está gestionando un motor de retención sistemático que llega a cientos de clientes en riesgo cada semana.
Corregir el canal que va del comentario a la acción genera rendimientos compuestos.
Cuando las acciones de recuperación son constantes y rápidas, las tasas de retorno mejoran mes a mes, no solo en incidentes aislados.
Conclusión
Potbelly no necesitaba reinventar su programa de fidelización. Necesitaba conectar la infraestructura de fidelización que ya tenía con las señales de opinión de los clientes que ya estaba recopilando mediante IA.
Con Momos, Potbelly convirtió ese proceso fragmentado en un motor de recuperación en bucle cerrado: detecta automáticamente a los clientes descontentos, la IA activa la acción de fidelización adecuada y mide cuándo vuelven esos clientes.
El impacto fue evidente. Los clientes que recibieron puntos de fidelidad tras una experiencia negativa regresaron en tasas un 30 % superiores. Con un volumen de entre 400 y 600 eventos de opinión aptos para la recuperación por semana, ese aumento se acumula rápidamente.
Para las marcas con múltiples ubicaciones, la oportunidad de retención ya se encuentra dentro de sus propios datos. La próxima ventaja no es solo recopilar más comentarios. Consiste en utilizar la IA para identificar a los clientes con mayor riesgo, recuperarlos en el momento y convertir una mala experiencia en un motivo para volver.
![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 183 100" xmlns="http://www.w3.org/2000/svg"><path d="M 152.452 37.349 C 136.442 20.842 115.98 6.325 93.049 1.892 C 86.081 0.534 76.773 0.163 71.407 5.736 C 64.565 13.035 70.499 30.487 81.481 29.6 C 87.433 29.072 89.698 22.162 87.042 17.439 C 85.631 14.617 83.027 12.629 80.168 11.079 C 56.02 -2.764 23.38 -4.862 0 11.844" fill="transparent" height="37.34868528749147px" id="rGpqSnR8J" stroke-dasharray="" stroke-linecap="round" stroke-linejoin="round" stroke-width="4.97" stroke="rgb(0, 0, 0)" transform="translate(3.219 19.212)" width="152.45224485148515px"/><path d="M 0 11.619 C 7.071 11.39 33.491 21.738 40.35 21.268 C 38.499 18.19 37.116 14.915 35.507 11.625 C 33.7 7.867 32.587 3.926 31.702 0" fill="transparent" height="21.28391189647101px" id="I9fuJaf7q" stroke-dasharray="" stroke-linecap="round" stroke-linejoin="round" stroke-width="4.97" stroke="rgb(0, 0, 0)" transform="translate(139.727 55.754)" width="40.34950693069311px"/></svg>)
