Cada vez que un retail nos pide "un dashboard de experiencia", hacemos la misma pregunta incómoda: ¿qué decisión va a cambiar con ese dashboard? El silencio que sigue suele durar más de lo que cualquiera admitiría. Ahí está el problema de fondo: la mayoría de los modelos de medición parte por la herramienta y termina preguntándose para qué sirve. Debería ser exactamente al revés.
Esta guía es el modelo que armamos y operamos en terreno, capa por capa. Sirve igual para una cadena de supermercados, de farmacias o de mejoramiento del hogar. Lo único que cambia son los momentos de verdad; la arquitectura es la misma.
Los tres errores de partida
El primero ya lo dijimos: empezar por la herramienta. Se contrata la plataforma de encuestas, se arma un cuestionario "mientras tanto" y seis meses después nadie abre los reportes. La herramienta es la última decisión del modelo, no la primera.
El segundo es medir todo para todos. El cuestionario se arma por comité: marketing quiere saber de la marca, operaciones de la fila, finanzas del precio percibido. Resultado: 22 preguntas que nadie contesta. El dato es incómodo: el 74% de los clientes solo está dispuesto a responder cinco preguntas o menos, según cifras que recopila InMoment. Cada pregunta extra no agrega información: resta muestra.
El tercero es reportar promedios de cadena. Un NPS de 62 promedio se ve bien en el comité de gerencia, pero puede esconder una tienda en 34 que está quemando clientes todos los días. En retail multi-tienda, el promedio es la métrica que menos decisiones alimenta. La experiencia no ocurre en la cadena; ocurre en el local 17, el martes, en la caja 4.
El principio que ordena todo: decisión → dato
Un modelo útil se arma hacia atrás desde las decisiones, no hacia adelante desde las encuestas. La pregunta correcta no es "¿qué queremos medir?" sino "¿qué decide cada rol y con qué frecuencia?".
| Rol | Frecuencia | Decisión típica | Señal que necesita |
|---|---|---|---|
| Jefe de tienda | Hoy, 9 AM | ¿Qué apago hoy: la fila, un quiebre, un reclamo abierto? | Alertas de ayer de SU tienda |
| Subgerente zonal | Semanal | ¿Qué tienda visito y qué le pido? | Ranking y desviaciones de su zona |
| Gerencia CX/Operaciones | Mensual/trimestral | ¿Dónde invierto: dotación, layout, capacitación? | Drivers del score y tendencia por región |
Si una métrica no aparece en esta matriz alimentando una decisión concreta, no va en el modelo. Con la matriz lista, las cinco capas se arman solas.
Capa 1: la transaccional post-compra
Es la base: feedback gatillado por una transacción real, con el ticket como trigger. El cliente compró en la farmacia a las 11:32 y la encuesta le llega a las 12:00 con contexto (local, monto, categoría). Eso elimina el sesgo de encuestar a cualquiera y permite atribuir cada respuesta a una tienda y un momento.
Tres reglas que no negociamos. Cuestionario de cinco preguntas o menos, por lo que ya vimos. Trigger automático desde el POS, nunca listas frías. Y el canal se elige por tasa de respuesta real, no por costumbre: las encuestas NPS por WhatsApp logran entre 45% y 65% de respuesta, contra 8% a 15% del email, según los benchmarks que publica WA Expert. En Latinoamérica esa brecha decide si tienes muestra por tienda o te quedas mirando promedios de cadena.
¿Y qué se pregunta en esas cinco preguntas? No se improvisa: el cuestionario baja de un árbol de pilares y sub-pilares diseñado por industria con frameworks clásicos de calidad de servicio — SERVQUAL/RATER para las dimensiones (personal, rapidez, tangibles, confiabilidad) y el modelo Kano para priorizar qué atributos realmente mueven la aguja en tu formato. El árbol define qué preguntar; al final del artículo veremos cómo se combina lo respondido en un solo número.
Capa 2: la vista por tienda
Aquí es donde el promedio de cadena muere. Cada local necesita volumen mínimo (regla práctica: no comparar tiendas con menos de 30 respuestas en el período) y la lectura correcta es la dispersión, no la media. El zonal no necesita saber "cómo vamos"; necesita saber cuáles son sus tres tiendas más desviadas y por qué.
El ranking interno es incómodo y por eso funciona. En la cadena de 71 supermercados donde operamos, la conversación cambió el día en que cada jefe de local pudo ver su posición relativa y sus drivers: dejó de discutirse el número y empezó a discutirse la causa. Un local de mejoramiento del hogar puede tener excelente puntaje en disponibilidad y hundirse en asesoría de pasillo. El promedio esconde eso; el ranking con drivers lo expone.
Capa 3: las señales que nadie pidió
La mayoría de tus clientes nunca va a contestar una encuesta, pero opina igual: en las reseñas de Google del local, en los reclamos, en el libro de sugerencias digital. Si esas señales viven en otra pestaña (o peor, en otra área), el modelo queda tuerto.
Hay un dato que debería incomodar a cualquier gerencia. Según el reporte 2026 del estado del CX de Medallia, el 66% de los profesionales de experiencia cree que su CX mejoró el último año; solo el 17% de los consumidores está de acuerdo. Esa brecha se produce, en parte, porque las empresas escuchan solo el canal que controlan. Integrar las reseñas por local a la misma vista de tienda, con el mismo score y el mismo responsable, es la forma más barata de vacunarse contra ese autoengaño.
Capa 4: la ejecución física en sala
El cliente no puntúa la góndola en la encuesta: la sufre. Un quiebre de stock en el pasillo de abarrotes, una promoción mal montada, una fila de 12 minutos en el mesón de la farmacia. Nada de eso aparece en el verbatim con la precisión que la operación necesita.
Por eso el modelo necesita una capa de ejecución: checklists de tienda con evidencia fotográfica, mystery shopper para los protocolos que la cámara no ve, y visión computacional sobre las fotos de góndola para contar frentes, detectar quiebres y verificar planogramas sin depender del ojo del supervisor. Cuando en Treid CX cruzamos esa foto de góndola con el NPS de la misma tienda en la misma semana, aparecen correlaciones que ninguna de las dos fuentes muestra sola: la tienda que cae en satisfacción casi siempre falló antes en ejecución.
Capa 5: la predicción (al final, no al principio)
La pregunta que más nos hacen: "¿cuándo le ponemos IA predictiva?". Nuestra respuesta: cuando las cuatro capas anteriores lleven al menos dos o tres trimestres corriendo con datos consistentes. Predecir la caída del NPS de una tienda requiere historia: transaccional con volumen estable, ejecución física medida con la misma vara, señales no solicitadas integradas y contexto (clima, eventos, quincena). Sin ese acumulado, el modelo predictivo es un adorno caro.
Con ese acumulado, la cosa cambia: dejas de explicar por qué cayó una tienda el mes pasado y empiezas a intervenir la que va a caer el próximo. Pero es la capa cinco por una razón: nadie predice sobre datos que no existen.
El score compuesto: un número por tienda
Las cinco capas convergen en un score por local. Aquí conviene separar dos niveles que suelen confundirse: los frameworks del árbol de medición (SERVQUAL, RATER, Kano) definen qué medir en cada tienda; la arquitectura del score define cómo se combina lo medido. Para lo segundo, nuestra receta parte de la metodología del XM Institute (éxito, esfuerzo y emoción) y le suma la capa de ejecución física. La ponderación depende del formato: en supermercados pesa más el esfuerzo (fila, disponibilidad); en farmacias pesa distinto la dimensión emocional del trato, porque el cliente muchas veces llega vulnerable.
Lo importante no es la fórmula exacta. Lo que sí importa es que el score sea comparable entre tiendas (mismos componentes, misma vara), que ordene la agenda del zonal y que el jefe de tienda pueda descomponerlo para ver qué palanca mover, no solo el número.
Gobernanza: donde los modelos viven o mueren
Un modelo sin dueños es un reporte. Cada alerta necesita un responsable con nombre, y el SLA central es uno solo: cerrar el loop con el cliente detractor en menos de 48 horas. El plazo no lo inventamos nosotros: según los benchmarks de CustomerGauge, cerrar el loop dentro de 48 horas se asocia a un 12% más de retención y, en promedio, 6 puntos más de NPS. Pasado ese plazo, el efecto se diluye rápido.
El ritual mínimo que recomendamos: 15 minutos semanales por zona, con tres preguntas fijas. Qué alertas quedaron abiertas, qué tienda se desvió más, qué acción de la semana pasada movió (o no) el score. Sin ese ritual, el mejor modelo del mundo termina siendo un correo que nadie abre.
El checklist para partir
- Escribe la matriz decisión → dato para tus tres roles clave. Lo que no alimente una decisión, fuera.
- Monta la transaccional: trigger desde el ticket, máximo cinco preguntas, canal con tasa de respuesta real.
- Define volumen mínimo por tienda y publica el ranking interno con drivers.
- Integra reseñas y reclamos por local a la misma vista.
- Agrega la capa de ejecución física: checklist con foto, y visión IA cuando el volumen lo justifique.
- Asigna dueño por alerta y SLA de cierre de loop bajo 48 horas.
- Instala el ritual semanal de 15 minutos.
- Recién entonces, evalúa predicción.
La acción concreta para esta semana: toma la decisión que tu jefe de tienda debería tomar mañana a las 9 AM y traza hacia atrás qué dato la alimenta hoy. Si la respuesta es "ninguno", o "un reporte que llega el día 5 del mes siguiente", ya sabes dónde parte tu modelo. Y si quieres ver la vista por tienda funcionando sobre una cadena real, conversemos: la mostramos con datos de verdad, no con un demo de juguete.