Ertas para Análisis de Sentimiento

Ajusta modelos de análisis de sentimiento que capturan los matices del lenguaje de tu industria, yendo más allá de positivo/negativo para detectar intención, urgencia y emoción.

The Challenge

Comprender el sentimiento del cliente es crítico para decisiones de producto, monitoreo de marca y gestión de la experiencia del cliente. Sin embargo, las herramientas genéricas de análisis de sentimiento fallan consistentemente con el lenguaje específico de la industria. Una frase como 'esta política es agresiva' es negativa en soporte al cliente pero positiva en análisis de inversiones. El sarcasmo, la jerga de dominio y el contexto cultural crean capas de ambigüedad que los modelos estándar manejan pobremente, llevando a dashboards engañosos y decisiones de negocio equivocadas.

El problema se amplifica a escala. Cuando las organizaciones procesan miles de reseñas, tickets de soporte, respuestas de encuestas y menciones en redes sociales diariamente, incluso una pequeña tasa de error se traduce en volúmenes significativos de clasificación errónea. Una tasa de error del 10% en 5,000 interacciones diarias con clientes significa 500 señales mal leídas por día, suficiente para distorsionar el análisis de tendencias, retrasar escalaciones y enmascarar problemas emergentes del producto. Las categorías de sentimiento de grano fino más allá del simple positivo/negativo (como frustrado, confundido, encantado o indiferente) requieren datos de entrenamiento específicos del dominio que los modelos genéricos simplemente no tienen.

The Solution

Ertas permite a los equipos ajustar modelos de sentimiento con sus propios datos etiquetados, para que el modelo aprenda las categorías de sentimiento y el lenguaje que importan a su negocio. En Ertas Studio, los analistas suben ejemplos etiquetados en JSONL (reseñas de clientes con su sentimiento, tickets de soporte con urgencia y emoción, respuestas de encuestas con temas y dimensiones de la experiencia) y entrenan un modelo abierto con ellos desde un lienzo visual. Data Craft, el constructor guiado de datasets de Studio, permite al equipo editar etiquetas, guardar versiones del dataset y aprobar ejemplos antes de entrenar.

Un solo modelo ajustado puede devolver varias dimensiones a la vez, como el sentimiento general, el tono emocional, la urgencia y el tema, en una única respuesta. El modelo entrenado se descarga desde Hub en GGUF para Ollama o llama.cpp, o en safetensors para vLLM, y se ejecuta en tus propios servidores para alimentar paneles en tiempo real o procesar lotes de datos históricos, de modo que el texto de clientes que lee se queda en casa. El entrenamiento se hace en las GPU en la nube de Ertas y los ejemplos se suben a Ertas, así que elimina antes nombres, correos electrónicos y números de cuenta. A medida que el lenguaje cambia con nueva jerga, nombres de producto y referencias, el equipo añade ejemplos recientes y vuelve a entrenar. Los equipos que hoy pagan la API de un modelo frontier para etiquetar texto de clientes también pueden preguntar por el endpoint de modelo adaptativo, en el que un modelo personalizado, entrenado con sus propias solicitudes, asume una parte creciente de ellas a medida que supera sus evaluaciones.

Key Features

Studio

Entrenamiento de Sentimiento Multi-Dimensional

Entrena modelos con tu propia taxonomía de sentimiento y varias dimensiones a la vez: polaridad, tono emocional, urgencia, tema e intención, todo a partir de un dataset y un solo entrenamiento en Studio.

Studio

Revisión de Etiquetas en Data Craft

Los responsables de experiencia de cliente y de soporte editan y aprueban ejemplos etiquetados en Data Craft, el constructor guiado de datasets de Studio, y guardan versiones a medida que cambia la taxonomía. El modelo aprende de etiquetas con las que están de acuerdo las personas más cercanas a los clientes.

Hub

Exporta y Ejecuta en tus Servidores

Descarga el modelo entrenado desde Hub en GGUF o safetensors completos y ejecútalo con Ollama, llama.cpp o vLLM para puntuación en tiempo real o procesos por lotes. Envía los resultados a paneles de analítica, sistemas CRM y flujos de alertas, sin depender de Ertas para funcionar.

Cloud

Endpoint de Modelo Adaptativo

Para equipos que ya envían texto de clientes a la API de un modelo frontier: un modelo personalizado, entrenado con tus propias solicitudes y el feedback de tu equipo, asume una parte creciente de ellas a medida que supera tus evaluaciones, mientras los casos difíciles siguen en el modelo frontier. Adoptarlo consiste en apuntar tus llamadas a la API existentes a un nuevo nombre de modelo, y puede ejecutarse gestionado por Ertas, en tu propia nube o en tus instalaciones.

Example Workflow

Una empresa SaaS quiere seguir el sentimiento de sus clientes en tickets de soporte, encuestas NPS y reseñas en tiendas de aplicaciones. Su equipo de producto exporta 30.000 ejemplos etiquetados en cinco categorías de sentimiento (encantado, contento, neutral, frustrado, a punto de irse), elimina nombres, correos electrónicos y datos de cuenta, y sube el dataset JSONL a Ertas Studio. Ajustan Qwen 2.5 7B para clasificar el texto en tres dimensiones (categoría de sentimiento, área funcional y urgencia) y lo contrastan con un conjunto reservado que el equipo de producto etiquetó a mano. El modelo se exporta desde Hub y se ejecuta en los servidores de la propia empresa, donde el pipeline de datos le envía cada interacción de cliente entrante. Los datos de sentimiento llegan a su panel de Looker, y el equipo de producto ve cada día cómo recibe la clientela cada lanzamiento. Cuando una actualización de firmware provoca un pico de frustración en la categoría de fiabilidad del hardware, el equipo lo ve en el panel del día siguiente, sin esperar al informe NPS mensual.