Cómo Grupo Casas Bahia Automatizó el Análisis de Comentarios de Clientes 14 Veces Más Rápido con Databricks
Grupo Casas Bahia es uno de los mayores minoristas omnicanal de Brasil, con más de 100 millones de clientes a través de más de 1.000 tiendas y una red logística nacional. La empresa desplegó Databricks Agent Bricks con el modelo Llama 3.3 70B de Meta para automatizar la clasificación de reseñas de clientes de seis canales distintos. La clasificación mensual de reseñas aumentó de 1.500 a 33.500, la precisión del modelo alcanzó el 90% y la empresa ahorra más de 4.000 horas-persona anuales, equivalentes a casi R$480.000.
Impacto
14x
Ganancia de productividad en el análisis de comentarios
33,500
Reseñas mensuales clasificadas automáticamente
90%
Precisión del modelo en la detección de reclamaciones
4,000+
Horas-persona anuales ahorradas
91
Tipos de problemas distintos registrados
Desafío
La clasificación manual de reseñas de clientes en seis canales de retroalimentación solo podía procesar 100 comentarios por hora, lo que obligaba a los analistas a basarse en muestras pequeñas mientras miles de reseñas diarias quedaban sin analizar, privando a los departamentos de información oportuna sobre los problemas de los clientes.
Solución
Grupo Casas Bahia desplegó Databricks Agent Bricks con el modelo Llama 3.3 70B de Meta a través de Databricks AI Functions, usando Unity Catalog para la gobernanza de datos de múltiples fuentes para clasificar automáticamente 33.500 reseñas mensuales en 91 tipos de problemas.
Herramientas y tecnologías
Lo que dicen los líderes
“La clasificación manual era un cuello de botella: tardaba aproximadamente una hora en procesar 100 comentarios, por lo que a menudo nos basábamos en muestras pequeñas, dejando lagunas en nuestros análisis.”
“Al automatizar el análisis de comentarios con Agent Bricks, hemos logrado una ganancia de productividad de 14 veces y una mejora de eficiencia de más de 9 horas por cada 1.000 comentarios. El modelo ahorra más de 4.000 horas-persona al año, equivalentes a casi R$480.000.”
“Databricks siempre está a nuestro lado, acelerando nuestros análisis, haciendo la gobernanza transparente y ayudándonos a adaptar las soluciones para el máximo impacto en el negocio.”
Regístrate para leer casos de estudio completos, acceder a métricas detalladas y recibir todos los reportes.
Historia completa
En el comercio minorista brasileño, donde los organismos de protección al consumidor como Procon y plataformas como Reclame Aqui dan a los clientes una voz pública destacada, la capacidad de actuar sobre la retroalimentación con rapidez es una necesidad competitiva. Grupo Casas Bahia recibe reseñas a través de seis canales —encuestas NPS, puntuaciones CES, Reclame Aqui, tiendas de aplicaciones, reclamaciones ante Procon y Consumidor.gov— y cada canal habla un idioma diferente en cuanto a formato, tono y urgencia. Entender qué estaba fallando realmente para los clientes requería leerlo todo.
Antes de la automatización, esa lectura se hacía manualmente. Un analista podía procesar aproximadamente 100 comentarios por hora. A ese ritmo, el equipo trabajaba con muestras pequeñas, dejando la mayor parte de la retroalimentación sin analizar. Las tendencias tardaban en emerger, las causas raíz se suponían en lugar de medirse, y los departamentos que necesitaban actuar —producto, UX, logística, operaciones— trabajaban con información incompleta. La clasificación manual no solo era lenta; era un techo estructural para la inteligencia del cliente.
Grupo Casas Bahia construyó la solución dentro de su entorno Databricks existente. Unity Catalog proporcionó la gobernanza para consolidar los datos de retroalimentación de las seis fuentes en un lakehouse seguro. Un prompt personalizado para el modelo Llama 3.3 70B de Meta, accedido a través de Databricks AI Functions, gestionó la clasificación de comentarios de extremo a extremo, asignando cada reseña a uno de los 91 tipos de problemas, un recorrido del cliente y un grupo de causa raíz. La arquitectura fue deliberadamente colaborativa: ingenieros de datos, científicos, analistas y especialistas de UX trabajaron juntos en una sola plataforma, lo que permitió comparar rápidamente diferentes modelos antes de decidir el enfoque de producción.
El cambio en el volumen de procesamiento fue drástico. Las reseñas clasificadas mensualmente crecieron de 1.500 a 33.500, un aumento de 22 veces en cobertura. El modelo alcanza el 90% de precisión en la identificación del recorrido del cliente detrás de cada reclamación, procesando en menos de una hora lo que antes a un analista le llevaba más de 14 horas. Se ahorran más de 4.000 horas-persona anuales, estimadas en cerca de R$480.000. Más importante aún, los paneles corporativos ofrecen ahora a cada departamento —desde gestores de producto hasta directivos— una visión en tiempo real y de 360 grados de dónde falla la experiencia del cliente, permitiendo una priorización más rápida y mejores resultados medibles.
La infraestructura también habilita la estrategia proactiva. La planificación presupuestaria, las mejoras de UX y las iniciativas operativas parten ahora de los datos en lugar de la intuición. Para un minorista que atiende a más de 100 millones de clientes, la capacidad de escuchar cada voz y actuar sobre los patrones importa a escala.
