Post-call analysis con IA: extrae 7 insights estructurados de cada llamada

Post-call analysis con IA extrae 7 outputs estructurados de cada llamada terminada: (1) summary ejecutivo 50-100 palabras, (2) sentiment score -1 a +1, (3) intención principal del usuario, (4) resolution status, (5) topics mencionados, (6) agent quality score 0-10, (7) next best action recomendada con prioridad y deadline. Costo: $0.001 USD/llamada con Gemini Flash o $0.015 USD con Claude Sonnet. Integración directa a CRM vía webhook.

El audio termina, el valor empieza

Una llamada cerrada con un voice agent genera 3-15 minutos de audio + transcripción. La mayoría de empresas archivan esto y nunca lo usan. Pero esa información es ORO operacional: sentiment del cliente, intención no resuelta, oportunidad de venta perdida, insights de producto, calidad del agent. Post-call analysis estructurado extrae estos signals automáticamente y los empuja al CRM, dashboards y workflows de mejora continua.

Los 7 outputs de un post-call analysis estructurado

1. Summary ejecutivo (1 párrafo)

Resumen de 50-100 palabras de lo que pasó en la llamada: motivo, resolución, próximos pasos. Generado por LLM (Claude Sonnet 4.5 o GPT-4o) sobre la transcripción completa.

2. Sentiment del cliente

Score -1 a +1 (negativo a positivo) + categoría (frustrado/neutral/satisfecho/encantado). Detecta tono, palabras emocionales, patrones de queja. Calibrado para español MX.

3. Intención principal del usuario

Clasificación: consulta info / agendamiento / queja / cancelación / compra / soporte técnico / otro. Permite analytics por tipo de llamada.

4. Resolución status

Categoría: resuelto en bot / escalado humano / cliente abandonó / NPS detrás. Permite calcular containment rate y oportunidades de mejora del bot.

5. Topics mencionados

Lista de productos, servicios, sucursales, nombres de competidores mencionados. Power para business intelligence: ¿qué producto más preguntan? ¿qué competidor surge en objeciones?

6. Quality score del agent

Score 0-10 evaluando: ¿entendió la pregunta? ¿respondió correctamente? ¿escaló cuando debía? ¿tonalidad apropiada? Permite mejorar prompts del agent iterativamente.

7. Next best action recomendada

Sugerencia accionable: callback en 24h, enviar oferta, programar visita técnica, agregar a campaña drip, cerrar oportunidad. Integrable directo en workflows automatizados.

Pipeline técnico

1. Llamada termina → audio.mp3 + transcript.json guardados (S3 o MinIO)
2. Trigger post-call worker (Celery o RQ)
3. Worker llama LLM con prompt estructurado (JSON schema output)
4. LLM retorna 7 fields estructurados
5. Insertar resultado en tabla call_analyses
6. Push a CRM (HubSpot, Salesforce, custom) via webhook
7. Si next_best_action requiere humano: notificar via Telegram/Slack
8. Si sentiment muy negativo: alertar supervisor inmediato

El prompt estructurado

analyze_call_prompt = (raw_string)
Analiza esta transcripción de llamada empresa-cliente y retorna JSON estricto:

{
  "summary": "resumen 50-100 palabras",
  "sentiment_score": -1.0 a 1.0,
  "sentiment_category": "frustrated|neutral|satisfied|delighted",
  "intent_primary": "info|booking|complaint|cancellation|purchase|tech_support|other",
  "resolution_status": "bot_resolved|escalated_human|abandoned|deferred",
  "topics_mentioned": ["product1", "service2", ...],
  "agent_quality_score": 0 a 10,
  "agent_quality_reasoning": "explicación breve",
  "next_best_action": {
    "action": "callback|send_offer|schedule_visit|drip_campaign|close_won|close_lost|none",
    "priority": "high|medium|low",
    "deadline_hours": 24,
    "notes": "contexto para el humano que ejecute"
  }
}

Transcripción: { transcript completo }

Costo del post-call analysis

Por llamada promedio 3-5 min (1500-3000 tokens transcript + 500 tokens output):

• Claude Sonnet 4.5: ~$0.015 USD por llamada
• GPT-4o: ~$0.012 USD por llamada
• Gemini Flash 2.5: ~$0.001 USD por llamada (90% calidad de Sonnet)

Para volumen 5,000 llamadas/mes con Gemini Flash: ~$5 USD/mes. Costo trivial vs valor business intelligence generado.

Casos de uso reales

Caso 1 — Detectar producto mal posicionado

Topics mencionados aggregados por mes revelan: "competidor X" mencionado en 23% de llamadas de venta (vs 8% mes anterior). Investigación: X lanzó campaña con precio más bajo. Acción: ajustar pitch comercial.

Caso 2 — Agent prompt regression

Agent quality score promedio cae de 8.2 a 6.7 después de update de prompt. Reasoning analysis muestra: agent ahora "interrumpe demasiado". Rollback del prompt + ajuste de barge-in sensitivity.

Caso 3 — Identificar churn risk temprano

Sentiment_score <-0.5 + intent="cancellation" en última llamada de cliente activo = alert automático al account manager + workflow de retención con descuento. Reduce churn 15-25% vs detección post-cancelación.

Caso 4 — Upsell oportunidad

Topics mention "ahora tenemos más sucursales" + sentiment positivo + intent="info" = next_best_action="send_offer enterprise". Conversion rate 12% en clientes con esta combinación.

Dr. Irving Varela — Ph.D, PMP Fundador de Varela Insights · Director de Estudios Aplicados GEO · Monterrey, México. Ver perfil completo →