El Problema: 2.400 reseñas al mes y solo una de cada tres contestada
Grupo Sabora opera 11 restaurantes en España, entre locales de mesa larga y sitios de barrio con reservas todas las noches. Cada mes recibe unas 2.400 reseñas nuevas repartidas entre Google, TripAdvisor y TheFork, y una única responsable a media jornada intentaba leerlas y contestarlas a mano.
El problema real no era la falta de ganas, era la aritmética. Nadie puede leer, entender el contexto de cada local y redactar una respuesta cuidada para 2.400 reseñas al mes. Las críticas negativas, que son las que de verdad marcan, llegaban tarde o no llegaban.
- 2.400 reseñas nuevas al mes entre Google, TripAdvisor y TheFork, sumando los 11 locales
- Solo el 34% recibía respuesta; las demás quedaban en silencio
- Tiempo medio de respuesta de 6,8 días, cuando una crítica pesa en las primeras horas
- 22 horas a la semana de una persona dedicadas a reseñas, sin llegar a cubrir el volumen
"Una mala reseña sin contestar en el sitio equivocado nos vaciaba una noche entera, y muchas veces la veíamos una semana tarde", cuenta la responsable de sala del grupo.
La Solución: un agente que vigila los tres canales y responde con la voz de cada local
La clave no fue un generador de respuestas genéricas. Un texto tipo "gracias por tu comentario" en una reseña de una estrella hace más daño que el silencio. Lo que se montó entiende de qué local habla la reseña, qué dice exactamente y con qué tono responder.
Monitorización de los tres canales en un único sitio
El agente conecta Google Business Profile, TripAdvisor y TheFork y recoge cada reseña nueva en cuanto se publica, etiquetada por local, canal y puntuación. Se acabó revisar tres paneles distintos a mano.
Clasificación de sentimiento y del motivo
Cada reseña se clasifica por sentimiento y por tema: comida, servicio, tiempos de espera, ruido, precio. Eso permite responder bien y, además, ver patrones: si tres locales repiten quejas de espera un viernes, es un problema de operativa, no de una noche suelta.
Respuesta redactada con el tono de la marca
El agente redacta una respuesta personalizada para cada reseña, con el nombre del cliente, el detalle concreto que menciona y el tono de cada local. Las positivas se publican solas; las de tres estrellas o menos pasan por la responsable antes de salir.
Escalado inmediato de lo grave
Una reseña de una o dos estrellas con un caso serio, un cobro mal hecho o un trato incorrecto, se escala al gerente del local en menos de una hora, con el resumen y una propuesta de compensación. La persona decide; la IA le ahorra el tiempo de detectarlo y prepararlo.
Los Resultados: del 34% al 98% de reseñas respondidas y media estrella más
En cinco meses el grupo pasó de reaccionar tarde a responder en minutos, y la reputación media subió medio punto, que en restauración se nota en la mesa.
- Reseñas respondidas: del 34% al 98%
- Tiempo medio de respuesta: de 6,8 días a 12 minutos
- Rating medio del grupo: de 3,9 a 4,4 estrellas en 5 meses
- Reseñas negativas graves escaladas al gerente en menos de 1 hora: del 12% al 100%
- Horas del equipo dedicadas a reseñas: de 22 a 4 a la semana
El coste de no hacer nada era doble. Por un lado, 18 horas a la semana de una persona mal empleadas, unas 78 horas al mes que a coste de empresa rondan 1.404 euros mensuales. Por otro, la reputación: comparando los locales piloto con los de control, el grupo atribuyó a la mejora de rating y de respuesta unas 5.800 euros al mes en reservas nuevas. En total, cerca de 7.200 euros al mes que se dejaban sobre la mesa.
La inversión fue de 6.500 euros de implantación y una licencia de 690 euros al mes, unos 14.780 euros el primer año. Frente a 86.400 euros de valor anual, las cuentas salen solas.
ROI: 485% el primer año, con el retorno cubierto en 2 meses.