Por qué las palabras del cliente
Hay medición revisada por pares sobre esto, y es más antigua de lo que imaginas. Un estudio de 2013 analizó 18.682 reseñas de clientes de 591 libros en Amazon, durante diecisiete semanas consecutivas, con minería de textos y un modelo de datos de panel.
Tiene tres resultados directamente aprovechables.
- Que el estilo lingüístico encaje sube la conversión. Cuando el estilo lingüístico de las reseñas se acerca al del grupo de interesados, la tasa de conversión sube de forma medible (coeficiente 0,004, p < 0,001). Es un número pequeño, pero estadísticamente sólido — y sale gratis.
- El contenido negativo pesa más que el positivo. Un cambio en el contenido emocional negativo tiene un efecto mayor (0,067) que uno en el positivo (0,055). O sea: las quejas son tu materia prima más informativa.
- El positivo moderado funciona mejor que el extremo. El efecto positivo «se aplana»: pasado cierto punto, el entusiasmo ya no suma.
Por eso la respuesta a «qué ponemos en el titular» no es una lluvia de ideas creativa, sino el corpus de texto que ya tienes.
Dónde está la materia prima
Por orden de valor, y el orden no es casual:
- Tickets de soporte. Aquí el cliente no actúa, describe un problema. Es la fuente más limpia.
- Llamadas y correos de ventas. La formulación literal de las objeciones vale oro.
- Reseñas y formularios de opinión de tu propia web. Son tuyos, con tu propia base jurídica.
- Registros de chat y mensajería.
- Reseñas de plataformas externas. Esta va la última, porque es la más restringida — ver más abajo.
Lo que se ve en la práctica: en la mayoría de las empresas, en las cuatro primeras hay más material aprovechable del que el equipo puede procesar. Rascar plataformas externas no es mala idea porque sea difícil, sino porque suele ser un riesgo innecesario por algo que ya tienes en casa.
El flujo de trabajo
1. EXPORTACIÓN (persona)
3-12 meses de tickets/reseñas, como texto en bruto.
Quita: nombre, email, teléfono, dirección, número de pedido.
Si el sistema no sabe exportar de forma anonimizada, pásale un
buscar-y-reemplazar - este paso no se puede saltar.
2. AGRUPACIÓN (máquina)
"Agrupa estos textos según CON QUÉ OBSTÁCULO se topó
el cliente. NO uses categorías inventadas de antemano,
que salgan del texto. Por grupo: cuántos hay, y dos
citas literales. Lo que no encaje en ninguno: 'varios'."
3. VOCABULARIO (máquina)
"Extrae con qué palabras nombran ellos mismos el producto,
el problema y el resultado. Por grupo, las 10 expresiones
más frecuentes, con su número de apariciones. NO las reformules."
-> ESTA es la salida más valiosa. De aquí sale el titular.
4. CONTRADICCIONES (máquina)
"¿Dónde se contradicen dos grupos? ¿Dónde se elogia lo
mismo de lo que otros se quejan?"
-> De aquí salen los segmentos.
5. COMPROBACIÓN (persona)
Coge 20 textos al azar y mira si cayeron en el grupo correcto.
Si no, lo que está mal es la agrupación, no el texto.
6. DEVOLUCIÓN AL CIRCUITO
Vocabulario -> titular y texto publicitario
Obstáculos -> FAQ y tratamiento de objeciones
Contradicciones -> segmentos
El quinto paso es el que casi todo el mundo se salta. El modelo siempre te da categorías, incluso cuando no hay estructura dentro. Veinte textos recomprobados te dicen si la hay.
Lo que marca el derecho
Aquí hay dos preguntas distintas, y se confunden continuamente: de quién son los datos y de quién es el contenido.
Reutilizar tus propios datos
Los tickets de soporte los recogiste para gestionar reclamaciones. Usarlos para investigación de marketing es un cambio de finalidad, y para eso el reglamento de protección de datos exige un análisis de compatibilidad. No es una prohibición: el tratamiento con fines de marketing directo puede apoyarse en el interés legítimo. Pero hay dos cosas que no te puedes ahorrar.
La primera: el test de tres pasos del interés legítimo hay que hacerlo, y hay que dejarlo por escrito. Según el dictamen de finales de 2024 del comité de protección de datos, eso significa que el interés sea lícito, real y actual; que no haya una alternativa menos invasiva; y que la ponderación también puede salir a favor del interesado. Ese mismo dictamen dice aparte que la mera transparencia no basta para que exista la «expectativa razonable» del interesado.
La segunda: la medida más sencilla y más eficaz es la anonimización antes del análisis. Si el texto no lleva identificadores, la mayor parte del riesgo se evapora. Hazlo antes de mandar nada a ningún sitio.
Y si envías el texto a un proveedor externo: el contrato de encargo del tratamiento es obligatorio, por escrito, con el contenido que exige el reglamento. Y en una transferencia a un tercer país hay que mirar sobre qué base jurídica va.
Rascar el contenido de otros
Esta parte se endureció en 2026.
- Las condiciones de uso del servicio de mapas de Google prohíben expresamente extraer contenido, y entre los ejemplos aparece con nombre propio copiar y guardar las reseñas de usuarios.
- La política de marzo de 2026 de Trustpilot prohíbe el uso de herramientas automatizadas — nombrando expresamente a los AI agents, bots y crawlers — para recopilar datos, la explotación comercial de los datos de la plataforma, el entrenamiento de modelos de IA con ellos, y la republicación del dato rascado.
- Las condiciones no son meras recomendaciones. En una sentencia de 2015, el Tribunal de Justicia de la Unión Europea declaró que cuando una base de datos no goza ni de protección por derecho de autor ni de protección sui generis, la directiva de bases de datos no impide la restricción contractual de uso — es decir, las condiciones de uso son exigibles como contrato.
- La excepción de minería de textos y datos existe en la ley húngara de derecho de autor, pero en el contenido puesto a disposición en internet el titular puede reservarse su oposición en formato legible por máquina — y si lo ha hecho, la excepción no está disponible.
- Las directrices del comité de protección de datos, adoptadas en julio de 2026 para consulta pública, sobre el web scraping para IA generativa dicen esto: hay que excluir de la recogida los sitios que se oponen de forma inequívoca por medios técnicos —
robots.txt,ai.txt, CAPTCHA — porque allí los interesados no pueden esperarlo razonablemente.
El resumen práctico: tus propios canales están libres, las plataformas externas no. Si aun así necesitas reseñas externas, el camino es la API oficial o la exportación de la propia plataforma, no un scraper.
Para qué usar lo que has sacado
- Titular y texto publicitario. Con las palabras del cliente, no con las tuyas. Sobre los límites de probar variantes, el post el tamaño de muestra de las variantes de landing da cifras concretas.
- Segmentos. No por demografía, sino por obstáculo e intención. Es lo que el post la segmentación de las newsletters también señala como la aplicación de IA más útil.
- FAQ y tratamiento de objeciones. Las veinte preguntas más frecuentes ya están en los datos, palabra por palabra.
- Decisiones de producto. Una queja recurrente no es una tarea de marketing.
Donde sí hay que tener cuidado: que sepas algo del cliente no significa que tengas que enseñarle que lo sabes. De eso trata el post el límite de la personalización , con el experimento detrás.
Malentendidos típicos
- «Basta con mirar las reseñas positivas.» La medición dice que el contenido negativo pesa más. La queja es la mejor materia prima.
- «La reseña es pública, así que se puede usar libremente.» Que sea pública no es una licencia. Las condiciones de la plataforma son exigibles como contrato.
- «Ya anonimizaremos después.» La anonimización protege si ocurre antes del análisis.
- «La máquina encontrará el patrón.» La máquina siempre da categorías. Si dentro hay estructura o no, eso te lo dicen veinte textos recomprobados.
- «Reformulemos las frases del cliente para que queden mejor.» El valor está justo en que son originales. Una frase de cliente reformulada vuelve a ser texto de marketing tuyo.
Lo que conviene llevarse
La materia prima del mejor texto de marketing ya la tienes, en tickets y reseñas. La máquina ayuda a convertir miles de textos libres en categorías y en un vocabulario — pero las categorías hay que recomprobarlas, los textos hay que anonimizarlos antes del análisis, y el contenido de las plataformas externas no se puede rascar. Las palabras del cliente no hay que inventarlas, hay que encontrarlas.