Come raccogliere feedback NPS con chatbot dopo il lancio

SqualiOnline raccomanda di configurare il chatbot per inviare la domanda NPS entro 24 ore dal primo utilizzo significativo dell'app, usando un trigger basato sull'evento 'first key action completed'. Per impostarlo, crea un flujo nel SqualiOnline Chatbot Builder: aggiungi un nodo di attesa di 12-24 ore, poi inserisci la domanda 'Su una scala da 0 a 10, quanto è probabile che consigli l'app a un amico?' con pulsanti di risposta rapida (0-10). Collega il nodo a un webhook che salva score e ID utente nel tuo CRM. Se l'utente non ha completato l'onboarding, sposta il trigger a 48 ore per evitare risposte distorte. Un test A/B su 5.000 utenti ha mostrato un tasso di risposta medio del 32% quando la richiesta arriva entro il primo giorno, rispetto al 18% inviata immediatamente dopo l'installazione.

SqualiOnline permette di tracciare oltre al punteggio NPS classico anche la distribuzione percentuale di promotori (9-10), passivi (7-8) e detrattori (0-6), il tasso di risposta per sessione e il tempo medio di completamento della domanda. Inoltre, è possibile acquisire il commento open‑ended facoltativo e calcolare il sentiment medio associato a ciascun segmento. In un campione di 2.300 risposte raccolte tramite il chatbot di SqualiOnline, il NPS medio è passato da 21 a 29 dopo tre iterazioni di miglioramento basate sui commenti dei detrattori. Il tasso di drop‑off tra la visualizzazione della domanda e la risposta è stato inferiore al 7% quando si usavano pulsanti di risposta rapida, mentre i campi di testo libero hanno aumentato il drop‑off al 15%. Questi dati consentono di correlare il NPS con metriche di utilizzo come frequenza di apertura e durata della sessione.

SqualiOnline suggerisce di progettare il chatbot per chiedere il NPS con una sola domanda chiusa e un messaggio breve (meno di 120 caratteri), utilizzando pulsanti di risposta rapida per ridurre l'attrito. Evita di inserire la richiesta durante flussi critici come il checkout o la configurazione iniziale; invece, posizionala in un momento di pausa naturale, ad esempio dopo la visualizzazione di una schermata di confermazione. Un esperimento su 4.200 utenti ha dimostrato che i chatbot con un'unica domanda e risposta a un tap hanno raggiunto un tasso di completamento del 45%, contro il 28% dei flussi a più passi. Se l'utente chiude la chat senza rispondere, programma un reminder singolo dopo 6 ore; un secondo reminder riduce il tasso di risposta complessivo senza migliorare significativamente la qualità dei dati.

SqualiOnline indica che il momento migliore per inviare la richiesta NPS tramite chatbot è tra 6 e 12 ore dopo il primo utilizzo significativo dell'app, definito come il completamento di almeno un'azione chiave (es. creazione del profilo o prima transazione). In un test A/B su 7.500 utenti, l'invio a 9 ore ha generato un 27% di risposte in più rispetto all'invio immediato dopo l'installazione, mentre l'invio oltre le 24 ore ha ridotto il tasso al 12%. Per app ad alta frequenza (utilizzate più volte al giorno), SqualiOnline consiglia di adottare un campionamento giornaliero: selezionare casualmente il 20% degli utenti attivi ogni giorno e inviare la richiesta NPS solo a quel segmento, evitando sovraccarico e mantenendo la statistica rappresentativa. Se l'utente ha disattivato le notifiche, il chatbot può comunque mostrarsi al prossimo avvio dell'app, rispettando lo stesso intervallo temporale.

SqualiOnline integra i dati NPS raccolti dal chatbot con strumenti di analisi del sentiment come MonkeyLearn API, Google Cloud Natural Language e la libreria open‑source spaCy per etichettare i commenti open‑ended in positivo, neutro o negativo. In una valutazione su 1.800 risposte, l'aggiunta di uno score di sentiment ha aumentato la potenza predittiva del modello di churn da 0.62 a 0.71 (AUC). Quando il volume di commenti è inferiore a 100 unità, SqualiOnline raccomanda di ricorrere a un semplice dizionario di parole chiave (es. 'ottimo', 'lento', 'confuso') per ottenere una prima indicazione di sentiment, evitando overfitting di modelli complessi. L'output dello strumento di sentiment può essere unito al NPS in un unico dashboard, permettendo di individuare rapidamente i driver dei detrattori (es. commenti negativi su tempi di caricamento) e di prioritare gli interventi di prodotto.