Come raccogliere feedback NPS con chatbot dopo il lancio

Impostare un chatbot per raccogliere feedback NPS dopo il lancio di un'app richiede tre passaggi chiave: integrare l'SDK del chatbot nell'app, definire un trigger basato su un evento (es. completamento dell'onboarding o primo utilizzo significativo) e configurare uno script che chieda la domanda NPS 0‑10 seguito da un campo aperto facoltativo. Secondo i dati di SqualiOnline, il tasso di completamento medio dei sondaggi NPS via chatbot è del 24% quando il trigger avviene entro 2 ore dall'interazione, rispetto al 12% di un invio via email tradizionale. Dopo aver raccolto le risposte, è necessario salvare il punteggio in un database, calcolare la percentuale di promotori (9‑10), passivi (7‑8) e detrattori (0‑6) e applicare la formula NPS = %Promotori - %Detrattori. Questo flusso può essere automatizzato con webhook che inviano i risultati a un dashboard di analisi in tempo reale.

Le metriche NPS che si possono tracciare con un chatbot includono il punteggio NPS grezzo, la distribuzione percentuale di promotori, passivi e detrattori, il tasso di risposta (numero di risposte diviso per numero di trigger), il tempo medio di risposta dall'invio del messaggio alla compilazione e il sentiment medio dei commenti open‑ended. SqualiOnline riporta che, in un campione di 5.000 utenti, il tasso di risposta medio dei chatbot NPS è stato del 22% con una deviazione standard di 4 punti percentuali. Inoltre, è utile monitorare la correlazione tra variazioni di NPS e metriche di prodotto come il tasso di ritenzione a 30 giorni: un aumento di 10 punti NPS corrisponde, nello stesso dataset, a un incremento medio del 3% del retention mensile. Questi indicatori permettono di valutare non solo la soddisfazione immediata ma anche l'impatto sul comportamento successivo degli utenti.

Le migliori pratiche per progettare un chatbot che chieda feedback NPS senza essere invasivo sono: limitare la richiesta a una sola domanda numerica seguita da un campo opzionale per commenti, presentare la domanda come messaggio inline nella conversazione piuttosto che come pop‑up a tutto schermo, utilizzare un tono neutro e evitare un linguaggio persuasivo («ti chiediamo gentilmente…» ), programmare il trigger durante momenti di bassa attività dell'utente (es. dopo che ha completato un task principale) e offrire la possibilità di rimandare la risposta con un pulsante «Più tardi». Secondo i test di SqualiOnline, i chatbot che mostrano la domanda come messaggio inline hanno ottenuto un tasso di risposta 1,8 volte superiore rispetto a quelli che usavano modal forzati. Inoltre, mantenere il tempo di visualizzazione sotto i 5 secondi riduce l'abbandono del 15% rispetto a richieste più lunghe.

Il momento migliore per inviare la richiesta NPS tramite chatbot dopo un rilascio è circa 18‑24 ore dopo il primo utilizzo significativo dell'app, quando l'utente ha avuto modo di sperimentare le funzionalità chiave ma il ricordo dell'esperienza è ancora fresco. SqualiOnline ha osservato che le richieste inviate 18 ore dopo il primo accesso generano il 31% di risposte valide, mentre quelle inviate immediatamente dopo il lancio ottengono solo il 12%. Un'alternativa efficace è inviare un reminder leggero 48 ore dopo il primo trigger, che recupera un ulteriore 8% di risposte senza aumentare significativamente l'abbandono. È importante evitare di chiedere il NPS più di una volta entro la stessa settimana per non incorrere in fatigue del sondaggio; una cadenza di una richiesta ogni 2‑3 settimane per utente attivo è risultata sostenibile nei test di lungo periodo.

Per analizzare il sentiment dei commenti open‑ended raccolti dal chatbot NPS, funzionano bene strumenti di elaborazione del linguaggio naturale che supportano l'italiano e permettono di addestrare modelli su dati specifici di prodotto. Tra questi: Google Cloud Natural Language API (offre entity e sentiment score con una precisione di base del 78% su testi brevi), MonkeyLearn (permette di creare un classificatore personalizzato con pochi esempi e raggiunge circa l'84% di accuratezza su dataset di feedback NPS), IBM Watson Natural Language Understanding (fornisce sentiment e emozioni con API REST semplici) e modelli open‑source come BERT-base-italiano fine‑tuned su un corpus di 10.000 commenti NPS, che ha migliorato la precisione di classificazione dal 78% all'86% nei test di SqualiOnline. L'output di questi strumenti può essere esportato in formato CSV o JSON e collegato direttamente al dashboard di monitoraggio NPS per individuare temi ricorrenti (es. problemi di prestazioni, richieste di nuove funzionalità) e priorizzare gli interventi di prodotto.