El contexto
Los baños son uno de los puntos de mayor sensibilidad en la experiencia de un aeropuerto:
- Tráfico altísimo y variable (picos de salidas y llegadas).
- Deterioro rápido — papel higiénico, jabón, mantenimiento.
- Es lo último que un pasajero usa antes de embarcar — un mal recuerdo persiste.
- La empresa de limpieza opera con SLAs, pero sin medición real de impacto en satisfacción.
Antes de Opiner, AA2000 medía limpieza con planillas físicas y satisfacción con encuestas anuales. Los dos datos no se cruzaban, así que no había forma de saber:
- ¿Está la frecuencia de limpieza alineada con el momento de mayor insatisfacción?
- ¿Qué empleados están reaccionando rápido a las quejas?
- ¿Cuándo se queda sin papel un baño y nadie reacciona?
La implementación
Opiner desplegó tótems Smiley en los baños B3M (Mujeres) y B4H (Hombres) en la zona Havana del Aeropuerto Internacional de Ezeiza, con la pregunta simple "¿Cómo calificás la atención brindada?" (escala 1–4 con caritas).
Cada tótem capta opiniones in-situ con tasas de respuesta 20× mayores que encuestas tradicionales. La data fluye en tiempo real a un pipeline en Google Cloud (BigQuery) donde se cruza con tres fuentes:
Encuestas
Score, motivo seleccionado, comentario abierto, fecha exacta.
Limpieza
Cuándo limpió cada operario, qué repuso (papel, jabón), legajo del responsable.
Alertas
Comentarios libres que mencionan problemas específicos (ej. "no hay papel").
Análisis 1 — Limpieza ↔ Satisfacción
Pregunta de negocio: ¿La frecuencia de limpieza explica la satisfacción del cliente?
Para cada respuesta de encuesta, se identifica la última limpieza registrada antes de esa respuesta (en ventana de 24hs). Se segmenta por buckets de tiempo:
Insight típico: la satisfacción cae significativamente después de las 2 horas sin limpieza. Identificar el "punto de quiebre" permite recalibrar la frecuencia óptima sin sobre-recursos.
Análisis 2 — Alertas "no hay papel" → Tiempo de respuesta
Pregunta de negocio: cuando un cliente reporta "no hay papel" en el comentario libre, ¿cuánto tarda la limpieza en reponer?
El sistema:
- Filtra encuestas cuyo motivo o comentario menciona "papel".
- Por cada alerta, busca el siguiente registro de limpieza que reponga papel.
- Calcula el delta en minutos.
- Segmenta en SLA buckets con código de color.
Valor de negocio: AA2000 puede medir cumplimiento real de SLA de su contratista, no el reportado en planillas. Si el contratista dice "respondemos en 30 min" pero la data muestra mediana de 90 min, hay base objetiva para renegociar.
Análisis 3 — Performance individual de empleados
Pregunta de negocio: ¿qué empleados de limpieza tienen mejor performance medible?
Se cruzan registros de limpieza (con legajo del responsable) contra encuestas durante su turno. Por empleado se calcula:
- NPS promedio durante su turno.
- Tiempo de respuesta a alertas.
- Volumen de limpiezas registradas.
- Reposiciones de insumos.
Resultado: ranking de empleados con dashboard individual. Identifica top performers (para incentivar) y outliers negativos (para coaching o reasignación). AA2000 puede armar un programa de incentivos basado en data objetiva, no en opiniones del supervisor.
El dashboard de operación
Todo el análisis se materializa en un dashboard que el equipo de Operaciones de AA2000 consulta diariamente:
KPIs del día
NPS actual, alertas activas, % cumplimiento SLA limpieza.
Mapa de calor temporal
Picos de insatisfacción por hora del día.
Análisis correlacional
Limpieza vs. satisfacción con segmentación por género.
Alertas papel/jabón
Tiempo de respuesta actual vs. histórico.
Empleados
Ranking del mes, individual deep-dive.
Drill-down
Filtrado por baño, turno, gérero, fecha.
Resultados
Métricas finales en revisión. Los outputs del setup están funcionando en producción y el equipo de AA2000 está consolidando los KPIs anuales. Los números (% reducción de tiempo de respuesta, delta de NPS, % cumplimiento SLA, productividad del equipo de limpieza) los publicaremos en la próxima actualización.
Por qué Opiner y no otra plataforma
Lo que hizo viable este caso:
- Hardware listo: tótems robustos, certificados, instalables sin obra.
- Pipeline de datos abierto: integración nativa con Google Cloud / BigQuery. AA2000 conserva su data y construye análisis propios sin lock-in.
- IA en español rioplatense: análisis de comentarios libres en el idioma real del usuario, con jerga local.
- Acompañamiento estratégico: Opiner co-construyó las vistas SQL, los modelos de correlación y el calendario operativo de revisión.
Stack técnico
Para devs / IT que evalúan la integración:
| Capa | Tools |
|---|---|
| Captura | Tótems Smiley HappyOrNot · Smiley Touch (comentarios abiertos) |
| Backend | BigQuery dataset aa-opiner-pro.aa_banos |
| Vistas SQL | vw_correlacion_limpieza_nps · vw_alertas_papel_respuesta · vw_performance_empleados |
| Análisis | Python 3 + pandas + matplotlib · seaborn + sklearn |
| Visualización | Dashboard HTML con Plotly.js · Looker Studio para acceso enterprise |
¿Operás un aeropuerto, hospital, hotel o espacio de alto tráfico?
Te mostramos cómo Opiner correlaciona feedback con limpieza, mantenimiento y performance de personal en una demo de 30 minutos.