Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio

Abstract

Los empleados de primera línea (FLEs) enfrentan un número creciente de clientes que actúan de manera grosera hacia ellos, incluyendo abuso verbal y gestos agresivos que van más allá de las normas sociales de decencia (Skarlicki et al., 2008; Zhu et al., 2019). Debido a su capacidad para facilitar conexiones directas y frecuentemente anónimas, las redes sociales han empeorado esta situación al aumentar la probabilidad de incivilidad (Béal et al., 2023; Fombelle et al., 2020). De hecho, este problema ahora afecta a más del 70% de los trabajadores de servicios tanto en encuentros cara a cara como digitales (Cortina et al., 2001; Sliter et al., 2010). Ilustrando el reconocimiento global de este problema, la señalización en aeropuertos de todo el mundo condena explícitamente el abuso verbal dirigido a los empleados, llamando la atención sobre la naturaleza generalizada del problema (Figura 1). A pesar de su amplitud y reconocimiento, las empresas frecuentemente no tienen políticas adecuadas para proteger a los trabajadores contra la grosería, lo cual se ha relacionado con una calidad inferior del servicio al cliente, cansancio emocional de los empleados y disminución de la satisfacción laboral de los mismos (Arnold & Walsh, 2015; Kern & Grandey, 2009; Sliter et al., 2012). Dada la importancia de este tema para las empresas de todo el mundo, nos propusimos explorar un posible factor ambiental que podría estar impulsando inconscientemente la grosería de los clientes. En particular, iniciamos un enfoque exhaustivo de recolección de datos para investigar la conexión entre la temperatura y la grosería del cliente dirigida a los empleados de primera línea. Identificamos aspectos particulares de interés para nuestra investigación, como la geolocalización como proxy de la temperatura, utilizando datos secundarios de Twitter/X. Nuestro conjunto de datos incluía más de 110,000 tuits dirigidos a 64 empresas en 19 países diferentes. Estas empresas incluían sectores de viajes y alojamiento, dos sectores frecuentemente asociados con un mal servicio al cliente. Utilizando un modelo de lenguaje grande (LLM), usamos una definición preexistente de lo que constituye la grosería del cliente para entrenar un algoritmo que nos permitiera codificar estos tuits según su grado de grosería. Combinando información de temperatura del conjunto de datos ERA5 con las ubicaciones de los tuits, se permitió un análisis más profundo de la relación entre temperaturas extremas y mensajes groseros enviados por clientes en línea.