Análisis Estratégico de Experiencia Ciudadana (CX) mediante Procesamiento de Lenguaje Natural (PNL): Una Arquitectura Orientada a Objetos para el Monitoreo Estratégico de la App móvil del SMN

Abstract

El presente análisis documenta el desarrollo y la implementación de un ecosistema de ciencia de datos diseñado para la monitorización de la “ Voz del Ciudadano” respecto a la aplicación (App) oficial del Servicio Meteorológico Nacional (ar.gob.smn). Debido a la falta de acceso a las herramientas de análisis primarias y datos internos de Google Play Console, se implementó un proceso de recolección de datos exógeno mediante técnicas de webscraping. A través de una arquitectura de Programación Orientada a Objetos (OOP), se extrajo una muestra de 4.107 reseñas, volumen que, si bien es estadísticamente relevante, representa solo un subconjunto del universo total de comentarios existentes en la tienda. La metodología empleada integra modelos de Deep Learning (Transformers) especializados en español ( RoBERTuito) para la clasificación de sentimientos y el algoritmo Latent Dirichlet Allocation (LDA) para el descubrimiento de tópicos latentes. Los hallazgos revelan un Net Promoter Score (NPS) percibido de 16.97, con una tendencia de recuperación de la versión 0.0.9. Se identificaron “ Aha! Moments” vinculados a la precisión del dato y “ Pain Points” críticos asociados a la estabilidad de los widgets y la geolocalización: Esta investigación proporciona una ruta estratégica para optimizar el desarrollo de software institucional, reconociendo las limitaciones de alcance impuestas por la recolección externa de datos.

This study documents the development and implementation of a data science ecosystem designed to monitor the “Voice of the Citizen” regarding the official mobile application (ar.gob.smn) of Argentina´s National Meteorological Service (Servicio Meteorológico Nacional). Given the lack of access to primary analytics tools and internal data from Google Play Console, an exogenous data collection process was implemented using web scraping techniques. Through an Object-Oriented Programming (OOP) architecture, a sample of 4,107 reviews was extracted. Although statistically relevant, this sample represents only a subset of the total universe of comments available in the store. The methodology integrates Spanish-specialized Deep Learning models base on Transformers (RoBERTuito) for sentiment classification, along whit Latent Dirichlet Allocation (LDA) for the discovery of latent topics. Key findings reveal a perceived Net Promoter Score (NPS) of 16.97, wit h a positive recovery trend starting from version 0.0.9. The analysis identified “Aha! Moments” primarily linked to data accuracy, as well as critical “Pain Points” related to widget stability and geolocation functionality. This research offers a strategic roadmap for optimizing institutional software development while explicitly acknowledging the inherent limitations of external data collection methods .