Banco Falabella — Lía Chatbot
Diseñando un asistente conversacional que convirtió servicios financieros complejos en interacciones guiadas y escalables.
Ayudé a Banco Falabella a diseñar y entrenar a Lía, un asistente conversacional creado para dar soporte a usuarios en servicios de banco, CMR, viajes y seguros. Mi trabajo se centró en construir flujos conversacionales claros, intents estructurados, templates guiados y una arquitectura de información escalable que redujo la ambigüedad para los usuarios y mejoró la capacidad del chatbot para responder de forma autónoma.
Empresa
Banco Falabella Colombia
Industria
Finanzas / Banca minorista
Rol
UX Specialist / UX Designer
Tipo de producto
Asistente conversacional / Chatbot
Duración
Mar 2017 – Ago 2019
Equipo
UX, Product, Business Stakeholders, Desarrollo, Chatbot/NLP, Contenido
Métodos
Conversational UX, IA (arquitectura de información), Intent Design, Flow Mapping, Templates, Entrenamiento, Validación
Herramientas
Sketch, Zeplin, Balsamiq, DialogFlow, Adobe XD
Estado
Lanzado
Algunas partes de este proyecto están bajo NDA, así que muestro una versión curada del proceso, los artefactos y los resultados. Los flujos de conversación sensibles, las reglas de negocio y la lógica interna fueron simplificados, manteniendo claras las decisiones de diseño, la metodología y mi rol. Con gusto puedo compartir más detalle de forma privada durante una entrevista o revisión de portafolio.
Los detalles sensibles del producto fueron difuminados o simplificados para proteger información confidencial del negocio.
Contexto
Banco Falabella necesitaba un canal conversacional capaz de dar soporte a usuarios en múltiples negocios financieros: Banco, CMR, Viajes y Seguros. Cada línea de negocio tenía necesidades, servicios y expectativas de usuario distintas, pero los clientes necesitaban un solo asistente que se sintiera simple, amigable y fácil de usar.
Escribir buenas respuestas para el chatbot no era la parte difícil. La parte difícil era construir una estructura que guiara a los usuarios, evitara que la conversación fuera completamente abierta, y ayudara al asistente a responder con precisión ante tipos de solicitudes muy distintas.
Por qué importaba
Los servicios financieros pueden volverse confusos muy rápido cuando se le pide al usuario que explique todo con sus propias palabras. Para que Lía funcionara bien, la experiencia necesitaba una arquitectura de información sólida, rutas de conversación controladas y un tono amigable que ayudara a los usuarios a avanzar sin sentirse perdidos.
Mi rol
Trabajé como UX Specialist / UX Designer, con un enfoque fuerte en Conversational UX. Mis responsabilidades iban más allá de escribir mensajes del chatbot: ayudé a estructurar la lógica del asistente, definir flujos guiados, entrenar intents y crear una metodología escalable para mejorar la experiencia del chatbot con el tiempo.
- Diseñé flujos conversacionales para casos de uso de banco, CMR, viajes y seguros.
- Estructuré intents, templates y patrones de interacción guiados.
- Ayudé a entrenar a Lía identificando qué información necesitaba el chatbot y qué podía generar confusión.
- Mejoré la experiencia del chatbot reduciendo preguntas abiertas y usando más templates guiados.
- Trabajé con stakeholders de negocio para entender servicios, prioridades y solicitudes esperadas de los usuarios.
- Conecté la estructura de contenido, las necesidades del usuario y el comportamiento técnico del chatbot en una experiencia conversacional más clara.
- Ayudé a construir una base escalable de Conversational UX que sigue dando forma a cómo abordo la arquitectura de información hoy.
El reto
El principal reto era diseñar un chatbot que pudiera dar soporte a múltiples servicios financieros sin abrumar a los usuarios ni comprometer la calidad de respuesta del asistente.
- Reto de usuario: los usuarios necesitaban respuestas y soporte rápido, pero las preguntas abiertas fácilmente podían generar confusión, interpretaciones erróneas o callejones sin salida.
- Reto de negocio: Banco Falabella necesitaba un solo asistente que pudiera atender distintas líneas de negocio manteniendo una experiencia consistente y dando soporte a consultas y transacciones de clientes.
- Reto de diseño: el chatbot no podía simplemente absorber contenido ilimitado. El sobreentrenamiento generaba respuestas deficientes, así que la experiencia necesitaba una estructura clara, mejor organización de intents y patrones de interacción guiados.
Problem statement
¿Cómo podríamos ayudar a los usuarios de Banco Falabella a recibir soporte en servicios de banco, CMR, viajes y seguros a través de un solo asistente amigable, manteniendo la conversación lo suficientemente estructurada para que el chatbot responda con precisión?
Objetivos y criterios de éxito
Objetivos de usuario
- Ayudar a los usuarios a encontrar respuestas sin navegar por múltiples canales.
- Reducir la confusión causada por interacciones abiertas del chatbot.
- Hacer que el soporte financiero se sienta más guiado, amigable y fácil de seguir.
Objetivos de negocio
- Dar soporte a múltiples líneas de negocio a través de un solo asistente conversacional.
- Aumentar la capacidad del chatbot para resolver consultas y transacciones de forma autónoma.
- Crear una estructura escalable para agregar y mejorar intents con el tiempo.
Objetivos de diseño
- Definir flujos conversacionales y estructuras de intents claras.
- Usar templates guiados para reducir la ambigüedad.
- Crear un tono y comportamiento consistentes para Lía.
- Mejorar el entrenamiento del chatbot a través de una mejor arquitectura de información.
Proceso
01 — Descubrir
Entendiendo cómo piden ayuda los usuarios en distintos servicios financieros
Empecé por entender las diferentes líneas de negocio involucradas y los tipos de soporte que los usuarios necesitaban de cada una. El primer paso fue identificar dónde las conversaciones podían volverse ambiguas, dónde los usuarios necesitaban guía, y qué temas requerían flujos más controlados en lugar de preguntas abiertas.
- Revisé las necesidades de Banco, CMR, Viajes y Seguros.
- Identifiqué solicitudes recurrentes de usuarios, consultas y necesidades transaccionales.
- Mapeé dónde las conversaciones abiertas podían generar malentendidos.
- Analicé cómo debía agruparse la información para que el chatbot fuera más fácil de entrenar y de usar.
- Busqué patrones que pudieran funcionar en todas las líneas de negocio sin hacer que el asistente se sintiera fragmentado.
Estructura temprana de discovery usada para entender cómo podían convivir distintos servicios financieros dentro de un solo asistente conversacional.
02 — Definir
Convirtiendo servicios dispersos en una arquitectura conversacional estructurada
Después de entender las necesidades del negocio y las solicitudes de los usuarios, me enfoqué en definir la estructura detrás del asistente. Esto significó organizar intents, decidir cuándo usar templates, y dar forma a un modelo de conversación que ayudara a los usuarios a elegir opciones en lugar de forzarlos a describir todo desde cero.
- Agrupé intents por línea de negocio, necesidad del usuario y resultado esperado.
- Definí rutas guiadas para consultas y transacciones frecuentes.
- Identifiqué dónde el texto libre generaba riesgo y dónde los templates funcionaban mejor.
- Creé una estructura de contenido más clara para evitar el sobreentrenamiento del chatbot.
- Ayudé a definir cómo debía comportarse Lía cuando no entendía una solicitud.
Arquitectura de intents usada para organizar múltiples servicios financieros dentro de un solo modelo conversacional.
03 — Desarrollar
Diseñando flujos guiados en lugar de depender de conversaciones totalmente abiertas
La decisión de diseño más importante fue evitar tratar al chatbot como un sistema de preguntas y respuestas totalmente abierto. Aprendí que darle demasiada libertad al usuario podía hacer que la experiencia fuera menos confiable. Los flujos guiados y los templates ayudaron a que Lía entendiera mejor al usuario y redujeron el riesgo de respuestas equivocadas.
- Diseñé flujos conversacionales para los casos de uso clave.
- Creé templates guiados para ayudar a los usuarios a elegir la ruta correcta.
- Refiné las respuestas del chatbot para que se sintieran amigables, claras y útiles.
- Ajusté flujos cuando los resultados de entrenamiento mostraban confusión o respuestas incorrectas.
- Equilibré la libertad del usuario con la estructura necesaria para un mejor desempeño del chatbot.
Ejemplo de flujo guiado que muestra cómo las opciones estructuradas redujeron la ambigüedad frente a las preguntas abiertas.
04 — Entregar
Lanzando un asistente más amigable y escalable
La solución final fue un asistente conversacional capaz de dar soporte a usuarios en múltiples negocios financieros con una experiencia más amigable y estructurada. Lía fue diseñada para guiar a los usuarios a través de rutas claras, gestionar distintos tipos de solicitudes, y mejorar con el tiempo a través de una metodología de entrenamiento más intencional.
- Entregué flujos conversacionales, templates y estructuras de intents.
- Apoyé el entrenamiento y refinamiento del chatbot.
- Ayudé a crear un comportamiento del asistente más consistente entre líneas de negocio.
- Mejoré la calidad de las interacciones reduciendo el sobreentrenamiento y las entradas ambiguas.
- Construí una base reutilizable de Conversational UX para futuras mejoras.
Experiencia conversacional final simplificada para efectos de portafolio, mostrando la estructura sin exponer lógica de negocio sensible.
Antes / después
Antes
Múltiples servicios financieros eran difíciles de traducir en un solo asistente. Las entradas abiertas y el entrenamiento sobrecargado podían hacer que el chatbot respondiera de forma incorrecta o generara interacciones confusas.
Después
Lía usó flujos más claros, templates guiados e intents estructurados para dar soporte a usuarios de Banco, CMR, Viajes y Seguros de una manera más consistente y escalable.
Solución final
La propuesta final se enfocó en tres mejoras principales de la experiencia:
Un modelo conversacional guiado
En lugar de depender solo de preguntas abiertas, Lía usó templates y rutas estructuradas para ayudar a los usuarios a avanzar con menos confusión.
Una arquitectura de intents escalable
El asistente se organizó en torno a líneas de negocio, necesidades del usuario y resultados esperados, haciendo que el chatbot fuera más fácil de entrenar y evolucionar.
Un asistente financiero más amigable
Lía fue diseñada para sentirse cercana y útil, haciendo que el soporte financiero fuera menos intimidante y más fácil de navegar.
Impacto y resultados
Valor para el usuario
Los usuarios podían acceder a soporte en múltiples servicios financieros a través de un solo asistente conversacional guiado.
Valor para el negocio
Lía dio soporte a Banco, CMR, Viajes y Seguros a través de una estructura conversacional compartida.
Valor para el producto
El chatbot alcanzó una tasa de éxito autónomo del 70% en consultas y transacciones de clientes.
Valor para el equipo / proceso
El proyecto creó una base más sólida para el entrenamiento del chatbot, la organización de intents y un Conversational UX escalable.
Obstáculos y trade-offs
Este proyecto requirió trade-offs constantes entre la libertad del usuario, la cobertura de negocio y la confiabilidad del chatbot. Una conversación totalmente abierta sonaba flexible, pero en la práctica podía hacer que el asistente fuera menos preciso. La solución más sólida no fue agregar más contenido, sino estructurar mejor la experiencia.
- Evitar el sobreentrenamiento sin dejar de cubrir múltiples necesidades de negocio.
- Equilibrar los templates guiados con la expectativa del usuario de una conversación natural.
- Crear una sola experiencia de asistente a través de cuatro áreas de negocio distintas.
- Mantener un tono amigable mientras se maneja información financiera.
- Diseñar flujos que pudieran escalar sin volverse demasiado complejos.
Qué aprendí
Este proyecto marcó la forma en que pienso el UX, incluso más allá de los chatbots. Me enseñó que la estructura no es una limitación; es lo que le permite a un producto escalar.
- Aprendí que la arquitectura de información es crítica en las experiencias conversacionales.
- Aprendí que sobreentrenar un chatbot puede empeorar la experiencia, no mejorarla.
- Aprendí que los flujos guiados pueden generar más confianza que la entrada totalmente abierta.
- Aprendí que un tono amigable solo funciona cuando la estructura de fondo es clara.
- Confirmé que un buen UX se trata muchas veces de reducir la ambigüedad antes de que llegue al usuario.
Con Lía aprendí realmente a convertir la complejidad en estructura, y eso se me ha quedado desde entonces. Una buena experiencia conversacional no se construye agregando más respuestas. Se construye diseñando las rutas correctas, la estructura de contenido correcta, y la guía justa para que los usuarios lleguen a donde quieren ir.
Stephanie Cacheo — Senior UX Designer