Hoy en día escuchamos constantemente hablar de procesos de Big Data Analytics y las posibilidades que pueden ofrecer en nuestros procesos de negocio. La clave de su éxito es traducir esos datos recogidos día a día, en información que permita adoptar medidas correctivas, con el fin de lograr procesos de negocio más eficientes sin perder eficacia.

Pero todo suena muy bien si lo planteamos en un plano abstracto, por ello me gustaría concretar compartiendo un ejemplo:

¿Cómo el uso de Big Data Analytics consiguió la reducción de llamadas y una mayor satisfacción del cliente?

Se trata de una empresa de telecomunicaciones con más de 50 millones de clientes, 15 millones de contactos telefónicos, 5 millones de emails y 3 millones de chats al mes, además de información desestructurada de otros canales.

Lo primero que hay que preguntarse es, ¿cómo puede una empresa lograr la optimización de procesos de negocio y resultados de manera que logre una ventaja competitiva? Una pregunta especialmente pertinente cuando, como es el caso de las telecomunicaciones, se trata de un mercado sobre saturado. Entre todas las posibles variables analizadas, que por ejemplo incluyen el volumen de contactos por consulta técnica o el número de incidencias resueltas en el primer contacto, se detectó que el volumen de contactos reiterados suponía un 30% del total.

Para ello se analizaron llamadas, mensajes y tweets. Se identificaron palabras clave en las que el cliente indicaba comentarios como: “ya he hablado con su compañero”, “es la tercera vez que llamo”, “estoy harto de hablar con vosotros” y otras expresiones que sugerían un sentimiento por parte del cliente de que había tenido que contactar varias veces con la empresa. Sí, debo destacar que en algunos de los casos se comprobó que no había sido así. No se había producido un contacto previo con la misma solicitud, pero era la percepción del cliente y la satisfacción del cliente es lo más importante.

En definitiva, se identificaron los contactos reiterados como un campo de mejora y la compañía, que es en definitiva la verdadera dueña de la oportunidad y de la decisión, se marcó el objetivo de reducir el volumen de estas interacciones innecesarias.

Una vez que se identificaron  los contactos reiteradas, fue necesario analizar el perfil de cliente, el tipo de problemas que tenía, qué producto había contratado, dónde vivía, qué edad tenía, cuándo usaba el servicio, así como otras variables que definían a los  usuarios. Realizando análisis predictivos avanzados, como análisis de clusters o de componentes principales, fue posible identificar lo que denominamos como segmentos o grupos de clientes que tenían el mismo comportamiento.

Ese fue el momento de seleccionar los grupos que más contactos reiterados tenían para hacer un análisis de datos detallado. Al analizar los contactos reiterados, estudiamos el primer contacto, ya que este era el que generó la reiteración. Escuchando las llamadas de clientes con patrones previamente identificados, se analizaron los emails y tweets con el fin de entender lo que el cliente estaba solicitando y su motivación.

En este caso, se pudieron identificar tres factores. Por un lado, existía un segmento de clientes con un perfil específico de edad, producto y región con una reiteración muy superior a los demás segmentos.

Por otro, se detectó que un alto porcentaje de los contactos reiterados se debía a solicitudes de ajustes en la facturación, originados por problemas técnicos cuyas devoluciones podrían ser automatizadas.

Por último, se constató que la respuesta realizada por la empresa en el primer contacto (es decir, el que generó la reiteración) presentaba falta de seguridad y claridad en la respuesta al cliente.

Obviamente, descubrir los motivos de contactos reiterados es solo la mitad del trabajo. Gracias a los inputs generados se pudo establecer un plan táctico con acciones de cara a reducir el volumen de reiteraciones. De este modo, se definieron conjuntamente con el cliente las acciones a implementar.

Así pues, se planificó una campaña de contacto dirigida a los clientes con mayor reiteración, anticipando motivos de insatisfacción y consultas no resueltas. También se programó el envío automático de un comunicados a todos los clientes con ajustes de factura, aclarando la resolución de gestión y plazos, generando unos modelos de servicio predictivos de posibles llamadas de clientes. Por último, pero no por ello menos importante, se estableció un seguimiento individualizado de agentes del servicio de atención al cliente con menor índice de seguridad y claridad en sus respuestas mediante auditorias automáticas, aportando un feedback continuo.

Una vez se implementaron las acciones mencionadas se realizó un seguimiento de su impacto en el volumen de contactos reiterados. De este modo, además de confirmar la mejora progresiva del servicio, se identificaban ajustes a realizar en las diferentes acciones, de modo que se retroalimentaba constantemente el modelo.

En un plazo de tres meses desde la implantación de las acciones propuestas, más otros tres meses dedicados al análisis de datos y a la planificación previa, se observó una reducción del 6% del volumen de contactos entrantes, lo que suponían, en el caso de este cliente, unas 900.000 llamadas menos y, sobre todo, un menor número de consumidores irritados por tener que lidiar repetidas veces con el servicio de atención al cliente.

Es importante destacar que la implantación de este modelo , y la consecución de estas mejoras, sólo es posible con la implicación total del cliente y su área de operaciones. La toma de decisiones y la ejecución detallada de las acciones definidas es más fácil, y sobre todo más efectiva, cuando se fundamenta en la experta interpretación de datos objetivos. Este es en definitiva el gran valor de Big Data Analytics.

Alexandre Paixao Andrade.

Director de Analytics en Digitex

One thought on “Mejorando la experiencia del cliente a través de Analytics

Los comentarios están cerrados.