¿Inteligencia Artificial para ser más rentables?

¿Es el momento de probar una solución de Inteligencia Artificial en modo servicio?

Una conocida compañía aseguradora decidió acometer hace ya unos cuantos años la implantación de una estrategia customer oriented, y sus consultores de cabecera aconsejaron que la pieza clave de esa estrategia tenía que ser la implantación a su vez de una herramienta CRM.

Eran los tiempos en los que la implantación de los Sistemas de Gestión de Clientes (CRM) suponían importantes inversiones tanto en infraestructuras TI, como en el propio proceso en sí de implantación, con abultadas facturas alrededor de jornadas y jornadas de consultoría, programación, etc. La inversión era alta, por lo que las expectativas de recuperación de esa inversión vía mejoras en las ventas que deberían producirse consecuencia de la implantación de un CRM…eran no altas…sino altísimas…en aras de que cuadrase el plan de negocio asociado a la implantación de estos nuevos sistemas…

Con el paso del tiempo, no sin esfuerzo, nuestra compañía aseguradora comenzó a dar por buena la cantidad ingente de información de sus clientes que había ido acumulando, y gracias a esta información se vio en condiciones para segmentar más adecuadamente su base de datos y lograr ofrecer a cada cliente los mejores servicios, por el canal adecuado y al precio adecuado.

El departamento de televentas mejoraba mes a mes sus ratios de éxito. La captación de nuevos clientes y el incremento de la “cuota de clientes” ente los clientes ya existentes ponían de manifiesto lo acertado de la decisión de implantar un CRM. Pero…

Poco a poco las cifras anteriores comenzaron a deteriorarse. Los motivos, que si la crisis, que si la feroz competencia (porque todas los competidores también habían implantado sus propias herramientas CRM) y lo más grave, no sólo es que no se crecía en la captación de clientes nuevos, sino que clientes existentes comenzaban a darse de baja y las encuestas de satisfacción de clientes empezaban a apuntar a una erosión importante de los indicadores de calidad percibida.

¿Qué estaba fallando? Bien es cierto que gracias a una gestión centralizada de la información contaban con muchos datos que permitían segmentar la base de clientes y prospects y su cualificación con los diferentes elementos de porfolio. Pero se estában limitando a gestionar eso, simplemente datos de cualificación, para poderles ofrecer lo que en principio esos clientes necesitan. Estaban trabajando en una aproximación “desde arriba”. Es decir, la compañía tenía en lo alto de sus datos su porfolio y lo que hacía era analizar desde “arriba” las características del cliente para “encajarle” un producto o servicio.

Pero se estaba olvidando que esa aproximación es finita. Una vez que el cliente había suscrito una póliza, eran los puntos de contacto con él los “momentum” en los que la organización debía demostrar que realmente era una organización “excelente” en todos los aspectos, especialmente el de la atención al cliente.

Los puntos de contacto más “calientes” eran sin duda los momentos en los que el cliente llamaba al Call Center para dar visibilidad de un siniestro. Los operadores del Call Center tenían frente a ellos todos los datos del cliente, toda la información de negocio del cliente, podrían incluso aprovechar el contacto para tratar de venderle nuevos productos o servicios, algo que, siguiendo la filosofía previa instaurada tras la primera implantación del CRM, no era inhabitual.

Pero no siempre la atención era inmediata. Una llamada podía quedar en espera durante largos minutos, lo que obviamente influían negativamente en la percepción del cliente en espera. Y también por motivos obvios la solución más evidente (aumentar el número de operadores), no es siempre la solución óptima. Toda compañía tiene una limitación presupuestaria que hace que sus recursos sean finitos.

Ante esta situación, los diferentes coordinadores del servicio de Call Center comenzaron a percibir que había determinados operadores muy eficientes en la televenta, pero quizá no tanto a la hora de atender a un cliente que lleva minutos en espera para comunicar un parte de siniestro. Esa simple percepción comenzó a ser medida. Y los resultados pusieron de manifiesto que no era solo una percepción. Había claramente operadores que gestionaban con un alto ratio de éxito y satisfacción percibida intervenciones y llamadas que a priori eran problemáticas…Pero es que además…el patrón evolucionaba…porque un operador que a priori tenía un alto índice de valoración al inicio de la jornada laboral, a las 3 horas de trabajo sufría un bajón importante en su evaluación y por tanto, no era capaz de hacer remontar una posible mala percepción de un cliente que llevaba minutos y minutos esperando para entrar en la cola de atención telefónica. O teniendo en cuenta el tiempo medio de espera en la atención de la llamada, había operadores más eficientes que otros. Los patrones, por tanto, también cambiaban a lo largo del día para cada individuo.

Y ante esta situación, surgió la pregunta: ¿Y si el sistema, en lugar de asignar una llamada al primer operador que quede libre, realmente asigne la llamada al mejor operador teniendo en cuenta el tiempo de espera del cliente?

Responder a esta pregunta implicaba un análisis de la información “bottom up”. Es decir, un cambio paradigmático en la empresa. Se debían analizar los datos desde abajo, en tiempo real, para poder asignar cada momento las llamadas en cola, a los operadores con mejor índice de satisfacción en función del tiempo de espera en cola de la llamada. Sería el sistema quién, teniendo en cuenta las variables anteriores, asignaría los recursos para responder las llamadas en espera: Inteligencia Artificial

Desarrollar el algoritmo no sería complejo, pero se necesitaba disponer de capacidad de cómputo y almacenamiento de datos totalmente flexible, lo que implicaba un reto tremendo para el departamento IT. La aproximación tradicional on premise (servidores, almacenamiento, etc) no era económicamente viable. Pero si, de la mano de fabricantes de primer nivel, fuesen capaces de contar con una solución de inteligencia artificial en modo servicio…el proyecto cuanto menos, podría ser viable.

¿Tu organización se ha enfrentado a problemas como el anterior? ¿Tiene sentido en tu organización realizar un aproximación “bottom up” para saber exactamente cómo atender o qué ofrecer a tus clientes? ¿Es el momento de probar una solución de inteligencia artificial en modo servicio?

Hoy ya no es necesario pensar en importantes inversiones IT para acometer un proyecto similar. Solo se necesita la ayuda de una empresa con profundos conocimientos de las herramientas de AI de los principales jugadores de mercado y de los procesos de negocio en los puntos de contacto con tus clientes. Habla con nosotros.

Por cierto, los ratios de retención de cliente activo en esta aseguradora se han multiplicado por 2 en tan sólo un año, habiendo asumido que es tan importante saber qué ofrecer a los clientes a la hora de vender como a atenderles a la hora de gestionar una incidencia.

Comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

No hay comentarios