Score de satisfaction prédictif

Comment un fournisseur de télécommunications prévoyait la satisfaction en temps réel, avant même que les clients ne soient interrogés

Faire défiler

Défi

Trop tard pour agir

Une grande entreprise de télécommunications comptant des millions d'abonnés investissait massivement dans les programmes NPS et CSAT, mais les résultats sont arrivés trop tard pour agir. Au moment où les données de l'enquête ont été traitées, les clients à risque avaient souvent déjà renoncé à leur demande ou l'avaient signalé. L'équipe CX avait besoin d'un moyen d'anticiper la satisfaction et de cibler les efforts de rétention et de soins avant même que les commentaires ne soient collectés.

Au moment où les résultats de l’enquête de satisfaction sont arrivés, le mal était déjà fait. Les clients avaient abandonné leurs appels, visité les magasins, s'étaient désistés ou avaient publié des articles à ce sujet. Des semaines plus tard, un score apparaîtrait. Mais c’était une autopsie, pas un signal.

CX, Delayed

Customer experience data was reactive. Surveys captured how people felt—but long after they acted. Les équipes soignantes ne pouvaient pas établir de priorités. Le marketing ne pouvait pas personnaliser. And operations couldn’t see emerging risks.

Et si vous pouviez le prédire ?

Et si vous pouviez anticiper la satisfaction en fonction du comportement, avant même que les commentaires ne soient soumis ? Et si vous pouviez intervenir tôt, avant la prochaine facture, visite ou annulation ?

Approche

Nous avons donc modélisé la partition

Nous nous sommes associés aux équipes CX, science des données et réseau de l'entreprise de télécommunications pour créer un modèle prédictif qui estime les scores de satisfaction à l'aide de signaux opérationnels, de modèles d'utilisation et de comportements numériques en temps quasi réel.

Solution

Nous avons formé 750 000 clients

Nous avons utilisé deux années de données NPS et CSAT, liées à l'utilisation des services, aux interactions avec les soins, aux journaux d'appels, aux incidents réseau et à l'activité des applications mobiles. Un modèle ML supervisé a été formé et validé sur plus de 750 000 clients, prédisant la satisfaction avec une précision de 86 % au niveau du segment.

Methodology

Nous avons suivi un pipeline structuré : (1) unifier les données d'enquête et opérationnelles au niveau du client avec des identifiants et des fenêtres horaires cohérentes ; (2) concevoir des fonctionnalités liées à l'utilisation, à l'entretien, au réseau et au comportement des applications ; (3) entraîner des modèles supervisés (par exemple, augmentation de gradient) pour prédire le segment NPS/CSAT, avec validation croisée et tests de résistance ; (4) déployer des mises à jour hebdomadaires des scores et intégrer les résultats dans les tableaux de bord CRM et de soins ; (5) mesurer l'impact des interventions proactives par rapport aux segments de contrôle.

Data sources

Réponses aux enquêtes NPS et CSAT (deux ans ; plus de 750 000 clients liés). Données de service et d'utilisation : type de forfait, durée d'occupation, utilisation des données, modèles d'appels/SMS. Interactions de soins : fréquence de contact, canal, codes de résolution. Données réseau et incidents : pannes, latence, couverture. Activité de l'application mobile : sessions, utilisation des fonctionnalités, demandes d'assistance. Tous réunis au niveau du client avec des fenêtres de décalage appropriées pour la prédiction.

Nous avons marqué toute la base

Chaque client actif s'est vu attribuer un score de satisfaction prévu, mis à jour chaque semaine et mappé aux principaux facteurs. Le client pouvait désormais cibler les clients dont les prévisions de saturation étaient faibles avec des offres de fidélisation, des appels d'assistance ou des correctifs proactifs, avant que l'insatisfaction ne dégénère.

"Avant, nous réagissions. Maintenant, nous sommes devant. Nous pouvons voir le risque arriver, pas seulement l'expliquer après coup."

— Vice-président, Expérience client

Nous l'avons intégré partout

Le score a été intégré aux systèmes CRM, aux tableaux de bord de soins et aux listes marketing, utilisés quotidiennement par les agents, les analystes et les équipes de parcours. Visuals comprenait des distributions de scores au niveau des segments, des graphiques de tendance de la satisfaction prévue par rapport à la satisfaction réelle au fil du temps, des graphiques d'importance des conducteurs et des files d'attente pour les soins classées par risque prévu. C’est devenu la nouvelle colonne vertébrale des décisions CX dans l’ensemble de l’entreprise.

Implementation timeline

Semaines 1 à 4 : Découverte de données, liaison et conception de fonctionnalités. Semaines 5 à 10 : développement du modèle, validation (objectif de précision de 86 %) et back-testing. Semaines 11 à 14 : Intégration avec les outils CRM et de soins ; pilote avec une équipe de soins. Semaines 15 à 18 : déploiement dans six équipes et cadence d'actualisation hebdomadaire. État d’équilibre dans les cinq mois suivant le coup d’envoi.

Passez à l'étape suivante

Découvrez comment Intellimark peut vous aider à anticiper le ressenti des clients et à agir avant qu'il ne soit trop tard.

Nous contacter

Résultat

La satisfaction est devenue un indicateur avancé et non un indicateur retardé :

Indicateurs / résultats

86% précision du modèle sur les segments clés

750K clients modélisés avec des mises à jour hebdomadaires des scores

14% réduction du taux de désabonnement parmi les groupes à risque atteint de manière proactive

6 équipes utiliser le score quotidiennement dans les soins, le marketing et l'analyse

Fin.

Savoir ce que ressentent les clients, c’est bien. Le savoir avant qu'ils ne vous le disent ? Cela change la donne.