Punteggio di soddisfazione predittivo

Come un fornitore di telecomunicazioni ha previsto la soddisfazione in tempo reale, prima ancora che i clienti venissero intervistati

Scorri

Sfida

Troppo tardi per agire

Un’importante azienda di telecomunicazioni con milioni di abbonati stava investendo massicciamente nei programmi NPS e CSAT, ma i risultati sono arrivati ​​troppo tardi per agire. Al momento dell’elaborazione dei dati del sondaggio, i clienti a rischio spesso avevano già abbandonato o aumentato il numero dei clienti. Il team CX aveva bisogno di un modo per anticipare la soddisfazione e indirizzare gli sforzi di fidelizzazione e assistenza prima ancora che venisse raccolto il feedback.

Quando sono arrivati ​​i risultati del sondaggio sulla soddisfazione, il danno era già fatto. I clienti avevano interrotto le chiamate, visitato i negozi, agitato o pubblicato post a riguardo. Settimane dopo, sarebbe apparso un punteggio. Ma era un'autopsia, non un segnale.

CX, ritardato

I dati sull'esperienza del cliente erano reattivi. I sondaggi hanno catturato i sentimenti delle persone, ma molto tempo dopo aver agito. I team di assistenza non potevano stabilire le priorità. Il marketing non può personalizzare. E le operazioni non potevano vedere rischi emergenti.

E se potessi prevederlo?

E se potessi anticipare la soddisfazione in base al comportamento, prima ancora che venga inviato il feedback? E se potessi intervenire in anticipo, prima della prossima fattura, visita o cancellazione?

Approccio

Quindi abbiamo modellato la partitura

Abbiamo collaborato con i team CX, data science e rete dell'azienda di telecomunicazioni per creare un modello predittivo in grado di stimare i punteggi di soddisfazione utilizzando segnali operativi, modelli di utilizzo e comportamenti digitali quasi in tempo reale.

Soluzione

Abbiamo formato 750.000 clienti

Abbiamo utilizzato due anni di dati NPS e CSAT, collegati all'utilizzo del servizio, alle interazioni di assistenza, ai registri delle chiamate, agli incidenti di rete e all'attività delle app mobili. Un modello ML supervisionato è stato addestrato e convalidato su oltre 750.000 clienti, prevedendo la soddisfazione con una precisione dell'86% a livello di segmento.

Metodologia

Abbiamo seguito un processo strutturato: (1) unificare i dati di indagine e operativi a livello di cliente con identificatori e finestre temporali coerenti; (2) progettare le funzionalità in base all'utilizzo, alla cura, alla rete e al comportamento dell'app; (3) addestrare modelli supervisionati (ad esempio gradient boosting) per prevedere il segmento NPS/CSAT, con convalida incrociata e test di controllo; (4) distribuire aggiornamenti settimanali dei punteggi e integrare i risultati nel CRM e nei dashboard di assistenza; (5) misurare l'incremento derivante dagli interventi proattivi rispetto ai segmenti di controllo.

Origini dei dati

Risposte ai sondaggi NPS e CSAT (due anni; oltre 750.000 clienti collegati). Dati di servizio e utilizzo: tipo di piano, durata, utilizzo dei dati, modelli di chiamate/SMS. Interazioni di cura: frequenza di contatto, canale, codici di risoluzione. Dati di rete e incidenti: interruzioni, latenza, copertura. Attività dell'app mobile: sessioni, utilizzo delle funzionalità, richieste di supporto. Il tutto unito a livello cliente con opportune finestre di ritardo per la previsione.

Abbiamo segnato l'intera base

A ogni cliente attivo è stato assegnato un punteggio di soddisfazione previsto, aggiornato settimanalmente e associato ai fattori chiave. Il cliente ora poteva rivolgersi ai clienti con un numero di sab basso previsto con offerte di fidelizzazione, chiamate di supporto o soluzioni proattive, prima che l'insoddisfazione aumentasse.

"Prima stavamo reagendo. Ora siamo di fronte ad esso. Possiamo vedere il rischio arrivare, non solo spiegarlo dopo il fatto."

— Vicepresidente, Esperienza del cliente

Lo abbiamo integrato ovunque

Il punteggio è stato incorporato nei sistemi CRM, nei dashboard di assistenza e negli elenchi di marketing, utilizzati quotidianamente da agenti, analisti e team di viaggio. Immagini includevano distribuzioni di punteggi a livello di segmento, grafici di tendenza della soddisfazione prevista rispetto a quella effettiva nel tempo, grafici sull'importanza dei conducenti e code di assistenza classificate in base al rischio previsto. È diventata la nuova spina dorsale delle decisioni CX in tutta l'azienda.

Cronologia di implementazione

Settimane 1–4: individuazione dei dati, collegamento e progettazione di funzionalità. Settimane 5-10: sviluppo del modello, convalida (obiettivo di precisione dell'86%) e test retrospettivi. Settimane 11–14: Integrazione con CRM e strumenti di assistenza; pilota con un team di assistenza. Settimane 15-18: implementazione a sei team e cadenza di aggiornamento settimanale. Stato stazionario entro cinque mesi dal kickoff.

Fai il passo successivo

Scopri come Intellimark può aiutarti ad anticipare il sentiment dei clienti e ad agire prima che sia troppo tardi.

Contattaci

Risultato

La soddisfazione è diventata un indicatore anticipatore e non ritardato:

Metriche/Risultati

    86% accuratezza del modello nei segmenti chiave

    750K clienti modellati con aggiornamenti settimanali del punteggio

    14% la riduzione del tasso di abbandono tra i gruppi a rischio è stata raggiunta in modo proattivo

    6 squadre utilizzando il punteggio quotidianamente nell'assistenza, nel marketing e nell'analisi

Fin.

Sapere come si sentono i clienti è positivo. Sapere prima che te lo dicano? Questo cambia il gioco.