Przewidywany wynik satysfakcji

Jak dostawca usług telekomunikacyjnych prognozował poziom zadowolenia w czasie rzeczywistym, zanim w ogóle przeprowadzono ankietę wśród klientów

Zwój

Wyzwanie

Za późno na działanie

Duża firma telekomunikacyjna z milionami abonentów dużo inwestowała w programy NPS i CSAT, ale wyniki pojawiły się zbyt późno, aby podjąć działania. Do czasu przetworzenia danych z ankiety klienci z grupy ryzyka często już odchodzili lub eskalowali liczbę transakcji. Zespół CX potrzebował sposobu, aby przewidzieć satysfakcję – oraz docelowe wysiłki w zakresie utrzymania i opieki – zanim w ogóle zebrano informacje zwrotne.

Zanim nadeszły wyniki ankiety dotyczącej zadowolenia, szkody były już wyrządzone. Klienci przerywali połączenia, odwiedzali sklepy, rezygnowali z transakcji lub publikowali o tym posty. Tygodnie później wynik miał się pojawić. Ale to była sekcja zwłok, a nie sygnał.

CX, opóźnione

Dane dotyczące doświadczeń klientów były reaktywne. Ankiety sprawdzały, jak ludzie się czuli, ale długo po tym, jak podjęli działania. Zespoły opiekuńcze nie mogły ustalić priorytetów. Marketing nie mógł personalizować. Operacje nie dostrzegały pojawiających się zagrożeń.

A co jeśli można to przewidzieć?

Co by było, gdybyś mógł przewidzieć satysfakcję na podstawie zachowania – zanim jeszcze została przesłana informacja zwrotna? Co by było, gdybyś mógł interweniować wcześniej – przed kolejnym rachunkiem, wizytą lub odwołaniem rezerwacji?

Zbliżać się

Więc modelowaliśmy wynik

Nawiązaliśmy współpracę z zespołami ds. obsługi klienta, analityki danych i sieci firmy telekomunikacyjnej, aby zbudować model predykcyjny — taki, który szacuje wyniki satysfakcji na podstawie sygnałów operacyjnych, wzorców użytkowania i zachowań cyfrowych w czasie zbliżonym do rzeczywistego.

Rozwiązanie

Przeszkoliliśmy 750 tys. klientów

Wykorzystaliśmy dane NPS i CSAT z dwóch lat – powiązane z korzystaniem z usług, interakcjami z opieką, rejestrami połączeń, zdarzeniami sieciowymi i aktywnością w aplikacjach mobilnych. Nadzorowany model uczenia maszynowego został przeszkolony i zweryfikowany na ponad 750 000 klientów, prognozując satysfakcję z 86% dokładnością na poziomie segmentu.

Metodologia

Postępowaliśmy zgodnie z ustrukturyzowanym potokiem: (1) ujednoliciliśmy dane ankietowe i operacyjne na poziomie klienta za pomocą spójnych identyfikatorów i okien czasowych; (2) opracowywać funkcje na podstawie użytkowania, opieki, sieci i zachowania aplikacji; (3) nadzorowane modele pociągów (np. zwiększanie gradientu) w celu przewidywania segmentu NPS/CSAT, z walidacją krzyżową i testowaniem wstrzymania; (4) wdrażać cotygodniowe aktualizacje wyników i integrować wyniki z CRM i pulpitami opieki; (5) zmierzyć wzrost dzięki proaktywnym interwencjom w porównaniu z segmentami kontrolnymi.

Źródła danych

Odpowiedzi na ankiety NPS i CSAT (dwa lata; ponad 750 tys. powiązanych klientów). Dane dotyczące usług i użytkowania: typ planu, czas trwania, wykorzystanie danych, wzorce połączeń/SMS-ów. Interakcje opieki: częstotliwość kontaktu, kanał, kody rozdzielczości. Dane sieciowe i incydentalne: awarie, opóźnienia, zasięg. Aktywność w aplikacjach mobilnych: sesje, wykorzystanie funkcji, prośby o pomoc. Wszystko połączone na poziomie klienta z odpowiednimi oknami opóźnień w celu przewidywania.

Zdobyliśmy całą bazę

Każdemu aktywnemu klientowi przypisano przewidywany wynik satysfakcji – aktualizowany co tydzień i przypisywany do kluczowych czynników. Klient mógł teraz kierować oferty do klientów o niskim przewidywanym saterze, oferty utrzymania, rozmowy telefoniczne z pomocą techniczną lub proaktywne poprawki, zanim niezadowolenie wzrosło.

"Wcześniej reagowaliśmy. Teraz jesteśmy przed tym. Widzimy nadchodzące ryzyko, a nie tylko wyjaśniamy je po fakcie. "

— wiceprezes ds. obsługi klienta

Zintegrowaliśmy to wszędzie

Wynik został osadzony w systemach CRM, pulpitach opieki i listach marketingowych – używany codziennie przez agentów, analityków i zespoły ds. podróży. Wizualizacje obejmowały rozkłady wyników na poziomie segmentu, wykresy trendów przewidywanej i rzeczywistej satysfakcji w czasie, wykresy ważności czynników oraz kolejki do opieki uszeregowane według przewidywanego ryzyka. Stał się nowym podstawą decyzji CX w całym przedsiębiorstwie.

Harmonogram realizacji

Tygodnie 1–4: Odkrywanie danych, łączenie i projektowanie funkcji. Tygodnie 5–10: Opracowanie modelu, walidacja (docelowa dokładność na poziomie 86%) i weryfikacja historyczna. Tygodnie 11–14: Integracja z CRM i narzędziami opieki; pilot z jednym zespołem opiekuńczym. Tygodnie 15–18: wdrożenie w sześciu zespołach i cotygodniowe odświeżanie. Stan stabilny w ciągu pięciu miesięcy od rozpoczęcia.

Zrób kolejny krok

Dowiedz się, jak Intellimark może pomóc Ci przewidzieć nastroje klientów i działać, zanim będzie za późno.

Skontaktuj się z nami

Wynik

Satysfakcja stała się wskaźnikiem wiodącym, a nie opóźnionym:

Metryki / Wyniki

    86% dokładność modelu w kluczowych segmentach

    750 tys klientów modelowanych za pomocą cotygodniowych aktualizacji wyników

    14% aktywnie osiągnięta redukcja odejścia pracowników wśród grup ryzyka

    6 drużyn codziennie wykorzystując wynik w zakresie opieki, marketingu i analiz

Płetwa.

Wiedza o tym, co czują klienci, jest dobra. Wiedzieć, zanim ci powiedzą? To zmienia grę.