Технологический путь MaxBill от управления взаимоотношениями с клиентами до клиентского опыта.

Анжела - помощник колл-центра в страховой компании, которая работает из дома с начала пандемии COVID-19. В первые пару месяцев у нее возникли проблемы с подключением к Интернету, поскольку ее тарифный план не удовлетворял все ее потребности. Она попыталась связаться со службой технической поддержки своего текущего провайдера, но линии были слишком загружены из-за возросшего спроса, поскольку все в районе Анджелы переехали в домашние офисы. После двух или трех неудачных звонков и оставшихся без ответа электронных писем она отказалась от идеи улучшить свое положение и переключилась на другого поставщика, который предложил готовый план, удовлетворяющий ее потребности. По данным исследовательского института Capgemini, тысячи семей столкнулись с теми же проблемами, что и Анджела. Десятки компаний потеряли клиентов из-за миллиона мелких проблем или пары крупных.

Ситуация могла бы быть иной, если бы один из представителей службы поддержки клиентов (CSR) знал о проблемах своих клиентов и мог вовремя отреагировать на них. Конечно, персонал не может отслеживать каждого конечного пользователя и их текущие отношения с компанией. Однако это можно сделать, используя правильную технологию.

В этой статье я хотел бы поделиться недавним кейсом моей компании MaxBill по разработке модели прогнозирования оттока для одного из наших партнеров. Оказалось, что его процент успеха составляет 97%, и у него есть два основных момента использования, которые принесут пользу клиентам.

Одна модель, сочетающая несколько алгоритмов

Существует несколько методов сбора данных и последующей оценки. Мы объединили несколько различных алгоритмов в методологию ансамбля для конкретного клиента. В такую ​​модель входят:

  • DecisionTreeClassifier,
  • KNeighborsClassifier,
  • Логистическая регрессия
  • Классификатор RandomForest
  • VotingClassifier.

Результаты контрольного прогона на исторических данных показывают 97% точность прогноза оттока. Мы планируем обогатить модель дополнительными артефактами данных и использовать ее для определения клиентов, которым грозит опасность. Следовательно, они могут быть дополнительно включены в процесс хранения.

Примеры использования удержания клиентов

Создание модели было бы бесполезным без четкого понимания конкретных сценариев, для которых она была бы полезной.

Основа для каждого клиента

При подключении к сводке по клиенту в нашей CRM механизм прогнозирования оттока дает представителю службы поддержки информацию о вероятности прекращения отношений конкретного клиента с компанией. В таком случае любой CSR может заявить о своей активной роли и обслужить клиента таким образом, чтобы снизить риск его оттока.

Массовый отчет

Отчет будет сформирован в указанные даты с выделением списка клиентов, входящих в группу риска. Эти данные могут быть использованы для маркетинговых кампаний по удержанию клиентов, что еще больше снизит риск оттока клиентов, привлечет клиентов к поставщику услуг и повысит лояльность.

Модель не только откроет возможности для клиентов, которым необходимо уделять больше внимания - она ​​будет интерактивной, позволяя руководству применять новые тарифы, обновлять существующие цены на продукты, предлагать скидки, специальные акции и видеть прогнозируемые последствия своих действий. на основе новых переменных в модели, которые добавляются. Этот инструмент будет очень удобен для создания специализированных предложений для определенных групп клиентов и поиска наилучшего баланса между рентабельностью инвестиций в маркетинг и оттоком клиентов при сохранении низкого коэффициента ложноположительных результатов.

Излишне говорить, что все эти процессы можно автоматизировать. Как только система прогнозирует, что клиент или группа клиентов подвержены риску оттока, предпочтительные действия по предотвращению оттока могут быть предприняты без необходимости вмешательства человека.

Будущее обслуживания клиентов

Как показал анализ Deloitte, в этом году мы видим беспрецедентную возможность для провайдеров multi-play увеличить свою клиентскую базу, сферу влияния и пакеты услуг. Однако многие компании обнаружили, что их бэк-офису не хватает масштабируемости. Одна из многих болевых точек большинства провайдеров - это повышенное давление на представителей службы поддержки. Из-за пандемии COVID-19 увеличение количества персонала редко бывает возможным. В то же время еще один побочный эффект пандемии вызывает рост спроса на их услуги. Например, некоторые арендаторы испытывают трудности с обеспечением хорошей связи в сельской местности, и на эту проблему также должны ответить провайдеры.

Чтобы идти в ногу с быстрорастущими возможностями, компании должны как улучшить качество обслуживания своих клиентов, так и уметь прогнозировать и избегать оттока клиентов.

UX может быть улучшен за счет инкапсуляции омниканальной коммуникации (Facebook Messenger, Viber, WhatsApp, Telegram) в потоки обслуживания, автоматизации процессов работы с клиентами посредством самообслуживания на портале SelfCare Portal, развертывания личных помощников с диалоговым ИИ. , обладая возможностями NLP и интегрируя ботов RPA, которые могут выполнять как внешние, так и внутренние задачи для пользователя.

Для решения большинства задач, которые стоят перед компанией, можно успешно использовать машинное обучение. Для каждого конкретного случая можно выбрать, обучить, протестировать и реализовать определенную комбинацию алгоритмов в различных процессах. С его помощью компании могут улучшить свои возможности удержания и расширить клиентскую базу намного быстрее и более экономичным способом.

Спасибо Константину Долгушину, Владимиру Пенькову, Валу Морозову и Росту Биттерлих за их ценные идеи и помощь в написании этой статьи.