Content Online se centra en cómo se puede aplicar en productos o marketing, los dos campos más comunes donde los científicos de datos crean un gran valor. Sin embargo, trabajando en una startup, he tenido que trabajar con muchas más funciones fuera de estas dos. Los datos existen en toda la empresa, y la realidad es que cada departamento puede beneficiarse de la ciencia de datos y Analítica Para mejorar la eficiencia e impulsar el valor comercial. En este artículo, voy a discutir uno de esos temas menos cubiertos: ciencia de datos para el equipo de atención al cliente (CX).
Recuerdo la primera vez que me llevaron a una reunión con el equipo de CX, no tenía idea. No sabía qué esperar o cómo los datos podrían ayudarlos. Pero ahora he trabajado con el equipo durante más de tres años como su Ciencia de datos Socio, desde los primeros días en que apenas teníamos datos de datos hasta ahora, cuando estamos profundamente integrados en la función y apoyamos las decisiones basadas en datos. En las secciones a continuación, permítanme revisar los casos de uso de ciencia de datos comunes en CX.
1. Seguimiento de métricas
Antes de que pueda mejorar cualquier cosa, debe medirlo, y CX no es una excepción. Construir métricas también es una buena manera de establecer confianza con sus partes interesadas.
Para CX específicamente, algunas métricas comunes incluyen:
- SLA (acuerdo de nivel de servicio): Este es el compromiso o el objetivo de la rapidez con que el equipo de atención al cliente responde a los contactos del cliente. Por ejemplo, “responda a todos los chats en 3 minutos”. Es fundamental monitorear si el equipo siempre cumple con el SLA. Por lo general, se mide como el porcentaje de interacciones de apoyo que cumplen con este objetivo.
- TTR (tiempo de resolución): SLA se preocupa por si cada interacción se realizó de manera oportuna, mientras que TTR mide el tiempo total que lleva resolver un boleto de soporte, incluido todo el regreso y hacia atrás. Imagínese, como usuario, se comunicó con la atención al cliente por correo electrónico para una pregunta de producto. Respondían rápidamente cada vez que los enviaba un mensaje, pero ninguna de las respuestas realmente resolvió la pregunta. En este caso, SLA se vería bien, pero TTR sería largo. Por eso necesitamos ambos para completar la historia.
- FCR (primera resolución de contacto): Idealmente, el cliente recibirá lo que está buscando exactamente en la primera conversación. Por lo tanto, FCR está diseñado para medir el porcentaje de boletos de soporte que se resuelven sin necesidad de seguimientos. Naturalmente, un FCR bajo se correlaciona con un TTR alto.
- CSAT (puntaje de satisfacción del cliente): Las métricas anteriores son todas las medidas internas de la rapidez con que volvemos a nuestros clientes y resolvemos los problemas, mientras que CSAT es una medida externa directa de cuán satisfechos están los clientes con el soporte que recibieron. A menudo se captura a través de una encuesta después de que se resuelve un boleto de soporte, con una pregunta como “¿Qué tan satisfecho estaba con el apoyo que recibió?” (puntaje 1 a 5).
- Tasa de contacto: Nos importa la calidad del servicio, pero es igualmente importante comprender cuántos casos de soporte se generan. Una excelente manera de normalizar el volumen del caso es calcular la tasa de contacto como el
number of cases / number of active customers. Esto nos dice con qué frecuencia los clientes encuentran problemas y necesitan ayuda, por lo que también es una medida de fricción del producto.
Por supuesto, hay muchas más métricas que hemos creado para el equipo CX, pero las métricas anteriores deberían darle una buena visión de lo que los datos son importantes para el equipo de CX. Ellos, por supuesto, están organizados y presentados en paneles para que el equipo pueda monitorear el rendimiento y sumergirse en ciertos tipos de casos, equipos o segmentos de clientes. En mi compañía, el equipo de datos también co-organiza una reunión semanal de revisión de métricas para detectar tendencias, ideas de superficie e impulsar discusiones.
Ahora que tenemos todas estas métricas, ¿cómo las utilizaremos para impulsar los cambios? Ahí es donde entra el poder real de la ciencia de datos. Consulte los siguientes casos de uso.
2. Gestión de la fuerza laboral
Cada interacción de atención al cliente da como resultado los costos laborales, así como los costos tecnológicos, los costos generales y otros costos operativos que conlleva. Por lo tanto, es fundamental monitorear con precisión la capacidad y pronosticar la demanda futura de apoyo de personal y planificación.
El equipo de datos puede proporcionar mucho valor aquí:
- Volumen de contacto de pronóstico: Esta es una tarea compleja pero de alto impacto. Primero requiere una colaboración interfuncional para obtener la suposición correcta de las proyecciones de crecimiento del cliente y ajustar la expectativa de la tasa de contacto dado los lanzamientos y mejoras del producto. Luego, los científicos de datos pueden utilizar kits de herramientas de datos como modelos de series de tiempo para hornear todos los supuestos y predecir el volumen del caso de soporte.
- Planificación de capacidad: Una vez que obtenemos una buena predicción del volumen de contacto, la siguiente pregunta es cuántos agentes de soporte necesitaremos para mantener un buen nivel de servicio. Esto requiere una simulación de escenarios del rendimiento y disponibilidad del agente, y la optimización de los horarios de cambio de agente para garantizar que cumplamos con SLA sin exceso de personal.
3. Mejoras de proceso
Los datos no solo son útiles para rastrear el rendimiento del equipo, sino que también puede impulsar mejoras reales de procesos. Solo para darte algunos ejemplos que he visto:
- Análisis TTR: TTR es solo un gran número aleatorio sin darle sentido. El equipo de datos puede analizar TTR para identificar a los impulsores del tiempo de resolución largo y usarlo para informar las mejoras de procesos. Por ejemplo, si los casos relacionados con la incorporación a menudo tardan más con muchos de ida y vuelta, esto podría implicar que el equipo de CX necesita más capacitación con respecto al proceso de incorporación actual, o el flujo de incorporación es demasiado complicado, por lo que los clientes constantemente lo encuentran confuso. Si los casos que provienen del correo electrónico generalmente tienen mucho tiempo para resolución con un CSAT bajo, tal vez deberíamos asignar más recursos para responder la cola de correo electrónico para acelerar las respuestas o proporcionar un mejor soporte para herramientas para ayudar a los agentes a redactar sus correos electrónicos.
- Estrategia de nivel de apoyo: No todos los clientes tienen el mismo valor para una empresa. Por lo tanto, una práctica común es crear niveles de soporte entre los clientes y priorizar los contactos de los clientes de primer nivel. El equipo de datos puede ayudar a elaborar el sistema de niveles basado en el valor del cliente y monitorear la efectividad a lo largo del tiempo.
- A/B Prueba de flujo de soporte: ¿Dónde debemos poner el botón de chat en vivo? ¿Cómo hacer que el centro de soporte sea más descubierto para los clientes? ¿Es un cierto formato de correo electrónico automático mejor que otro? El método de prueba A/B nos ayuda a responder estas preguntas de diseño de flujo de soporte.
- Mejoras de autoservicio: El mundo ideal de atención al cliente no es necesario soporte humano 🙂 Aunque esto es casi imposible de alcanzar, el equipo de datos puede ayudar a acercarse. Por ejemplo, observamos qué tipo de preguntas no pudieron resolver los usuarios a través del centro de ayuda. Esto informa qué nuevos temas deben agregarse a los artículos de ayuda y cómo se debe mejorar la función de búsqueda del centro de ayuda.
- Mejoras de chatbot: ChatBot es una herramienta común para responder a las preguntas de los clientes sin enrutar a agentes reales. Especialmente en esta era de la IA, hemos visto mejoras significativas en la calidad y disponibilidad de chatbot. Nuestro equipo de datos ha desempeñado un papel fundamental en dos rondas de evaluación de proveedores de chatbot con el equipo de CX: configurar la cartera de datos, pruebas A/B de diferentes opciones de chatbot, evaluar el rendimiento de los chatbot, identificar las categorías de contacto de bajo rendimiento y ayudar a ajustar los bots para lograr una mejor tasa de contención de chatbot.
4. Análisis de comentarios de los clientes
Por último, pero no menos importante, los contactos de soporte generan una gran cantidad de datos de texto: provienen directamente de los clientes y pueden usarse para comprender los puntos de dolor del cliente y las brechas del producto.
- Categorización de casos: Los casos de soporte pueden ser clasificados manualmente por el equipo de CX o con un marco basado en reglas, pero el equipo de datos puede ayudar a automatizar este paso, especialmente con el poder de la IA hoy. Con ingeniería rápida simple, la mayoría de las LLM de hoy pueden clasificar cada caso en función del contexto de su producto con una precisión decente.
- Análisis de texto: Excepto por la categorización, la IA puede tomar las transcripciones del caso completa para resumir e identificar los puntos de dolor del cliente. Mi equipo colaboró con los ingenieros para construir un producto de IA interno llamado “Voz de los clientes” que procesa todos los detalles de casos a través de LLM y superficie las quejas más comunes de los clientes en cada área del producto. Esta es una oportunidad perfecta para traer información de CX a toda la compañía y cerrar el ciclo de retroalimentación con productos y marketing. Hemos visto que se usa activamente en la maqueta de productos.
Trabajar con el equipo de CX ha sido una parte inesperada pero gratificante de mi viaje de ciencia de datos. Desde el seguimiento del rendimiento del equipo, la planificación de la capacidad de apoyo, hasta la optimización de los procesos internos y la mejora de las experiencias de los clientes, la ciencia de datos realmente puede transformar la forma en que opera el equipo de atención al cliente.