Dì addio ai bassi tassi di risposta e dai il benvenuto al ROIArticolo

La gestione della Customer Experience sta diventando sempre più importante per le aziende, visto che i clienti hanno maggiori opzioni e aspettative. Due problemi principali che deve affrontare la gestione della Customer Experience sono i bassi tassi di risposta nelle survey ai clienti e la difficoltà per calcolare il ritorno sull’investimento dei progetti di Customer Experience.

I bassi tassi di riposta alle survey dei clienti può essere un problema importante per le aziende che cercano di raccogliere dati sulla Customer Experience. Le survey sono la modalità più comune delle aziende di ottenere informazioni sulla Customer Experience. Tuttavia, i tassi di risposta possono essere bassi e ciò rende difficile ottenere un campione rappresentativo. Di conseguenza, si possono ricavare dati inesatti o incompleti, rendendo difficile indentificare le aree problematiche e monitorare il successo delle iniziative di Customer Experience.

Un’altra sfida abituale è quella di calcolare il ritorno sull’investimento (ROI) dei progetti di Customer Expereince. L’esperienza del cliente può essere una misura soggettiva e può essere difficile raccogliere dati precisi e affidabili. In più, i benefici di migliorare la Customer Experience possono richiedere del tempo per essere evidenti, il che rende difficile il calcolo del ROI delle iniziative di CX. Tutto ciò non aiuta le aziende a giustificare i loro investimenti in progetti di CX e a prendere decisioni correttamente su dove usare le risorse.

Nonostante queste sfide, le aziende devono continuare a investire in Customer Experience per continuare ad essere competitive e a mantenere i clienti nel mercato attuale. È fondamentale trovare modi di aumentare il tasso di risposta alle survey e maniere precise per misurare e calcolare il ROI dei progetti di CX.

L’intelligenza artificiale (IA) può essere uno strumento utile per ridurre o risolvere due problemi della gestione della Customer Experience: i bassi tassi di riposta alle survey e la difficoltà di calcolare il ritorno sull’investimento nei progetti di Customer Experience.

L’IA può migliorare il processo di survey nel caso di bassi tassi di risposta e renderlo più coinvolgente per i clienti. Per esempio, la generazione di linguaggio naturale (NLG) può fare in modo che le domande delle survey siano più conversazionali, il che può facilitare la comprensione e la risposta dei clienti. In più, i chatbot con IA possono essere usati per realizzare survey in tempo reale, via SMS o applicazioni di messaggistica, aiutando ad aumentare il tasso di risposta.

Per poter calcolare il ritorno sull’investimento dei progetti di Customer Experience, l’IA può essere utilizzata per raccogliere e analizzare i dati dei clienti in tempo reale. Gli algoritmi di machine learning possono individuare modelli e tendenze nei dati dei clienti, come la cronologia degli acquisti o le interazioni, offrendo insight sul comportamento e sulle preferenze dei clienti. Tutto ciò può aiutare le aziende a comprendere quali iniziative di Customer Experience hanno un maggior impatto e adattare di conseguenza la loro strategia. In più, l’IA può essere usata per prevedere l’abbandono dei clienti, il che consente alle aziende di intervenire prima che succeda.

Quest’ultimo aspetto, in teoria, si può anche usare per misurare i KPI, come l’NPS, ma secondo me non è necessario. Le tecniche statistiche scoperte decenni fa, infatti, consentono di calcolare questi KPI con informazioni precise sui margini di errore e sulle incongruenze del campione, per cui non è necessario utilizzare tecniche di machine learning o di deep learning per questo scopo. È più utile identificare gli obiettivi potenziali per il close the loop o l’automazione di marketing per creare azioni sui non intervistati, creare valore e dimostrare il ROI.

Quello che abbiamo fatto nella piattaforma sandsiv+ è stato proprio questo:

• Creare modelli predittivi di machine learning per identificare i clienti che non rispondono alle survey e cercare di prevedere se sono promotori e detrattori.
• Allo stesso tempo, si connette automaticamente alle piattaforme CRM o di Marketing Automation come Salesforce, MS Dynamics, Adobe, e molte altre in modo tale che le informazioni siano immediatamente fruibili. Il risultato viene salvato per poter calcolare il ritorno sull’investimento nel customer lifetime value (CLTV).

Creare modelli predittivi
Per creare modelli predittivi, abbiamo deciso di integrare nella piattaforma le librerie di Automated Machine Learning (Auto ML) per facilitare la vita dei nostri clienti e creare modelli automaticamente con la massima precisione.

Per questo compito, abbiamo integrato due librerie auto ml, una per il machine learning e una per il deep learning: Auto-Sklearn e AutoKeras. Non entrerò nelle specificità tecniche di queste due biblioteche. Nonostante ciò, sono Auto ML basati uno sulla famosa biblioteca scikit-learn e l’altra su Keras, una versione semplificata e meno verbale di Tensorflow.

Quando abbiamo creato la soluzione in sandsiv+ abbiamo pensato, come sempre, alla gente di business che ha bisogno di imparare le nozioni tecniche per creare soluzioni di intelligenza artificiale. Attraverso un’interfaccia utente grafica intuitiva, l’utente può connettere, trasformare e generare dataset di training e addestrare i modelli di machine learning in modo efficiente. Il tutto in pochi clic.

La metodologia
La chiave per rendere accessibile e immediatamente utilizzabile questo processo per i nostri clienti è non modificare niente della procedura vera e propria. Nell’esempio seguente, 10.000 clienti sono stati invitati a rispondere a una survey. Rispondono solo 3.000: come possiamo sapere se gli altri clienti che non hanno risposto sono detrattori, passivi o promotori?

• La piattaforma sandsiv+ registra i risultati degli intervistati e definisce chi è davvero un detrattore e chi un promotore.
• La piattaforma crea due modelli predittivi: uno per identificare i detrattori e uno i promotori.
• I due modelli vengono creati utilizzando la metodologia Auto ML in maniera completamente automatica e senza l’intervento dell’utente della piattaforma.
• I metadati caricati sulla piattaforma quando vengono lanciate le survey vengono usati per creare i modelli.

La creazione di modelli predittivi e la verifica della loro qualità sono automatiche e non richiedono nessun intervento particolare dell’utente. Esiste una sezione in cui gli utenti più esperti possono controllare diversi parametri di creazione dei modelli.

• In seguito, Auto ML sceglie in maniera automatica il modello con le migliori performance (precisione, recall e F1).

• Il modello viene usato per prevedere la situazione di chi non risponde: è un detrattore? è un promotore?

In questo caso specifico, 10.000 clienti sono stati invitati a partecipare alla survey, di cui 3.000 hanno risposto. Di questi, 1.510 sono stati marcati come DETRATTORI e 964 come PROMOTORI. I due modelli predittivi hanno identificato, dei 7.000 non intervistati, 524 DETRATTORI e 1.660 PROMOTORI.

• I detrattori identificati dal modello sono stati inclusi nel processo di close the loop.
• I promotori identificati dal modello sono stati inclusi nelle campagne di up-selling e di cross-selling.

• I modelli predittivi decidono anche quale canale (agente o marketing automation) e quale campagna è più rilevante per il cliente e genera una maggiore propensione ad accettare l’offerta.
  Una seconda survey misura le attività di close the loop e di campagna per comprendere l’impatto sul cliente.

• La piattafomra calcola il CLTV sul singolo cliente misurato prima e dopo l’attività per comprendere qualsiasi miglioramento e il ritorno sull’investimento.

In questo caso, possiamo vedere che le azioni di close the loop e le azioni di campagna sui promotori generano circa 1,5 milioni extra in CLTV. Il risultato finanziario positivo da passare al livello dirigenziale, domandando sull’impatto delle attività di CX nel P&L (perdite e benefici) della Compagnia. Ciò è possibile perché ogni attività di next-best action viene registrata in sandsiv+ e può essere monitorata in termini finanziari.

Conclusioni

La gestione della Customer Experience (CX) gestisce tutte le interazioni tra un’azienda e i suoi clienti per migliorare la loro soddisfazione e fedeltà. Negli ultimi anni, l’uso dell’intelligenza artificiale (IA) ha iniziato ad assumere un ruolo importate in questo processo, il che ha portato all’evoluzione della gestione della CX alla customer intelligence (IC).

Uno dei vantaggi principali dell’uso dell’IA nella gestione della CX è la capacità di analizzare e di interpretare grandi quantità di dati in tempo reale. Questi dati possono comprendere interazioni nei social network, comportamento nel sito e feedback dei clienti. Attraverso l’analisi di questi dati, le aziende possono comprendere meglio le necessità e preferenze dei loro clienti, il che può essere utilizzato per migliorare la Customer Experience complessiva.

Un altro vantaggio di usare l’IA nella gestione della CX è l’automatizzazione di attività specifiche. I chatbot con IA, per esempio, possono gestire le consultazioni dei clienti, il che consente alle aziende di rispondere i clienti in maniera veloce ed efficace. In più, le raccomandazioni basate sull’IA possono essere utilizzate per suggerire prodotti o servizi che possono interessare un cliente a seconda della cronologia di navigazione o di acquisto.

La CI, inoltre, permette alle aziende di personalizzare le interazioni con i clienti. Le aziende possono creare esperienze personalizzate per ogni cliente utilizzando l’IA per analizzare i dati dei clienti. Ciò può includere messaggi di marketing personalizzati, consigli di prodotti e anche interazioni personalizzate con il servizio clienti.

Come abbiamo visto nel nostro esempio pratico, l’IA consente anche alle aziende di prevedere il comportamento dei clienti. Ciò è possibile analizzando i dati dei clienti e identificando modelli. Le aziende possono anticipare le necessità comprendendo il comportamento del cliente e prendendo provvedimenti proattivi per migliorare la sua esperienza. Può includere offrire sconti o promozioni ai clienti con probabilità di comprare o di offrire ai rappresentanti del servizio clienti informazioni sulla cronologia di un cliente per aiutarli ad assisterli meglio.

In generale, l’integrazione dell’IA nella gestione della CX sta portando all’evoluzione della gestione della CX verso la Customer Intelligence. Attraverso l’analisi di grandi quantità di dati dei clienti in tempo reale, l’automatizzazione di attività specifiche, la personalizzazione di interazioni con i clienti, la previsione del comportamento dei clienti e l’identificazione di eventuali problemi, le aziende possono migliorare l’esperienza generale del cliente e, infinte, migliorare la loro soddisfazione e fedeltà.

In conclusione, l’integrazione dell’IA nella gestione della Customer Experience sta rivoluzionando il modo in cui le aziende interagiscono con i loro clienti. Consente alle aziende di ottenere una comprensione più profonda delle necessità e delle preferenze e, di conseguenza, di migliorare l’esperienza. In più, l’IA permette alle aziende di automatizzare attività specifiche, personalizzare le interazioni con i clienti, prevedere il loro comportamento e identificare eventuali problemi prima che peggiorino.

**************************************

Tieniti aggiornato sulla Customer Intelligence. sandsiv+ può aiutarti ad applicare l’IA alla tua gestione della Customer Experience e stare al passo con la concorrenza. Contattaci per una demo: sales@sandsiv.com