Bank

by Maartje Luinenburg

Bank

by Maartje Luinenburg

by Maartje Luinenburg

Wat hebben we bekeken?

Klantfeedback dataset met alle open toelichtingen op de NPS-, CES-, Medewerker- en Tips/Suggesties vraag vanuit 6 vragenlijsten uit verschillende branches: pensioen, verzekeringen en banking.

Hoe hebben we dit gedaan?

Branchespecifieke tekstmining analyse toegepast op een historische dataset. Hierbij hebben we, aan de hand van de tekstmining uitkomsten, gekeken naar kwaliteit van de data en vervangbaarheid van gesloten aspectvragen door de topics uit tekstmining.

Wat waren de uitkomsten?

  • Uit de analyse kwam naar voren dat de datakwaliteit uit de CES-, Medewerker- en Tips/Suggesties vraag niet optimaal is voor tekstmining. Zo zat er in de open toelichtingen veel respons zoals “geen mening” of “geen toelichting”. Underlined heeft een nieuw voorstel gedaan voor het stellen van de open vraag voor deze 3 KPI’s, om zo de responskwaliteit te optimaliseren.
  • De analyse maakte duidelijk dat alle gesloten aspectvragen die de verzekeraar stelde, vervangen kunnen worden door een open vraag met de onderwerpen uit tekstmining. Voordeel hiervan is dat de feedback spontaan i.p.v. geholpen en de vragenlijst verkort kan worden door het weghalen van de gesloten aspectvragen (zoals vriendelijkheid, deskundigheid etc.).

Wat gaat het bedrijf met de inzichten doen?

De inzichten worden ingezet voor doorlopende sturing op afdelingsniveau, teamniveau en medewerker niveau. Medewerkers krijgen bijvoorbeeld inzicht in hun belangrijkste kwaliteiten en verbeterpunten vanuit klantfeedback.

Wat zijn de vervolgstappen?

  • Updaten huidige klanttevredenheid onderzoeken.
  • De open toelichtingen doorlopend verrijken met tekst mining analyse met de API service van Underlined en dit verwerken in rapportages.

Meer klantervaringen

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Top