Data Driven Customer Experience Management van a tot z

by Theo

Data Driven Customer Experience Management van a tot z

by Theo

by Theo

In dit laatste blog willen we aan de hand van een case alle stappen van de vorige blogs nogmaals doorlopen en laten zien hoe je de customer journey in z’n geheel toepast. 

 

De case 

De case die we in deze blog behandelen betreft een verzekeraar die de klantenservice zoveel mogelijk wil vrijmaken om complexe klantvragen te beantwoorden, de zogenaamde ‘waardecalls’. Gemakkelijkere vragen zouden klanten – veelal zelf – via andere kanalen beantwoord kunnen krijgen. Indien de klant hier toch over belt worden deze calls als ‘hygiënecalls’ bestempeld. Primair doel van de customer journey mining excercitie was het prominent identificeren van waardecalls’ en ‘hygiënecalls’. Dit om de ‘hygiënecalls prominenter in beeld te brengen in de andere klantcontactkanalen. 

 

Measures en KPI’s

Customer journey (management)  start altijd met het opstellen van KPI’s die bijdragen aan de visie en strategie van het bedrijf. In deze case was het vaststellen van ‘waardecalls’ en ‘hygiënecalls’ het doelEen hele belangrijke KPI is dan de FCR (First contact resolution) en FTR (First Time Right). De definities zijn niet overal hetzelfde, maar deze KPI meet of een klantvraag in één keer is afgerond. De FTR geldt binnen het kanaal (hier dus klantenservice) en de andere KPI over de kanalen heen. Probeerde de klant het bijvoorbeeld eerst online en is daarna gaan bellen? Uiteindelijk is ook KTV (klanttevredenheid) over het contact een belangrijke KPI om het perspectief van de klant te kunnen meten. Tenslotte is het natuurlijk ook belangrijk te kijken waarover gebeld wordt. Deze informatie is toch voorhanden om de FCR/FTR te berekenen en je kunt ook threshholds (absoluut of aandeel) hierop instellen. Bijvoorbeeld er mag maximaal maar 500 keer per maand gebeld worden over de MijnOmgeving. Of maximaal 10% van al het binnenkomend telefoonverkeer mag over de MijnOmgeving gaan. 

 

Customer experience als de basis van de organisatie 

In deze case is de start gemaakt vanuit een projectteam: kleinschalig opgezet en met een multidisciplinair karakter. Het project werd getrokken vanuit business change en de klanttevredenheidmanagerData(inzichten) zijn vanaf het begin af aan leidend geweest, wat betekent dat er groot deel van het team, vanuit verschillende invalshoeken affiniteit met data heeft. Zeker in het begin is een duidelijk proces gekozen om mee te starten om het aantal betrokkenen en de scope niet te groot te maken. Dit in relatie tot duidelijke KPI’s maakte de aanpak voor alle betrokkenen heel helder. Na deze ‘pilot’ is later gekeken hoe dit in de business kon landen en heeft het projectteam vervolgens een nieuw proces opgepakt.  

 

Databronnen en kanalen als input van journey mining

Na de start van het project is het zaak om inzichtelijk te krijgen welke informatie rondom de vragen aan de klantenservice precies wordt vastgelegd. Veelal is er sprake van een CRM-systeem waar de medewerkers de telefoontjes loggen. In sommige gevallen is hier ook een koppeling naar een kennismanagementsysteem waarin de diverse onderwerpen die ter sprake kunnen komen gestructureerd in zijn vastgelegd. Ook als die koppeling er niet is, dan is het kennismanagementsysteem ook een belangrijke bron. Ten slotte kent ook elke klantenservice een telefoniesysteem. Dit kan helpen om inzicht te hebben over afhandeltijden van onderwerpen, zeker als hier een koppeling mogelijk is aan de hiervoor genoemde systemen. Ook kunnen vanuit deze systemen veelal de gesprekken zelf worden herleid en indien deze zijn omgezet in een transcript, kunnen ze een aanvulling zijn of vervanging van op de logging in het CRM-systeem.  

 

Customer journey mining

Wat veel inzicht biedt in de type vragen die een klant kan stellen, is begrip krijgen voor de context waar de klant in zat ten tijde van het stellen van de vraag. Waar was de klant mee bezig? Wat was de intentie van de klant? En wilde hij of zij bereiken? Om hier bij te helpen is het zaak de afgelegde klantreis op basis van data te reconstrueren. Hiervoor kun je de reeds verzamelde data aanvullen met data van andere kanalen (bijvoorbeeld email en chat), maar ook data uit de back-office (zoals transacties en aanvragen).  

Vervolgens wil je alle verzamelde datapunten met elkaar in verband brengen. Dit betekent dat je events moet classificeren en dat je bij elkaar horende events moet groeperen tot activiteiten en episodes om uiteindelijk tot de customer journey te komen. 

 

De rol van tekst mining in customer journey mining

Wat enorm helpt in het classificeren van de events is het zoveel mogelijk verzamelen van meta-data van de events. Dus niet alleen de informatie die hard in de systemen is vastgelegd, maar ook informatie die afleidbaar is. Veel van deze meta-data zit verstopt in de tekstvelden die door medewerkers, maar nog belangrijker, ook door klanten zelf is ingevuld. Interessante aspecten waar je naar kan zoeken zijn bijvoorbeeld life events en emoties. 

De methodiek om vrije teksten om een gestructureerde te analyseren is tekst mining. Hier zit een hele wereld achter, maar veelal ga je gestructureerd op zoek naar woord(combinaties), hiervoor dienen de teksten eerst goed voorbehandeld te worden. Voor een uitgebreide toelichting op dit onderwerp verwijzen we graag door naar blog nummer 4. 

 

Customer journey mining: verschillende methodieken

Om te helpen bij het goed interpreteren van de context van de events kun je gebruik maken van opgestelde klantreizen of procesbeschrijvingen. Dit is de top-down-methodiekDeze kunnen ondersteunen bij het gericht zoeken naar de relevante events en de verhoudingen onderling. Het nadeel is dan alleen dat je dan onbekende routes over het hoofd kunt zien, omdat je logischerwijs niet op zoek gaat naar iets wat je niet weet. 

De andere kant op, dus de data laten spreken door alle events te verzamelen en daarna de relevante events eruit te zoeken kan ook. Maar dit maakt het lastig indien events in meerdere journeys kunnen passen of dat events niet heel concreet zijn vastgelegd (denk aan logging in het CRM-systeem). De keerzijde is wel dat je makkelijk afwijkende routes kunt ontdekken. Wat in deze bottom-up-benadering enorm helpt zijn validatie met (proces)experts. Zij kunnen helpen om data goed te interpreteren en op waarde te schatten. 

 

Visualiseren

Ondertussen is er een flinke hoeveelheid data verzameld. Om deze weer om in behapbare en actiegerichte brokken terug te geven aan analisten en eindgebruikers is het zaak deze data op een intuïtieve en aantrekkelijke manier te visualiseren. In de case van de verzekeraar kun je dan kiezen voor een treemap waarin de verschillende onderwerpen als blokken zichtbaar waarbij de frequentie de grootte bepaald en de kleur de verhouding tussen waarde- en hygiënecalls. 

Een andere visualisatievorm is een heatmap waarin de onderwerpen zijn uitgezet tegenover de customer journey. Dus de onderliggende episodes en de daar weer onderliggende activiteiten. 

De uiteindelijke keuze van de visualisatie vormt gevormd door de wijze dat de informatie door de eindgebruikers gebruikt gaat worden, waarin op zoek moet worden gegaan naar optimum in informatiedichtheid. 

 

Deel 2 van customer experience als de basis van de organisatie

Na een succesvol project kom je weer terug bij het onderwerp ‘implementatie van customer experience’. Het is tijd om het project te kantelen en onder te brengen bij de business. Dit zorgt er voor dat het Customer Experience een continu proces wordt en omarmd wordt door de collega’s die dag in, dag uit met de klantreizen werken! 

Geef een reactie

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

Top