Как использовать данные о предпочтениях клиентов в работе call-центра — часть 1

В течение многих лет предпочтения клиентов колл-центров рассматривались как статические показатели: их фиксировали с помощью опросов или сохраняли в полях CRM-систем. И хотя многие команды до сих пор работают по такому принципу, последние технологические достижения существенно расширили возможности в этом направлении.

В этой серии статей мы разберем методы, с помощью которых можно эффективно использовать данные о предпочтениях аудитории.

Практические подходы

Измерять уровень усилий клиентов в ключевых точках взаимодействия

В первую очередь необходимо выяснить, есть ли у потребителей предпочтения относительно каналов коммуникации или по уровню усилий. Например, человек может предпочитать e-mail. Но если он переключается на телефон, когда сталкивается со сложной проблемой, это говорит о чем-то большем, чем простое предпочтение канала.

Анализируя диалоги с потребителями, можно измерять уровень затрачиваемых усилий на разных этапах взаимодействия:

• Повторные обращения;
• Эскалации;
• Переключение каналов связи;
• Время решения запросов, т. п.

С помощью этих данных можно отследить каналы, в которые переходят люди, когда им нужно как можно быстрее решить проблему.

Понимание того, как меняется порог усилий, позволяет перепроектировать клиентский путь согласно предпочтениям аудитории. Например, если абоненты переходят на звонок, когда чат занимает более трех сообщений, имеет смысл сразу направлять сложные запросы на голосовой канал.

Прогнозировать оптимальное время для контакта

Современные ИИ-инструменты позволяют выйти за пределы заявленных предпочтений (например, «я предпочитаю e-mail») и перейти к предпочтениям, выявленным из контекста взаимодействия.

Мгновенно анализируя историю обращений и данные CRM, система может предоставить оператору целостный контекст. Он показывает не только то, что клиент купил, но и нерешенные проблемы, скрытые потребности.

Такой метод помогает перейти к проактивному сервису. Например, вместо того чтобы планировать загрузку команды на основе усредненных исторических показателей, можно использовать персонализированные прогнозы. При таком подходе ИИ предсказывает:

• Вероятные пики нагрузки по каналам связи;
• Оптимальные временные окна для контактов.

Также к этому направлению относится интеллектуальная маршрутизация звонков. ИИ может подбирать для клиента оператора:

• У которого есть схожие интересы;
• Обладающего нужной компетенцией в конкретной области;
• С кем абонент предпочитает общаться, исходя из собственной личности, интересов или текущего настроения.

Определять, где нужно персонализировать взаимодействие, а где — исправить системную ошибку

Когда искусственный интеллект одновременно анализирует данные по точкам контакта, он выявляет закономерности, которые показывают:

• Где необходимо персонализировать общение;
• Где — устранить первопричину проблемы.

Рассмотрим ситуацию. Операторы часто обрабатывают повторяющиеся запросы по одной тематике. При этом записи экранов показывают, что сотрудники, принимая обращения данного типа, каждый раз открывают одну и ту же статью из базы знаний. Данные опросов клиентов (VoC) подтверждают высокий уровень раздражения у абонентов еще до начала общения со специалистами. Источником проблемы в этой ситуации является неоднозначная формулировка на веб-сайте компании, из-за которой у потребителей возникает недопонимание. После обновления информации на сайте количество обращений по этой тематике снижается за короткий период.

Устранять препятствия на пути клиента до того, как они приведут к звонку, — это и есть персонализация в масштабе.

Данные, используемые на индивидуальном уровне, дают оператору представление об истории взаимодействия потребителя с брендом еще до начала диалога. Информация о контакте по разным каналам коммуникации позволяет определить условия, которые сформировали конкретный клиентский опыт (СХ). Эти условия становятся исходным материалом персонализации, которая сохраняется в базе.

Адаптировать взаимодействие с учетом таких факторов, как родной язык

Современные контакт-центры точнее, чем когда-либо, анализируют и используют детализированные предпочтения аудитории. Они адаптируют взаимодействие с потребителями, учитывая такие факторы, как:

• Родной язык;
• Предпочитаемый канал связи;
• Оптимальное время суток.

Кроме того, учитываются поведенческие особенности:

• Человек предпочитает самообслуживание или диалог с сотрудником;
• Ему удобнее письменное или устное общение;
• В каких ситуациях он выбирает тот или иной формат взаимодействия.

Например, часть молодых пользователей по умолчанию выбирает письменное цифровое взаимодействие, а в качестве второго варианта — голосовую коммуникацию с ботом, а не общение с живым оператором.

Для точного учета и управления такими персонализированными взаимодействиями полезно использовать платформу данных о клиентах (CDP — Customer Data Platform). В отличие от традиционной CRM, CDP представляет собой систему, которая объединяет множество источников информации в единую среду, работающую в режиме реального времени.

CDP обрабатывает большие объемы неструктурированных данных — например, результаты ИИ-транскрибации или автоматического суммирования. На основе массива «сырой» информации платформа извлекает аналитические выводы.

Важно отметить, что далеко не все данные должны попадать в основные системы учета, например, CRM. CDP может объединять и интерпретировать сведения в контексте CX, а затем динамически обновлять нужные системы учета или рабочие процессы. Тогда каждое взаимодействие персонала с аудиторией будет отражать меняющиеся предпочтения потребителей.

Быстро выводить ключевые сигналы, чтобы они были полезны во время разговора

Большая часть данных о предпочтениях в итоге применяется для формирования логики маршрутизации: канал, очередь, уровень поддержки. Это неплохое начало — но при таком подходе значительная часть информации остается неиспользованной.

Куда полезнее применять аналитические данные о предпочтениях аудитории, чтобы изменять сам процесс взаимодействия:

• Стиль общения;
• Степень детализации подсказок для сотрудников;
• Приоритеты клиентов — эффективность решения запросов или эмоциональное успокоение.

ИИ позволяет быстро определять эти сигналы, чтобы они были полезны до разговора или во время общения, а не только в отчете по итогам звонка. Проще говоря: маршрутизация направляет абонента в нужное место, а аналитические данные определяют формат диалога.

Решать проблемы еще до обращения в компанию

Современные платформы CCaaS (Contact Center as a Service, контакт центр как услуга) перешли от роли интерактивных хабов к механизмам оркестрации в режиме реального времени.

Сопоставляя исторические данные с текущими намерениями потребителей, компания может предоставлять актуальные рекомендации. Кроме того, можно проактивно устранять проблему еще до того, как абонент обратится в службу поддержки. Это укрепляет доверие, формирует долгосрочную лояльность аудитории.

В следующей части мы разберем еще ряд способов, как использовать данные о предпочтениях потребителей, чтобы сформировать исключительный клиентский опыт.

Подготовлено на основании статьи: Call Center Helper. «12 Amazing Things You Can Now Do With Customer Preferences» (12 удивительных вещей, которые теперь можно делать с предпочтениями клиентов).