Los datos son el mejor insumo para los gerentes de experiencia, y herramientas como el machine learning (ML) vienen a contribuir en la recopilación de éstos en virtud de mejorar la experiencia del cliente.
En 2019, el 58% de las grandes empresas en el mundo ocuparon Inteligencia Artificial en al menos una unidad de negocio, según datos del IA index 2019 de la Universidad de Stanford. La búsqueda de empleos, consultores y soluciones en Inteligencia Artificial (IA) crece aceleradamente.
Desde hace varios años, gigantes como Google, Netflix y Starbucks, ocupan tecnologías de Inteligencia Artificial para enriquecer la experiencia y fidelizar a sus clientes. Algunas veces, tan sutilmente, que apenas podemos notarlo.
Los datos son el mejor insumo para los gerentes de experiencia, pero sin las herramientas adecuadas para obtenerlos y gestionarlos, no lograrán sus objetivos. Dentro de la IA existe una disciplina llamada Machine Learning (ML) o aprendizaje automático, que se basa en entrenar sistemas que se alimentan de datos para realizar búsqueda de patrones, predicciones y recomendaciones.
Los gerentes que sean capaces de hacer un match entre sus datos y el ML, tendrán las herramientas necesarias para convertirse en los líderes de experiencia de clientes (CX).
Este es el caso de nuestro banco ficticio SuperBank y su nueva gerente de experiencia, Amanda Smart que tiene mucha lucidez en las ventajas competitivas que el ML pueden brindarle. Lo primero que hizo fue contratar el servicio de un bot encuestas post atención que reemplazaría a las tradicionales por call center.
Los bot de encuestas están actualmente en su apogeo, ocupan servidores de última generación y Voice Analysis, para realizar una gran cantidad de llamados simultáneos, identificar palabras y notas de evaluación, repetir preguntas, reagendar llamados y transcribir las sugerencias de los clientes literalmente. Adicionalmente, suelen ejecutarse con una fracción del presupuesto de los tradicionales call centers. Sin embargo, el uso de bots de encuestas conlleva desafíos que se deben tener en cuenta; la encuesta debería ser menor a 2 minutos, lo que implica repensar el instrumento de medición; los clientes suelen ser más duros evaluando el servicio, lo que produce un quiebre en las métricas con respecto a la historia; se debe mantener una revisión manual muestral para asegurar la calidad, entre otros.
Nuestra gerente sabe que las palabras literales de los clientes esconden muchas claves para mejorar el negocio, y, como el bot almacena las respuestas literales, entonces, cuenta con datos más ricos, además, los tiene disponibles en la mitad del tiempo y con una fracción del costo.
En unas semanas, SuperBank contaba con una gran cantidad de datos enriquecidos con las sugerencias de las encuestas post-atención y reclamos del canal de atención al cliente. Fue cuando Amanda solicitó el apoyo a un proveedor para el análisis de decenas de miles de frases en busca de información accionable para el negocio.
Text Analysis es una rama del ML capaz de identificar las agrupaciones de los motivos de contacto y sugerencias de los clientes con una rapidez varias veces superior a las capacidades tradicionales. Además, estos algoritmos pueden ser entrenados para identificar las emociones de las frases que interpretan. Requiere que los desarrolladores cuenten con experiencia técnica y conocimiento del negocio para generar las mejores agrupaciones posibles.
En menos de 1 semana la gerente tenía 60.000 frases de clientes clasificadas. Con esto logró respaldar su intuición de los viajes donde tendría que poner su foco para mejorar. No solo eso, ahora tenía un sistema en tiempo real que le informaba al jefe de sucursal sobre clientes insatisfechos para ejecutar las acciones de contención inmediatas. Los clientes ahora se sentían valorados y que formaban parte de la mejora del banco.
Nuestra gerente estaba haciendo importantes progresos a un bajo costo. Esto le permitió invertir en herramientas de BigData para complementar las evaluaciones de las sucursales. En 2 meses, pudo justificar al directorio con datos irrefutables que las peores evaluaciones eran los días viernes, en los viajes más antiguos del banco en los horarios donde trabajaban ejecutivos que tenían mayor resistencia al cambio. Consiguió presupuesto adicional para transformar esos viajes.
BigData es un concepto más general que el ML y se ocupa para describir tecnologías capaces de manipulación y extracción de información “oculta” en grandes cantidades de datos. Por ejemplo, Starbucks en el mundo ha llegado a abrir 3 sucursales en una misma calle, lo que podría ser una decisión cuestionable, pero, ellos deciden en base al análisis cruzado de tráfico, demografía, comportamiento de los consumidores, sugerencias y reclamos de clientes, etc. Eso es un claro ejemplo del uso de estas tecnologías.
A medida que la srta. Smart ganaba la confianza de los directores, empezó a realizar cambios más disruptivos. Compró el producto de VIP Attention en las sucursales Premium. Un set de cámaras estratégicamente ubicadas eran capaces de reconocer clientes VIP antes de que entraran a la sucursal y avisar en tiempo real al ejecutivo correspondiente. El cliente era abordado de forma especial apenas cruzaba la puerta del banco.
Los algoritmos de Face Recognition convierten el rostro humano en una secuencia digital de datos que puede ser comparada con mucha rapidez en futuras imágenes. En palabras simples, memorizan rostros para identificarlos posteriormente en una foto o video y gatillan acciones en tiempo real. Actualmente, los desafíos más grandes en esta rama son en cuanto a la seguridad y reducción de falsos positivos, por ejemplo, prevención del spoofing o suplantación de identidad al mostrar fotos 2D o máscaras 3D frente a la cámara.
Nuestra gerente fue más allá, con pequeñas cámaras en las mesas de atención de los ejecutivos de negocio, era capaz de seguir las emociones del cliente. Amanda sabía que en el futuro las mediciones de CX deben ser menos estructuradas, más naturales y en tiempo real. Cuando se hace una encuesta estructurada posterior a una atención se está intencionando un ejercicio consciente en el cliente para recordar y evaluar el servicio, lo que inherentemente conlleva mayores sesgos que capturar en forma natural sus emociones durante la atención.
Se conoce como Emotion Recognition al proceso de ML de extraer emociones humanas de los datos. En este caso, se puede saber si un rostro está feliz, neutro, o molesto. Funcionan con gran velocidad y pueden seguir sin problemas la evolución de las emociones de una persona.
Amanda Smart había creado la infraestructura suficiente para dar el siguiente paso, el análisis prescriptivo en tiempo real, es decir, la capacidad de generar algoritmos recomendadores. Los ejecutivos de atención al cliente ahora son alertados en tiempo real cuando el sistema detecta señales de molestia por frases o expresiones faciales en el cliente y además le recomienda la acción a seguir para corregir el comportamiento.
La Prescripción es uno de los últimos eslabones en la cadena de ML. Estos algoritmos requieren entrenamiento experto y datos de alta calidad para generar sus recomendaciones. Cuando están correctamente desarrollados pueden ser de mucha ayuda en la toma de decisiones y cuentan con soporte teórico al estar construidos en base a datos veraces de la misma empresa o del resto de la industria. Netflix ocupa estos algoritmos activamente para entregar las sugerencias de contenido en base a la tendencia del usuario y de los usuarios similares. Más del 70% del contenido que se consume en Netflix fue recomendado por la misma plataforma.
El Machine Learning en CX no es nuevo, es parte del pasado reciente, se ocupa activamente en la actualidad y será imprescindible en el futuro. Las técnicas mencionadas en este artículo son solo un subconjunto reducido de las posibilidades del ML. Todas ellas están disponibles técnicamente, son viables financieramente en Latinoamérica y de hecho, algunas ya están en funcionamiento desde hace años. Sin embargo, es importante contar con talento humano competente o partners con experiencia para llevarlas a cabo.
Por Carlos Ochoa, gerente de Desarrollo digital de Praxis, Edición Especial PXI – Praxis Index Xperience 2020, La Tercera
