Lunes, 18 diciembre 2017

Customer Journeys Líquidos

¿Cómo mejorar la experiencia del cliente a través de los Customer Journeys? ¿Cómo utilizar para ello las técnicas que están surgiendo en torno a Machine Learning, Big Data y Digitalización? ¿Qué es el “Fluid Customer Journey” y cuáles son las disciplinas que usará con el objeto de mejorar la satisfacción del cliente?

Comencemos con una breve descripción de qué es Customer Experience. Customer Experience es el resultado de la acumulación de impactos de múltiples touchpoints a lo largo del tiempo. Y es esta acumulación, precisamente, la que provoca en el cliente un sentimiento de vinculación o no con la marca[1].

Para trabajar y definir el Customer Experience del cliente es común definir los touchpoints a nivel de producto o servicio e intentar que todos los clientes los atraviesen bajo procesos comunes. Así, por ejemplo, un cliente que se da de alta en una entidad bancaria puede tener dentro de su Customer Journey una serie de eventos que tengan como objetivo el primer ingreso de efectivo en cuenta. La unión de todos estos Customer Journeys se plasman en un proceso llamado Customer Journey Map.

Los nuevos procesos digitales hacen que la relación del cliente con la entidad sea cada vez más a través del móvil, internet o redes sociales. Este nuevo paradigma está impulsando la expansión del Big Data y analytics.

Se abre una ventana de oportunidad que cambia la forma de ofrecer al cliente el producto o servicio. Es un cambio en la comunicación. Pasando de un enfoque reactivo y basado en el conocimiento pasado del cliente a una comunicación proactiva basada en el conocimiento en tiempo real.

Para entender mejor las implicaciones, veamos un ejemplo. Una entidad bancaria quiere ofrecer créditos preconcedidos. Simplificando el proceso, sería algo así; los departamentos de marketing, publicidad y producto definirían la campaña con todo detalle, business case, contenido, mensajes, etc. Analytics realizaría unos modelos de propensión elaborados mediante alguna técnica de machine learning que filtraría y seleccionaría a los mejores clientes para tal ofrecimiento. Riesgos elaboraría sus filtros para reducir los impagos. El área de campañas los cargaría en su gestor de campañas y lanzaría las comunicaciones. Para, por último, la red comercial, el call center y demás canales hacer su labor de ofrecimiento.

La realidad final es que ese cliente propenso recibiría un email que en un 50 -70 % de los casos ni abriría, o una llamada en un momento de no necesidad o incluso a una hora del día poco oportuna.

Sin embargo, más adelante, este mismo cliente, a finales de mes tuvo un gasto extra y tras realizar una disposición de efectivo en el cajero se quedó, 6 días antes del cobro de nómina, con menos de 100€ en la cuenta; pero nadie le ofreció en ese preciso momento nada.

Por suerte, el Big Data y la Digitalización están permitiendo optimizar este “justo momento”. Así, hoy es posible, gracias al Big Data, detectar en tiempo real esa retirada de efectivo y cruzarla con algoritmos de propensión y filtros de riesgo para tomar la decisión en real time y lanzar mediante una comunicación push al móvil el crédito preconcedido. Y gracias a la Digitalización poder contratarlo con un click en el móvil en ese justo momento.

Bien, el Customer Journey Map actual es a Customer Experience lo que la venta cruzada clásica al ejemplo anterior. En cambio, los Fluid Customer Journey son la adaptación de los mismos al paradigma digital del “justo momento”.

Es decir, no estamos obligados a dar una experiencia de uso al cliente en modo batch; mediante Customer Journeys sólidos y rígidos. No hay necesidad, podemos adaptarlos y hacerlos dinámicos.

¿Cómo? Con Big Data y Digitalización.

Veamos un último ejemplo llevado al terreno del Customer Experience; hoy en día una de las mayores quejas de los clientes son las comisiones por disposiciones en cajeros que cobra la red competidora.

Muchas veces desconocen qué cajeros son gratuitos o dónde están. Siguiendo el símil del ejemplo anterior; un enfoque rígido y poco personalizado para solucionar el problema sería diseñar un Customer Journey que decida informar a los clientes a la semana de haber sacado a comisión mediante un email qué cajeros tiene gratis. O más rígido aún, un envío programado al tercer mes del alta informando sobre los cajeros gratuitos cerca del domicilio.

En cambio, un enfoque dinámico y líquido sería hacerlo justo en el momento que el cliente necesita sacar dinero. Es posible enviar, cuando el cliente vaya a hacer una operación en cajero de pago o haya cancelado una operación con comisión, un push con un link a un mapa diciéndole dónde puede sacar gratis.

Otro ejemplo, enviarle al cliente un mapa cuando aterrice en otra ciudad del extranjero informando sobre cómo sacar dinero gratis de cajeros en el país donde se encuentra. Es decir, se trata de facilitarle la vida al cliente en el aquí y ahora.

Este enfoque hace que no sea posible dibujar los Customer Journeys en un mapa; estos son líquidos y se activarán o no en función de las acciones proactivas o reactivas que haga el cliente con unos touchpoints más líquidos y ágiles.

¿Cómo se puede lograr? Se trata de sensorizar todos los touchpoints para poder medir en tiempo real o su uso, pero también disponer de una satisfacción asociada a los mismos. Es necesario diseñar una arquitectura de Big Data lo suficientemente flexible para permitirnos medir uso y experiencia en ellos.

En Evo Banco se han sensorizado ya más de 26 touchpoints que mapean cuando un cliente interacciona de manera proactiva o reactiva con un producto o servicio de la entidad; desde la disposición de un cajero de red propia o ajena, la visita a una sucursal, la realización una transferencia nacional, una llamada al call center, la apertura de la aplicación de EVO en el móvil, la transacción en una gasolinera, la recepción de un recibo en cuenta, etc.

Posterior a esta sensorización se recoge la satisfacción del cliente y su intención de recomendación (NPS) asociada a cada uno de estos touchpoints. Para ello Evo ha diseñado el envío de push notifications  que controla un algoritmo de control de saturación propio y que continuamente encuesta a los clientes sin saturarlos. Cuando el sistema detecta un voto negativo hace una encuesta al cliente mediante landing page y permite a EVO identificar el problema asociado a ese evento.

De nuevo la arquitectura de Big Data recogerá estos eventos; permitiendo tener en todo momento asociado a cada touchpoint una recomendación asociada por cliente.

El siguiente paso es el analytics para entender las causas de insatisfacción por tipología de cliente. Y es aquí donde mediante técnicas de Machine Learning y Text Mining se diseñarán las soluciones de mejora por touchpoint, canal, cliente recogida de los inputs asociados. Definiendo así decenas de reglas que mediante activaciones o no del cliente definen los miles de Customer Journeys posibles que se irán dando.

Es una buena práctica que estas reglas estén orientadas a fidelizar, satisfacer y emocionar a nuestro cliente.

[2]

Según la consultora Emoinsight, EVO Banco (en negro) es la entidad que más sorprende a sus clientes y la segunda que logra más agradecimiento. Encontrándose en el top tres de las entidades mejor valoradas en emoción al cliente de España en 2017.

 

Programa Desarrollo Profesional Big Data for Business

 

Jorge Caballero Rodríguez es Director de Data Science y Experiencia de Cliente dentro del departamento de EVO Banco, cuenta con más de 16 años de experiencia en áreas de Big Data y Analytics, es licenciado en Matemáticas y autor del libro “La digitalización de la Pyme Española”. Suele compaginar su trabajo con clases en escuelas de negocio en donde imparte clases de Big Data.

Jorge es Director y Profesor del Programa de Desarrollo Profesional en Big Data for Business (Universidad Internacional de la Rioja)

 

 


 

 

[1] Harvard Business Review: https://hbr.org/2013/09/the-truth-about-customer-experience

[2] BMI: App de banca móvil de EVO