Journeys del cliente, big data y oportunidades astronómicas
La exploración y la gestión del journey del cliente se asemeja bastante a la astronomía. Los clientes son como las estrellas, y sus journeys, como los planetas que gravitan a su alrededor. Miles de millones de planetas existen en tiempo y espacio; y si bien siguen determinadas reglas y patrones, son todos únicos. Al igual que la astronomía, los profesionales de experiencia del cliente pueden aplicar la inteligencia artificial (IA) para ayudar con la ciencia a gestionar el journey del cliente.

El artículo publicado en 2017, “Artificial Intelligence: NASA Data Used to Discover Eighth Planet Circling Distant Star” (Inteligencia artificial: Datos de la NASA ayudan a descubrir un octavo planeta que gira alrededor de una estrella distante), explica cómo la NASA entrenó a sus computadoras con IA para que identificaran exoplanetas en las lecturas de luz registradas por el satélite Kepler: el minúsculo cambio en el brillo capturado cuando un planeta pasa o transita frente a una estrella. El algoritmo de IA se filtró por los volúmenes astronómicos de datos y reveló débiles señales de tránsito de un octavo exoplaneta orbitando al Kepler-90 en la constelación Draco del que no se tenía registro hasta el momento.

“El aprendizaje automático realmente ‘brilla’ en esas situaciones en las son tantos los datos que los humanos no pueden buscarlos por sí solos”. – NASA

La IA es de un valor inmenso a la hora de ayudar a los humanos a resolver problemas complejos. Del mismo modo que la NASA utilizó la IA para reunir volúmenes de datos y reglas sobre exoplanetas, los profesionales de experiencia del cliente pueden usar la tecnología para comprender a los clientes, observándolos y estableciendo reglas generales simples sobre su comportamiento.

“Este hallazgo demuestra que los datos serán un tesoro oculto, solo disponible para investigadores innovadores en los próximos años”. – NASA

El big bang en la gestión del journey del cliente

La gestión del journey del cliente tiene su origen en la industria de las telecomunicaciones: comenzó con los conceptos básicos del sistema ACD. Si bien sirvió para distribuir un gran volumen de llamadas entrantes a un selecto grupo de personas, tuvo vacíos importantes en la experiencia del cliente: el medio era fundamentalmente la voz, todas las llamadas era tratadas por igual (FIFO), no había personalización y la generación de reportes era ineficaz. La única manera de operar un sistema ACD era asignar una cantidad adecuada de empleados de call center para evitar el desbordamiento de capacidad. Y quedaba en manos del agente reconocer, comprender y conocer al cliente, y su journey.

 Tal como sucedía con el modelo geocéntrico de la Antigüedad, un sistema ACD ponía al observador en el centro del universo, los journeys eran equivalentes: era imposible dar cuenta de sus características únicas y exclusivas.

La próxima generación de tecnología de distribución de contactos representó una mejora: introdujo el enrutamiento por colas. Con soluciones de calificación rudimentarias (números 1-800 e IVR), se podía diferenciar la intención del cliente, y por ende, atenderlo de manera diferente. Las operaciones del contact center pueden asignar agentes por canal y cola usando reportes a nivel de servicio. A pesar de que los sistemas basados en colas mejoraron la eficiencia, seguían sin poder ayudar al agente a reconocer, comprender y conocer a sus clientes y journeys.

El modelo heliocéntrico de Copérnico y Galileo pone al sol en el centro del universo y describe los planetas solamente a través de sus órbitas. De forma similar, un sistema basado en colas presupone que todos los journeys del cliente caen en alguna categoría estática predefinida.

La tercera generación de tecnología de enrutamiento de interacciones introdujo el contexto y la distribución por habilidades. Este avance permitió distribuir las interacciones en función de casi cualquier dato disponible en los sistemas y en todos los canales. Las reglas de enrutamiento pueden utilizar datos de CRM, del journey omnicanal, de agentes, etc., para decidir cómo relacionar la interacción de un cliente con un agente calificado. Esta abundancia de datos y flexibilidad abre a las organizaciones la oportunidad de personalizar cada experiencia de cliente como lo deseen. Los profesionales de experiencia del cliente pueden adaptar las reglas de negocio y las habilidades de los agentes, y luego optimizarlas con herramientas de análisis.

Al igual que la astronomía moderna del siglo xx, la abundancia de instrumentos cada vez más potentes, una gran comunidad de científicos y diversos experimentos permitieron a la ciencia dar grandes pasos en la comprensión del sistema solar, los planetas, varias estrellas, galaxias y el universo entero. Los científicos de hoy trabajan para desarrollar nuevos modelos que incorporen los datos observacionales que ellos mismos reúnen.

Muchos se preguntan si se ha llegado al final del camino, si el enrutamiento de interacciones ha alcanzado su máximo nivel de madurez y si los profesionales de experiencia del cliente operan ahora sus sistemas de la mejor manera posible.

Claramente, la respuesta es no; y la razón de ello es el problema que estamos tratando de resolver: cada journey de cliente es caótico e imprevisible por naturaleza, y cada intento de personalizarlo con reglas definidas por humanos alcanza rápidamente los límites prácticos. Según Gartner, “lo que importa es recordar que los journeys de los clientes no se crean; se descubren. Cuando intentamos crearlos, caemos en una de estas dos trampas: o nos imaginamos cuáles son las necesidades del cliente o nos deshacemos del manual de experiencia del cliente por completo y nos centramos en las necesidades que conocemos bien: las nuestras”.

Este desafío es consecuencia del crecimiento exponencial de los puntos de contacto digital, a través de la web, los dispositivos móviles, el contact center, el back office y las sucursales. La consultora McKinsey descubrió que el 56% de todas las interacciones del cliente suceden durante un journey multicanal y multievento, mientras que el 38% ocurre en más de un canal de interacción. Al combinarse con una variedad de perfiles de cliente, intenciones y perfiles de agente, los factores que afectan los resultados de negocio deseados se vuelven infinitos.

Los astrónomos ponen a prueba sus modelos constantemente a la luz de nuevos datos; suelen verse obligados a revisar la manera en que comprenden las estrellas y los planetas cercanos o remotos, ya que esos modelos no pueden describir adecuadamente las observaciones. Este proceso de aprendizaje continuo es propio de cada práctica, incluso de la experiencia del cliente.

Repensemos el universo de la experiencia del cliente

Los profesionales de experiencia del cliente se dan cuenta de que la complejidad de los journeys no puede manejarse con total eficiencia y eficacia con sistemas basados en reglas. Y, al igual que los astrónomos, necesitan repensar constantemente la manera de comprender el universo de la experiencia del cliente.

Los sistemas de enrutamiento por habilidades tienen las siguientes limitaciones fundamentales:

  • Los algoritmos de distribución están diseñados para optimizar los niveles de servicio –velocidad promedio de respuesta y nivel de ocupación de agentes–, no los resultados de negocio, como son la resolución en el primer contacto (FCR), el Net Promoter Score (NPS) o el índice de retención.
  • La configuración de reglas se basa en presunciones, tales como la relación entre los resultados de negocio y los niveles de servicio o la compensación entre prioridad, habilidades y tolerancia en el tiempo de espera.
  • Las reglas representan una cantidad limitada de atributos de clientes o agentes, y pueden omitir algunos que tienen fuerte influencia en los resultados de negocio.
  • Los niveles de habilidades y las habilidades de los agentes están vagamente relacionados con los resultados de negocio.
  • Las reglas no son suficientemente robustas para adaptarse a las cambiantes condiciones.
  • Las reglas y las presunciones subyacentes son difíciles de validar con datos de análisis, tales como escenarios hipotéticos.

Según Forrester, hay un 73% de datos que las empresas no utilizan, y son una mina de oro que espera ser aprovechada.

Los astrónomos se enfrentan a la abundancia de datos y al desafío de concebir nuevos modelos y validarlos. Todavía hay muchos datos científicos sin explotar debido a la falta de capacidad intelectual humana; y con ello, se pierden oportunidades de importantes descubrimientos.

El próximo paso en la gestión del journey del cliente

El enrutamiento predictivo es la nueva generación de tecnología de gestión del journey del cliente. Impulsado por las capacidades de IA, el enrutamiento predictivo utiliza datos históricos de desempeño y los relaciona con los atributos del cliente y del empleado. Así, predice qué recurso del contact center tiene las mayores probabilidades de alcanzar los objetivos de negocio deseados. El motor de enrutamiento permite a las organizaciones alcanzar los resultados de ventas, marketing y servicio que esperan: mayor satisfacción del cliente, mayor eficiencia de los empleados, costos más bajos, mejor cobranza e ingresos, tiempo de atención reducido y mejor FCR. Genesys tiene en su haber numerosas implementaciones exitosas con mejoras comprobadas; por ejemplo:

  • Más de 4 puntos de mejora en el NPS de una empresa de telecomunicaciones de la región de Asia-Pacífico
  • Más del 3% en el FCR de un proveedor europeo
  • Más del 3% de aumento en retención y el 7% de reducción del tiempo promedio de atención (AHT) de una empresa de telecomunicaciones de América del Norte

Mientras que el enrutamiento por colas y por habilidades se sustenta en criterios estáticos preestablecidos y con lógica de árbol de decisiones, el enrutamiento predictivo utiliza datos históricos y en tiempo real, junto con IA. Además, descubre continua y automáticamente factores significativos que afectan el resultado de las interacciones entre clientes y empleados. A través de la IA, el enrutamiento predictivo define modelos a partir de perfiles unificados de cliente según el canal de comunicación preferido, productos comprados, solicitudes de servicio anteriores, transacciones recientes, etc. Esto se combina con los perfiles de empleado, como ser el tiempo en el puesto, el conocimiento, las habilidades, el historial de interacciones y el resultado de negocio, a fin de prever la relación cliente-empleado óptima, y por ende, lograr el resultado deseado. Los modelos de datos del cliente y del empleado se actualizan todo el tiempo con el fin de mejorar la experiencia en cada interacción posterior.

Como consecuencia, las operaciones del contact center están abandonando el mantenimiento manual de habilidades y de reglas de enrutamiento cada vez más complejas. Están dejando que la IA cree dinámicamente modelos predictivos que impulsan un determinado resultado de negocio. Esto libera a los contact centers para que puedan concentrarse en las fuentes de big data que alimentan el aprendizaje automático y mejoran los factores clave de negocio que descubre la IA en los datos.

Con el telescopio espacial Kepler, la NASA deja a la IA hacer la pesada tarea de descubrir señales en los datos que ellos reúnen del universo. De modo similar, la IA está cambiando el universo de la experiencia del cliente. El tesoro oculto de los datos sobre el journey del cliente es una oportunidad astronómica, y usted no se la puede perder.

Conozca más sobre cómo aprovechar el poder de IA para transformar los datos en “oro útil” y conectar a sus clientes con los agentes que logren los mejores resultados. Vea el webinar on demand de Genesys, “Technology Insights: How AI is Driving a New Era in Customer Engagement” (Insights tecnológicos: Cómo está liderando la IA una nueva era de customer engagement).