El análisis predictivo es una técnica de exportación de datos que utiliza algoritmos y modelos estadísticos para analizar datos históricos y predecir resultados futuros, su principal requisito es contar con muchos datos históricos para que se puedan correlacionar y en función a eso crear patrones que determinan comportamientos y finalmente ayuden a aumentar la eficiencia, reducir riesgos y mejorar la experiencia de los usuarios. Algunos ejemplos:
- Una Telco puede correlacionar historial de caídas en su red o servicio y datos del clima históricos en una parcela o cerca de una central particular y encontrar un patrón para descubrir que cuando la temperatura pasa, por ejemplo los 35 grados y no llueve por más de 10-15 días, existe un riesgo de que se caiga o se rompa una central o antena. Esto le permite crear un sistema de mensajes de alerta a usuarios o informar al centro de atención para ayudar a los clientes.
- Podemos entender y prever cuáles son las estrategias de retención más eficaces para ofrecer a un cliente un tipo de producto o servicio o cuál puede ser el más demandado, eso permite ajustar el inventario por ejemplo de un producto y en función de eso mejorar la experiencia del usuario final.
- En el caso de los seguros puede utilizarse para generar un scoring completo donde además podemos incluir datos relacionados al lugar donde vive, eventos climáticos y eso cruzarlo con su historial de llamadas al centro de atención para luego ofrecerle una cobertura acorde a sus necesidades y usos.
- En el caso Salud, podemos utilizar datos históricos para predecir una tasa de no-show (no presentarse a la cita) o los picos de atención en guardias médicas y luego junto al centro de atención acompañar o generar estrategias para mejorar estos indicadores.
Bajo esta misma premisa, el análisis predictivo puede aplicar a diversas situaciones dentro de los servicios de atención al cliente: ‘La información de estos patrones pueden prever el potencial de baja de clientes, y los flujos de llamados en momentos específicos y situaciones particulares, como por ejemplo, un banco puede llegar a predecir la demanda de billetes en un cajero automático determinado y la falta de eso te puede derivar en más llamados al Centro de Atención al Cliente’, explica Agustín Brea, Director de Productos Digitales de Apex America, empresa dedicada al Customer Experience en América Latina.
Brea cuenta que para uno de sus clientes, una Telco muy importante, crearon una solución de análisis y de correlación de datos para predecir el riesgo de baja de un usuario, donde diseñaron estrategias y potenciales mejoras en el servicio de atención para implementar y retener a esos clientes. La solución recomienda las interacciones personales que tienen más probabilidades de aumentar la satisfacción, la fidelidad y el potencial de cada cliente.
La unión de tecnología, datos y conocimientos sobre los usuarios y sus comportamientos, permite diseñar soluciones que ayudan a proporcionar un servicio más preciso y personalizado logrando un mayor impacto en:
- Satisfacción del cliente (por evitar fallas, clientes descontentos, servicios que no funcionan, ofertas no personalizadas)
- Impacto en demanda y volumen de llamadas y su resolución en el primer contacto (FCR)
- Anticiparse a las necesidades y entregar mejores soluciones a los clientes.
Sin lugar a dudas el análisis predictivo puede aplicarse a diversidad de industrias y es ideal para elevar el nivel de su CX, adelantándose a las demandas y necesidades del usuario. En definitiva para generar impacto en la experiencia de cliente y aumentar la rentabilidad.
