Las encuestas para conocer las preferencias y tendencias de consumo están obsoletas.
A pesar de que los líderes empresariales se esfuerzan por formarse una imagen más completa de las preferencias y los comportamientos de los clientes, aun dependen de sistemas de medición por encuestas. Es decir, sistemas que durante décadas fueron la columna vertebral de las iniciativas de experiencia del cliente, pero en la actualidad resultan obsoletos.
Esto porque tales sistemas de medición presentan bajas tasas de respuesta, ambigüedad acerca de los drivers de desempeño y carencia de un vínculo claro con el valor económico.
Sin embargo, las empresas pueden recolectar de manera sistemática, legal y uniforme datos de smartphones y de interacciones en sus sistemas financieros, operacionales o de relacionamiento, y generar así un conocimiento más profundo de los clientes.
Las organizaciones que miran hacia el futuro intensifican sus capacidades de datos y analítica y emplean insights predictivos para conectarse más de cerca con los clientes, anticipar sus comportamientos e identificar problemas y oportunidades relacionados con la experiencia en tiempo real.
Estas compañías pueden entender mejor sus interacciones e incluso adelantarse a los problemas en los recorridos de clientes (customer journeys). De manera simultánea, los clientes cosechan los beneficios, como compensación inmediata por alguna falla en el servicio como demora, carencis de inventarios u otros.
Los datos y la analítica transforman la ciencia de la experiencia del cliente. Sin embargo, los beneficios no son automáticos. Se enfrentarán obstáculos y resistencia organizacional. Pero hasta las empresas con sistemas rudimentarios, información limitada y científicos de datos insuficientes, pueden transformar la experiencia de sus clientes.
Si bien las encuestas no dejan de ser un medio válido para reunir información de clientes, no son útiles como herramienta de gestión para medir el desempeño en la experiencia del cliente e identificar oportunidades y reaccionar a ellas.
Ahora, para que las organizaciones puedan centrarse en el cliente, necesitan obtener insights sobre los factores que inciden en la experiencia, detectar señales inmediatas e individuales para cada cliente e invertir en retroalimentaciones positivas.
En cambio, las encuestas poseen tres defectos para lograr esto: son limitadas ya que evalúan sólo al 7% de los clientes, son reactivas o retrospectivas, ambiguas o que no logran revelar las causas raíz del sentimiento de los clientes y desenfocadas, pues la asociación entre puntajes en encuestas y los resultados del negocio no siempre es comprendida.
Ahora, con la capacidad para generar, combinar y analizar datos, es posible predecir tanto la satisfacción como la probabilidad de que un cliente permanezca fiel a la marca o incluso incremente su actividad.
Las plataformas predictivas son la base para vincular la experiencia del cliente con el valor y sirven para elaborar casos sólidos de negocios para mejorarla.
Una compañía de tarjetas de crédito muy importante deseaba adoptar una estrategia onmi-canal y elevar su desempeño en canales digitales. Para ello se concentró en construir una infraestructura analítica y de datos de CX para identificar, mejorar y medir sistemáticamente los factores que influyen en la satisfacción de clientes y los resultados comerciales en 13 recorridos (CJs) prioritarios. Comenzó reuniendo datos de interacciones, transacciones y perfiles de clientes con una plataforma de análisis de recorridos y así identificar los factores que inciden en la satisfacción en cada situación y las áreas en las que podía mejorar. La plataforma incluyó datos sobre reiteración de interacciones, tiempos de resolución y frecuencia con que los usuarios alternaban entre canales. También abarcó otros elementos más sutiles, como si la compañía manejaba con eficacia los problemas y el tipo de comunicaciones establecidas en diferentes momentos.
Este abordaje analítico ofreció a la organización una visión cuantificada y sistemática de los problemas, las áreas de oportunidad y las interacciones con millones de clientes en diferentes canales, lo que ayudó a definir un ciclo sistemático de mejora de los recorridos. El equipo utilizó la plataforma analítica para enfocar las inversiones y los esfuerzos operacionales en los recorridos y los momentos específicos que hacían una diferencia para los clientes, y finalmente logró reducir sus costos operacionales y de interacción entre el 10 y el 25 por ciento como resultado de la transformación digital y de la experiencia.
Priorizar las iniciativas de CX a través de la planeación estratégica constituye otro caso de uso promisorio para los sistemas basados en datos, que permite a los responsables por la experiencia del cliente comprender qué factores operacionales, financieros y de clientes generan problemas u oportunidades sistémicas. Un administrador de sistemas de salud estadounidense, por ejemplo, creó un data lake de recorridos para determinar la manera de mejorar la atención. Este gran repositorio sincroniza 4.000 millones de registros de nueve sistemas diferentes, entre ellos marketing, operaciones, ventas, digital e IoT. La perspectiva holística de clientes resultante ayudó a la organización a identificar puntos de quiebre operacionales – umbrales donde los pacientes piden frecuentemente hablar con un supervisor o cambiar a otro canal para solucionar un problema – y contactarse proactivamente con los pacientes a través del sitio web, e-mail o por teléfono para resolver la situación. También utilizó los datos para diseñar una estrategia de migración digital más inteligente, dirigida a clientes con mínima actividad en canales digitales con el fin de capacitarlos en el uso de las opciones de autoservicio. La organización aumentó sustancialmente la adopción digital poniendo el acento en los puntos problemáticos más significativos, como renovación de recetas de medicamentos; y redujo sus costos al disminuir en más de un 25 por ciento la frecuencia con que los usuarios regresaban a otros canales luego de comenzar en uno digital.
Finalmente, gracias a la naturaleza casi inmediata de los insights analíticos, estos nuevos sistemas crean una plataforma apta para la interacción cotidiana y proactiva con los clientes. Una aerolínea líder construyó un sistema de aprendizaje automático (ML) con más de 1.500 variables operacionales, de clientes y financieras para medir la satisfacción y los ingresos proyectados de sus más de 100 millones de clientes cada día. El sistema permitió a la compañía aérea identificar y dar prioridad a los clientes cuyas relaciones estaban en mayor riesgo debido a una demora o cancelación y ofrecerles una compensación a medida para preservar la relación y reducir la pérdida de clientes en las rutas más rentables. Un equipo combinado de entre 12 y 15 científicos de datos, expertos en CX y socios externos trabajó durante cerca de tres meses para construir el sistema y liderar esta primera aplicación, que derivó en una sorprendente mejora del 800 por ciento en la satisfacción y una reducción del 60 por ciento de las fugas de clientes prioritarios.
Cómo convertir los datos en insights y acciones
La transición al uso de insights predictivos no ocurre de la noche a la mañana. Como ilustra nuestra investigación, la mayoría de las organizaciones aún recurre a encuestas para medir el sentimiento de los clientes. Ahora, los líderes tienen la oportunidad de llevar sus programas de CX al siguiente nivel tomando como punto de partida su posición actual. Con base en nuestro análisis de las organizaciones que completaron exitosamente la transición, hemos identificado cuatro pasos clave para dar inicio a la transformación de la experiencia.
1. Cambiar las mentalidades: La transición involucrará inevitablemente desafíos, entre ellos el de modificar las mentalidades de los equipos de trabajo y los ejecutivos. Los líderes pueden sentir que los sistemas predictivos están fuera de su ámbito de trabajo y en cambio corresponden al dominio del departamento de TI o de un equipo de científicos de datos. Pero los tiempos cambian, y los líderes de CX actuales necesitan poner tanta atención en los datos como hasta hace poco lo hacían en los puntajes de CX. Algunos quizás argumenten que su organización ya ha realizado análisis de regresión de algunos indicadores de desempeño. Pero es hora de ser más audaces y construir un sistema, y no usar los datos en forma intermitente.
El rol del líder de CX está evolucionando, lo que significa que los ejecutivos tendrán que reposicionarse dentro de sus organizaciones. Cuando le consultamos acerca del mayor desafío que debió enfrentar con el sistema actual, un director de experiencia respondió: “La gente asocia la experiencia del cliente con el marketing, y no con la tecnología”. Eso está cambiando ahora que son cada vez más las empresas que adoptan analítica predictiva, y es tarea de los líderes de CX fomentar ese cambio de percepción.
El equipo de CX debe definir la dirección y la estrategia, pero generar entusiasmo e identificación en todos los participantes será clave para escalar el impacto.
2. Derribar silos y formar equipos multi-funcionales: Las funciones de CX a menudo caen en el error de crear sus propios silos dentro de una compañía. Para iniciar la transición, los líderes de CX necesitan integrarse mejor con el resto de la organización.
Los dueños de los datos estarán inevitablemente distribuidos entre funciones como operaciones, marketing, finanzas o tecnología, por lo que convocar a todos los líderes será vital para garantizar el acceso y la gestión eficiente de los datos. (Por supuesto, serán los científicos de datos – y no los profesionales de CX – quienes escriban los algoritmos.) El equipo de CX debe definir la dirección y la estrategia, pero generar entusiasmo e identificación en todos los participantes será clave para escalar el impacto.
Un cliente del sector del turismo, por ejemplo, comenzó a diseñar su sistema de datos con la idea de generar mejoras en tiempo real en sus operaciones de servicio, dado que el equipo de CX tenía una fuerte relación de colaboración con la organización de servicio a clientes y podría validar el valor rápidamente. El esfuerzo inicial involucró una colaboración cercana: CX operó como “dueño” del negocio, el equipo de científicos de datos desarrolló el producto y servicio a clientes actuó como primer receptor de un producto viable mínimo o “MVP” inicial. Fuera del equipo principal, un consejo asesor formado por el COO, el CFO y el director de marketing se manutuvo informado sobre los avances y asesoró respecto de futuros casos, de modo que cuando el piloto inicial demostró ser exitoso, el COO ya estaba de acuerdo con sumar nuevos casos de uso. Incluso en el caso de iniciativas de menor escala – por ejemplo, cuando una compañía recurre a contratistas en lugar de formar un equipo interno de científicos de datos –, estas relaciones firmes y multi-funcionales a nivel de desarrollo y de comité de dirección serán de vital importancia para crear y escalar los motores de insights de CX del futuro.
3. Comenzar por los datos de un recorrido clave y mejorarlos para aumentar la precisión: La mayoría de las organizaciones enfrentan desafíos referidos a la calidad y la disponibilidad de los datos – y sin datos no hay chances de éxito. La buena noticia es que las organizaciones pueden comenzar con datos de clientes de nivel básico, e incluso si estos datos no son perfectos. El primer paso es reunir información operacional y financiera a nivel individual. Una combinación de perfiles de clientes, junto con interacciones digitales y análogas, suele ser un buen punto de partida.
Los equipos necesitan crear una taxonomía detallada de los recorridos, que incluya todos los posibles drivers de satisfacción para la base de clientes. Esta taxonomía es utilizada para elaborar hipótesis y arribar a nuevos atributos mensurables a incorporar al modelo predictivo. Los atributos – denominados características en el ámbito de ML – pueden oscilar entre propiedades numéricas, como el gasto anual de un cliente, hasta propiedades binarias, como si un producto fue adquirido en la web o en una tienda. Con el tiempo, entender qué características son significativas para el modelo de ML y compararlas con las de las hipótesis del equipo ayuda a reconocer si los datos son imprecisos o incompletos y adaptar la estrategia de adquisición en consecuencia. Si no hubiera datos para algunas de las características, los equipos pueden explorar opciones para adquirir nuevos conjuntos de datos (por ejemplo, de agencias de crédito) o aplicar nueva instrumentación para generar las características requeridas (como sensores de IoT que mapeen los puntos de interacción con clientes en contextos físicos). A medida que el algoritmo de ML ingiere más datos y genera sus propios conceptos, el conjunto de datos se vuelve más robusto y más útil para diversas aplicaciones empresariales.
Por último, las compañías pueden integrar datos de varias fuentes a lo largo de todo el recorrido del cliente, como chats, llamadas, e-mails redes sociales, aplicaciones y dispositivos de IoT. Más allá de cuál sea la fuente, todo lo relacionado con la recopilación, el almacenamiento y el uso debe respetar las mejores prácticas de privacidad y ciberseguridad. (Particularmente, nuestros colegas detectaron que la protección de los datos de clientes puede operar como fuente de ventaja competitiva, considerando que los consumidores se están volviendo más cuidadosos en lo referido al uso de sus datos y evitan operar con empresas sin políticas de privacidad claras.) Las organizaciones deben seguir las regulaciones locales sobre datos y eliminar las variables asociadas a categorías protegidas, como raza o religión. Toda la información identificatoria debe estar encriptada y anonimizada antes de su análisis. Por último, los análisis de riesgo regulares ayudan a detectar sesgos en los algoritmos de los sistemas de CX. Los líderes de CX tienen la responsabilidad de conocer qué están haciendo sus organizaciones por proteger la información de sus clientes, mitigar los sesgos y promover la equidad en sus sistemas predictivos.
Al principio, es importante tener una perspectiva clara de cómo se aplicarán los conceptos y poner atención en un grupo reducido de casos de uso específicos que ofrezcan retorno inmediato.
4. Enfocarse primero en los casos de uso con potencial para generar valor rápidamente: Los sistemas predictivos y basados en datos ofrecen a las organizaciones de CX una oportunidad única para vincular sus estrategias de CX con valor tangible para el negocio. Al principio, es importante tener una perspectiva clara de cómo se aplicarán los conceptos y poner atención en un grupo reducido de casos de uso específicos que ofrezcan retorno inmediato. Usando una estructura simple, las compañías pueden evaluar las principales fuentes de oportunidad, los puntos problemáticos o ambos en los recorridos de cliente existentes y considerar de qué manera puede un sistema predictivo crear nuevas soluciones o mejorar las existentes para lograr impacto directo en aspectos como fidelidad, costo de servicio y cross-/ up-selling.
Por ejemplo, una empresa aplicó su sistema predictivo al recorrido de resolución de reclamos después de notar que sus fondos para contingencias, que hasta entonces se asignaban uniformemente entre todos los clientes, podían ser aplicados más estratégicamente. La compañía desarrolló un algoritmo capaz de identificar a los clientes prioritarios en términos de valor durante el ciclo de vida y experiencias recientes (como problemas con el servicio durante el último mes), y usó el algoritmo para asignar esos fondos en mayor medida a los clientes insatisfechos de alto valor. El primer caso de uso resultó un éxito y permitió a la organización ahorrar más del 25 por ciento del presupuesto, además de allanar el camino para futuras aplicaciones. Los líderes deben preguntarse qué casos de uso presentan una oportunidad clara para generar valor mediante una prueba de concepto y así generar momentum y apoyo.
Luego de años de servir como referencia para definir y refinar el desempeño de una organización en términos de experiencia del cliente, los sistemas basados en encuestas van camino a desaparecer. El futuro de un desempeño superior en experiencia del cliente está girando hacia sistemas predictivos y basados en datos, y las ventajas competitivas están reservadas para las compañías que mejor logren interpretar lo que sus clientes desean o necesitan.
