Zo verminder je klantcontact en verbeter je klanttevredenheid
Een positieve ervaring met je klantenservice heeft veel impact op klantloyaliteit en commercieel succes. Bij veel bedrijven is ook weinig discussie over het belang van goede dienstverlening, maar toch staan veel contact centers onder druk. Lange wachttijden, ontevreden klanten en een hoog verloop onder medewerkers. Het zijn hoofdpijndossiers voor veel managers mee te maken hebben. In dit blogartikel leggen we uit hoe Conversational Analytics je de inzichten geeft om structureel het klantcontact te verminderen en de ervaring van klanten te verbeteren.
Het contact center heeft veel taken, van de dagelijkse operaties tot het vergroten van het commercieel succes van de organisatie. Veelal is de klantenservice het eerste contactpunt voor klanten met je organisatie. Daardoor zijn de verwachtingen vaak hoog, maar in de praktijk worden ze (te) weinig waargemaakt. Daar kunnen verschillende redenen voor zijn.
- Het verloop van servicemedewerkers ligt hoog door een gebrek aan uitdaging en veel ontevredenheid over werkdruk. Door de krappe arbeidsmarkt is het bovendien lastig om geschikte vervangers te vinden die snel impact kunnen maken.
- Bij het bepalen van de budgetten voor de klantenservice wordt weliswaar rekening gehouden met stijgende loonkosten, maar zelden met de impact van commerciële groei op het contact center, waardoor de belasting steeds meer toeneemt.
- Investeringen in digitalisering en automatisering leveren slechts beperkt rendement op, omdat technologie niet direct de cruciale pijnpunten van klanten oplost.
- Door de hoge belasting van servicemedewerkers ligt de focus op het blussen van brandjes en niet op het registreren van klantinteracties. Daardoor is het lastig om te achterhalen wanneer en waarom klanten contact met je organisatie opnemen en loop je veel waardevolle informatie mis om verbetering door te voeren.
- De prestaties van medewerkers worden vaak beoordeeld op basis van steekproeven van conversaties. Dit geeft meestal een vertekend beeld en kan het moraal van medewerkers flink omlaaghalen. Een alternatief is er echter niet, omdat bedrijven vaak geen tijd of middelen hebben om de prestaties over langere tijd te monitoren.
Diepgaande kennis om te voorkomen en te verbeteren
Om de genoemde uitdagingen het hoofd te bieden, is het verstandig om eerst de werkdruk te verlagen. Dat kan door vermijdbaar klantverkeer naar je contact center te voorkomen. Denk aan herhaalde e-mails en telefoontjes over dezelfde onderwerpen.
Voorbeeld:
Een gemeentelijke afvalbeheerder krijgt wekelijks tientallen oproepen van inwoners die een nieuwe milieupas willen aanvragen. Als de klantenservice ze verwijst naar de website, klagen inwoners dat het formulier om een nieuw pas aan te vragen niet werkt. Als dat proces wel goed loopt, scheelt dat een hoop verkeer.
Vragen zoals in dit voorbeeld nemen veel tijd en middelen in beslag en dragen niet bij aan een goede klantervaring. Hoe kun je dat voorkomen? Door goed te begrijpen welke acties je kunt ondernemen om dit soort verkeer te voorkomen. Daarvoor heb je diepgaande kennis nodig van de gesprekken met je klanten. Die kennis kun je gebruiken om gemeenschappelijke thema’s te detecteren binnen specifieke gebieden van de klantreis.
Als je het onnodige verkeer kunt voorkomen, kun je daarna de conversaties verbeteren die je wél wilt en die klantloyaliteit stimuleren. Ook hiervoor is diepgaande kennis nodig. Die kennis kun je bereiken met Conversational Analytics.
Wat is Conversational Analytics?
Conversational Analytics (CA) helpt je om patronen en trends te ontdekken in gesprekken met je klanten die anders onopgemerkt zouden blijven. Zónder dat je zelf allerlei gegevens handmatig moet loggen. Met Conversational Analytics breng je data uit telefoon-, app- en chatgesprekken, e-mails en andere spraak- en tekstgegevens bij elkaar. Die data analyseer je vervolgens met AI (of nog specifieker: machine learning). Daar komen vervolgens bruikbare inzichten uit op individueel-, team- en organisatieniveau.
Waarom is dat interessant voor een klantenservice? Omdat je daarmee inzicht creëert in pijnpunten en het sentiment van klanten. Over welke thema’s nemen klanten vaak contact op? Waarom komen die thema’s vaak terug? Op welke momenten zien we die thema’s terugkeren? Wat voor sentiment heerst er bij klanten rondom die thema’s? Ieder gesprek helpt je om pijnpunten te signaleren en verbeteringen toe te passen om het verkeer naar je klantenservice te verminderen. Tegelijkertijd levert Conversational Analytics constructieve feedback over de prestaties van het contact center.
Voorbeeld:
Een luchtvaartmaatschappij past Conversational Analytics toe om inzicht te krijgen in de redenen waarom klanten contact opnemen met de klantenservice. Daaruit kwam al snel een opvallend inzicht naar voren:
De luchtvaartmaatschappij heeft een online portaal waarin klanten hun eigen reservering kunnen beheren, maar toch bleven ze het contactcentrum bellen. Door Conversational Analytics te gebruiken, kon de luchtvaartmaatschappij de kern van het probleem identificeren: klanten meldden vaak het ontbreken van boekingsnummers. Zonder dit nummer konden ze geen toegang krijgen tot de online portaal. Dit werd snel hersteld, door het boekingsnummer toe te voegen in de bevestigingsmail. Daarnaast werd de chatbot van de klantenservice getraind om vragen over het boekingsnummer te herkennen en klanten automatisch door te verwijzen naar hun bankafschrift.
Door conversaties, sentiment en gedragsstijl te analyseren, ontdekte de luchtvaartmaatschappij verschillende trends in klantcontact die voorheen niet zichtbaar waren. Deze inzichten geven richting om veelvoorkomende problemen prioriteit te geven. Door deze problemen op te lossen, werd de druk op het contact center sterk verminderd.
Hoe werkt Conversational Analytics?
Het gebruik van Conversational Analytics vraagt niet om diepgaande kennis van de onderliggende technologie. Toch is het handig om enigszins te begrijpen hoe het werkt. Conversational Analytics maakt gebruik van natural language understanding (NLU) om gegevens op de juiste manier te interpreteren en te vertalen. NLU is een vorm van AI en een subtak van natural language processing, bekend van ChatGPT. Chatbots maken bijvoorbeeld ook gebruik van NLU.
Net als ieder ander AI-model, moet ook Conversational Analytics getraind worden. Dit is een stapsgewijs proces waarbij je gegevens verzamelt en het model leert om de gegevens te voorzien van een of meerdere labels. Zo kun je bijvoorbeeld een model maken dat gesprekken met klanten over vouchers herkent, door eerdere conversaties over vouchers te uploaden en bepaalde kenmerken uit die gesprekken te labelen. Of je kunt een model ontwikkelen om de prestaties van je contact center te monitoren. Denk aan een model dat kan detecteren of een medewerker het gesprek heeft beëindigd door te bevestigen dat hij de vraag van de klant heeft beantwoord.
Waar moet je beginnen?
De keuze is enorm, maar de vraag is waar je moet beginnen. Gelukkig kun je Conversational Analytics vrij snel toepassen in je organisatie. Met één enkele bron van conversatiegegevens kun je al aan de slag. Bovendien zijn er ook talloze kant-en-klare modellen die je kunt toepassen in jouw organisatie en die je stapsgewijs kunt uitbreiden met op maat gemaakte modellen. De time-to-value van Conversational Analytics is daarom minimaal. Het is mogelijk om vrijwel onmiddellijk de vruchten ervan te plukken.
Meer weten over Conversational Analytics?
Benieuwd wat Conversational Analytics voor jou kan betekenen? Download het e-book of vraag een demo aan.