Si vous vivez dans un pays occidental, vous avez presque certainement entendu parler ou même essayé des sociétés de covoiturage comme Uber ou Lyft. Cependant, vous n’avez peut-être pas entendu parler de Didi Chuxing. Pourtant, avec plus de 400 millions d’utilisateurs dans plus de 400 villes chinoises et 20 millions de trajets par jour, DiDi est plusieurs fois plus gros qu’Uber, dont les opérations en Chine ont été acquises et absorbées par DiDi en 2016. Et les téraoctets de données générés par tous ces transactions donne à DiDi un énorme avantage en matière d’information. Faire correspondre les données qu’elle collecte sur chaque aspect de millions de trajets avec les notes de fin de trajet des clients permet à l’entreprise de créer des modèles prédictifs : quelles sortes d’expériences produisent généralement les promoteurs ? Lesquelles produisent des détracteurs ?
En conséquence, DiDi n’a pas besoin de demander à tous ses coureurs le feedback de Net Promoter® ; au lieu de cela, ses modèles informatiques génèrent une note pour presque chaque trajet. Ces scores prédictifs correspondent de manière très fiable (plus de 80 % et s’améliorent) avec ce que les clients disent dans les commentaires traditionnels des Net Promoter. Cela donne à DiDi deux avantages : Premièrement, il fournit un retour d’information modélisé presque instantané à ses conducteurs (sans la demande souvent fastidieuse de ses coureurs de faire le travail de fournir un retour d’information). Et deuxièmement, il identifie instantanément les situations où il y a un besoin de rétablissement de la relation ou du service, déclenchant une intervention, potentiellement avant même que le client ait terminé le trajet. Si les algorithmes de DiDi identifient un ramassage qui a mal tourné ou un trajet qui a pris plus de temps qu’il n’aurait dû pour atteindre la destination, l’entreprise peut émettre des excuses ou un crédit. Si les choses se sont particulièrement bien passées, l’application de DiDi peut proposer au client des moyens de faire part à ses amis des avantages du service de covoiturage.
L’approche de DiDi offre un aperçu de l’avenir du feedback : en utilisant l’analyse prédictive pour déterminer si les clients sont des promoteurs ou des détracteurs, et en utilisant l’analyse prescriptive pour aider à boucler la boucle et permettre une action directe.
DiDi ne fournit qu’un exemple des nombreuses façons dont les analyses avancées peuvent améliorer le Net Promoter System® d’une entreprise et améliorer son expérience client. Le Net Promoter System a toujours aidé les entreprises à maintenir l’intimité avec leurs clients à grande échelle, permettant aux organisations comptant des centaines ou des milliers d’employés de se comporter comme des boutiques familiales aux yeux de leurs clients. Des analyses avancées appliquées de la bonne manière peuvent favoriser une intimité encore plus profonde avec les clients dans un monde de plus en plus numérique, en utilisant des volumes explosifs de données d’interaction numérique pour mémoriser, interpréter et améliorer l’expérience de chaque client à chaque point de contact, numérique ou personnel.
Alors, quelle est la gamme complète des façons dont les analyses avancées peuvent améliorer le Net Promoter System ? Nous regroupons les cas d’utilisation de l’analyse avancée en trois grandes catégories : descriptive, prédictive et prescriptive.
Analyse descriptive : la base de l’apprentissage
Comme son nom l’indique, l’analyse descriptive décrit ce qui s’est passé lors d’une interaction client. L’entreprise peut alors utiliser ces informations comme base pour l’apprentissage et l’expérimentation futurs : que se passerait-il si nous répondions différemment ?
L’analyse descriptive a aidé une entreprise de télévision par câble à reconnaître que certains types d’appels au support technique, pour la pixellisation à l’écran, par exemple, étaient rarement résolus par téléphone. Formés pour éviter les déplacements de camions inutiles, les représentants des centres d’appels essaieraient quand même. Une analyse relativement simple du taux de résolution au premier appel par type d’appel a montré que ces efforts étaient presque entièrement vains. Seuls 1 ou 2 appels sur 10 ont été résolus par téléphone. L’analyse a motivé l’entreprise à créer une règle commerciale simple encourageant les représentants à envoyer un camion pour ces types d’appels, plutôt que de s’engager dans une tentative futile de résoudre le problème par téléphone, permettant à l’entreprise d’économiser de l’argent et de réduire la frustration des clients.
Dans un exemple légèrement plus sophistiqué d’analyse descriptive, Sunrise, la société de télécommunications suisse, a construit un modèle statistique visant à identifier les principales causes de l’attrition de la clientèle. L’entreprise a rempli le modèle avec les caractéristiques et les comportements des clients qui ont annulé leur service, dans l’espoir d’apprendre autant que possible de chaque cas. Sunrise a rassemblé des données sur qui ils étaient, à quoi ressemblaient leurs habitudes d’appel, depuis combien de temps ils étaient clients, combien ils valaient en tant que clients et ce qui s’est passé lors de leurs interactions les plus récentes avant leur départ. Le modèle a réduit le champ des raisons potentielles à quelques-unes qui comptaient vraiment. Avec une clarté sur les caractéristiques et les expériences des clients qui avaient fermé des comptes, Sunrise a pu hiérarchiser et effectuer des changements structurels et des investissements pour améliorer l’expérience client, ainsi que lancer des interventions clients ciblées pour réduire l’attrition.
Tom Springer, partenaire de la pratique Advanced Analytics de Bain, explique comment les entreprises peuvent utiliser des analyses descriptives, prédictives et prescriptives pour comprendre les commentaires implicites et explicites des clients et agir en conséquence en temps réel.
Analyse prédictive : prévoir le comportement des clients
L’expérience de Sunrise illustre également l’évolution de l’analyse descriptive à l’analyse prédictive. Un modèle prédictif tente de prévoir ce qu’un client fera à l’avenir, en s’appuyant sur les informations développées par l’analyse descriptive. Ces modèles sont basés sur des données client et contextuelles significatives, et les prédictions changent à mesure que les données sous-jacentes changent, aidant les entreprises à intervenir et à influencer les résultats de l’expérience client.
Dans le cas de Sunrise, le travail qui a permis de remplir le modèle descriptif a mis au jour un aperçu intéressant : lorsqu’un client fait défaut, les autres clients de son cercle d’appels ont également tendance à annuler leurs comptes. En fait, plus il y a de clients dans votre cercle d’appels qui partent pour la concurrence, plus vous êtes également susceptible de partir. Cette information a fourni à Sunrise un indicateur important du risque d’attrition qui n’avait pas fait surface dans d’autres données ou analyses. Cela a créé une opportunité de devancer l’attrition potentielle parmi les clients dont les amis étaient partis. En utilisant cet indicateur et d’autres comme entrée d’un modèle prédictif, Sunrise pourrait identifier les clients à risque d’attrition beaucoup plus tôt dans le processus, et pourrait intervenir pour améliorer leur expérience, leurs produits et d’autres éléments de leur service pour gagner la continuité des affaires des clients. . La réduction du taux de désabonnement dans le secteur des télécommunications est très rentable.
Les représentants des centres d’appels de Progressive Insurance obtiennent un Net Promoter Score® (NPS®) sur presque tous leurs appels, mais la plupart des commentaires qu’ils reçoivent sont en fait synthétiques. Une petite fraction provient des clients eux-mêmes, ainsi que de précieux commentaires textuels. La plupart des commentaires, cependant, sont produits par le logiciel de Mattersight qui génère automatiquement un score estimé de probabilité de recommandation pour chaque appel.
À l’aide des enregistrements d’appels, le système Mattersight basé sur la langue analyse chaque seconde de chaque conversation afin de créer des milliers d’attributs de données statistiquement significatifs concernant l’appel. Des exemples de production algorithmique incluent la quantité de temps d’interaction productive, l’engagement de l’appelant, le niveau d’empathie de l’agent et des mesures granulaires telles que les pauses, les interruptions et les tours de conversation. Les analyses sont enrichies de données supplémentaires sur le client, telles que l’historique de service, la propriété du produit et des informations provenant d’autres sources.
Certains des facteurs alimentant le modèle prédictif semblent évidents. Les jurons et le mot annuler » sont rarement bons. Les références à des concurrents, des menaces d’attrition et des escalades de superviseurs sont généralement synonymes de problèmes. Certains aspects, cependant, sont plus sophistiqués et capturent la variabilité des styles et des préférences de communication. Par exemple, le système classe le style de personnalité d’un client en fonction de sa langue parlée, de son ton, de son rythme et de sa syntaxe. Cela donne un aperçu des besoins psychologiques fondamentaux de l’appelant et permet aux algorithmes de déterminer quand un client est en détresse et pendant combien de temps.
Le modèle exploite également une logique complexe basée sur des modèles et le temps, ce qui permet une compréhension contextuelle plus approfondie, par exemple pourquoi il y aurait de la détresse à la fin de l’appel par rapport au début. L’émotion peut jouer un grand rôle : les commentaires positifs sont généralement un bon signe, tandis que les personnes qui se parlent sont souvent le signe d’une dispute ou d’une frustration, ce qui réduit le score de probabilité de recommander. Mais même si l’appel manque d’indices émotionnels, certains signaux offrent des indicateurs sur le résultat probable. Par exemple, de longues périodes de silence peuvent indiquer une attente potentiellement frustrante de la part du client pendant que le représentant termine une tâche. La raison d’un appel définit souvent une bonne base de référence.
Grâce à des analyses à grande échelle capables d’identifier les modèles de personnalité et les tendances dans les interactions avec les clients, les modèles prédictifs comme celui de Progressive permettent à la fois un apprentissage accéléré pour les commerciaux et un apprentissage organisationnel accéléré.
Analyse prescriptive : créer un avantage stratégique
L’analyse prescriptive va encore plus loin en déclenchant des traitements clients sortants pour améliorer la relation. Ces traitements, qui peuvent inclure des offres, des messages ou des recommandations ciblés, sont basés non seulement sur le comportement prévu des clients, mais également sur des inférences concernant le contenu, le calendrier et le canal les plus efficaces et économiques. Les algorithmes prescriptifs associent des traitements et des interventions préconfigurés à des inférences analytiques dans des moteurs opérationnels » qui guident et adaptent les interactions avec les clients en temps réel.
Par exemple, les algorithmes prescriptifs peuvent fournir aux commerciaux comme ceux de Progressive des suggestions instantanées lors des appels client : voici la prochaine meilleure offre à faire à ce client », c’est-à-dire l’action qui a le plus de chances d’améliorer la relation du client avec le entreprise. Ils peuvent également fournir le moteur permettant d’adapter les expériences Web ou mobiles aux clients, y compris des recommandations de contenu ou de produits. Ils aident à ajuster les interactions de l’entreprise avec les clients au sein et à travers n’importe quel canal.
Le moteur de DiDi illustre la puissance et le potentiel de l’analyse prescriptive. Netflix fournit également un exemple bien connu d’analyse prescriptive en action, recommandant du contenu aux téléspectateurs en fonction de leur propre comportement passé, du comportement des téléspectateurs comme eux » et du comportement de navigation en temps réel. Les clients de Netflix, bien sûr, sont libres de naviguer dans le contenu d’autres manières (par genre, par exemple), mais les recommandations garantissent qu’un contenu attrayant est toujours à l’écran, ce qui améliore l’expérience du spectateur et aide à distinguer Netflix des autres interfaces de visualisation. la télévision en direct ou d’autres services de diffusion en continu, à portée de clic.
Pour les grandes entreprises, l’analyse prescriptive peut offrir l’une des défenses les plus importantes contre les menaces des natifs numériques. Malgré l’opinion populaire selon laquelle les entreprises historiques sont des mastodontes incapables de contrer les perturbations causées par les start-ups Internet, les entreprises historiques ont un énorme atout caché : les données et l’historique qu’elles accumulent sur un grand nombre de clients. Ils ont également la taille et les ressources nécessaires pour soutenir et financer des analyses avancées, pour lancer des expériences avec leur clientèle d’une manière que les petites entreprises ne peuvent pas.
En fait, à l’ère des perturbations et des démarrages d’Internet, les données sont la nouvelle monnaie, et les entreprises plus grandes en ont généralement plus et plus de façons de les utiliser. L’échelle a longtemps profité aux entreprises industrielles, qui ont obtenu des avantages en termes de coûts et de revenus grâce à l’expérience accumulée dans la fabrication et la vente de leurs produits. À l’ère de l’analyse avancée, l’échelle dans l’accumulation de données et de ressources analytiques offre désormais des avantages similaires. L’utilisation d’analyses avancées n’est pas seulement une nouveauté intéressante, c’est l’essence même du maintien d’un avantage concurrentiel. Alors que de nombreuses grandes entreprises restent des géants qui évoluent lentement, celles qui savent comment utiliser cette nouvelle forme d’avantage d’échelle sont souvent capables de déjouer leurs concurrents plus petits.
Ramper, marcher, courir
Il faut du temps pour créer le type de capacité d’analyse avancée qui offre un avantage stratégique à une entreprise Net Promoter (voir Figure 1). Les entreprises qui adoptent une approche évolutive « crawl, walk, run » ont fait les progrès les plus rapides. Ils parcourent rapidement des cas d’utilisation spécifiques afin qu’ils apprennent et récoltent les avantages à mesure qu’ils grandissent. Les cas d’utilisation individuels évoluent et s’améliorent à mesure que l’entreprise les expérimente et les affine, tandis qu’un portefeuille plus large de cas d’utilisation garantit que les analyses avancées donnent des résultats positifs. Cela permet non seulement de démontrer la valeur des analyses avancées, mais définit également de nouvelles méthodes de travail efficaces et met en évidence les capacités supplémentaires que l’entreprise doit développer. À chaque nouvelle étape, de nouvelles opportunités apparaissent à l’horizon, attirant de nouveaux investissements pour les atteindre. L’évolution est un processus itératif.
Les cadres orientés client doivent se poser les questions suivantes : Où en sommes-nous sur l’échelle évolutive (voir Figure 2) ? Quelle est la solidité de notre base de données ? Quels cas d’utilisation analytique avons-nous déjà développés ? Comment se manifestent-elles dans nos opérations ?
Quelles ressources et quels talents travaillent sur tout cela ? Sont-ils guidés par une stratégie et une feuille de route cohérentes ?
Si les réponses à ces questions ne sont pas immédiatement apparentes, la prochaine étape peut consister à établir plus de clarté, idéalement via un diagnostic de stratégie d’analyse structurée. Le diagnostic doit s’appuyer sur des références et des bonnes pratiques, et doit aborder les cinq priorités clés pour établir une stratégie de données claires et d’analyse avancée (voir Figure 3). Cela exposera les forces et les lacunes clés de l’approche de l’entreprise et peut aider à construire le dossier pour aborder les opportunités et les obstacles les plus importants au progrès.
Atteindre et pérenniser le leadership en matière de fidélisation (devenir une entreprise Net Promoter prospère) nécessite un parcours de plusieurs années vers le leadership analytique, vous devrez donc commencer le plus tôt possible. Il faut du temps pour développer une base solide de données, de compétences analytiques et de capacités pour passer du descriptif au prédictif au prescriptif, et pour atteindre l’apprentissage à grande échelle et l’intimité.