Вы звоните провайдеру. Приготовившись к разговору с вымученно-жизнерадостной девушкой о количестве зелёных лампочек на чёрной коробочке, даже немного теряетесь, когда вам отвечает натуральный сисадмин. И сразу же понимает суть проблемы и решает её. Вы кладёте трубку через 25 секунд разговора в лёгком шоке.
Потом перезваниваете с телефона сестры и получаете ласковое «А какого цвета у вас Интернет?», и начинаете понимать, в чём дело.
Да, это реально возможно на практике. Давайте для примера возьмём некий типовой call-центр и покопаемся в его уже собранных данных, а потом подключим немного математики.
Ровесники мамонтов
Обычно у call-центров есть проблемы с текучкой кадров, кривыми перебросками между сотрудниками, неудовлетворительным сервисом и другими особенностями, а эффективность измеряется временем звонка и количеством обработанных обращений. И этот подход устарел уже очень-очень давно.
Какие вводные?
Во-вторых, как это ни странно, call-центр является таким же продающим подразделением, как и отдел продаж. Первое же следствие — на звонки более интересных клиентов после сегментации отвечают более профессиональные специалисты. Если звонок случайный — его можно передать стажеру. Если звонок от клиента с двухлетней историей — его обязательно должен обрабатывать специалист, который не ошибётся и покажет такой же высокий уровень, к которому привык клиент. Иерархия продавцов-операторов — один из мотивационных факторов, что снижает текучку кадров и повышает вовлечённость в процесс.
В-третьих, в современных call-центрах людей отпугивают следующие факторы:
- Четкие и конкретные обязанности;
- Строжайшая дисциплина;
- Отсутствие инициативы;
- Работа под постоянным контролем;
- Однообразный и монотонный характер работы;
- Отсутствие творческой составляющей в работе;
- Аритмичные нагрузки;
- Наличие нестандартных ситуаций.
Понятно, что победить всё и сразу не выйдет, но убрать 90% проблем с помощью инструментов, которые даёт Data Mining, довольно просто.
Что делать?
Например, кластерный анализ – выявление схожих по поведению клиентов, ассоциативный анализ показывает взаимозаменяемые продукты и услуги, классификация и регрессионный анализ позволяют прогнозировать отклик клиентов на предложение.
Как это использовать?
Вот раздаётся звонок. Оператор-продавец уже видит профиль клиента и понимает, какое время он должен потратить на работу с этим обращением. Откуда? Да очень просто: данные формируются индивидуально: кто-то любит подольше поговорить, кому-то наоборот, надо побыстрее. Если есть прогнозируемое время, то оператор знает, что этому клиенту нужно быстро и четко все изложить и закончить разговор, а с другим можно поговорить подольше. Представляете идиллию, когда первая линия вашего оператора уже видит на экране ваш профиль, в котором написано, что вы перезагружаете, включаете и выключаете, смотрите на лампочки и закрываете-открываете ДО звонка?
И к этому нашему звонку нет KPI «под гребёнку». Параметры подбираются под клиента. Для него это отличный сервис, для вас — возможность мотивировать персонал и дополнительная прибыль, потому что постоянному клиенту оператор может легко сделать дополнительную продажу, не выбиваясь из KPI — и все стороны будут счастливы.
Четыре разрыва! Четыре!
Есть инструмент для того, чтобы у нас была возможность что-то клиенту предложить. Например, индикатор склонности к уходу дает понимание, надо ли удерживать клиента или нет. Это вопрос того, сколько мы готовы потратить на то, чтобы оставить клиента «своим» — и он автоматизируется и даётся оператору. Маркетологи сейчас, понимая что происходит при этом, наверное, уже испытывают что-то типа оргазма.
Теперь исходящие звонки и письма. Оператор может сам определять последовательность, в которой звонить. Сначала работаем с самыми прибыльными или теми, кто склонен к уходу больше других.
Что делать со стажерами? Давать им самых неинтересных финансово клиентов, но учитывать количество «хороших» сделок, а потом повышать по достижении определённого результата.
Не убедил? Тогда немного статистики:
- 75% клиентов предпочитают высокий уровень обслуживания клиентов, при этом 15% из них готовы платить больше;
- 50% клиентов переходят к конкурентам из-за низкого качества обслуживания;
- 20% клиентов склонны перейти к конкуренту из-за неудовлетворенности от последнего общения;
- 86% клиентов приветствуют наличие персонифицированных предложений во время операций самообслуживания;
- 84% клиентов готовы платить больше за лучшее качество обслуживания, из них 56% клиентов готовы платить на 10% больше, 24% клиентов готовы платить на 15% больше, 20% клиентов готовы платить на 20% больше.
Резюме
Когда у нас есть инструменты, которые мы получаем благодаря технологиям, мы можем говорить о том, что мы умеем разделять клиентов, умеем с ними индивидуально работать, и мы понимаем, что и сотрудников нужно разделять на разные категории.В моей практике правильный Data Mining высвобождает огромные скрытые возможности call-центра. Это не панацея, но инструмент действительно почти волшебный. Это как чтение мыслей, только это прогнозируется, подсчитывается и превращается в бизнес-инструменты.
Источник: habrahabr.ru
Комментарии
Отправить комментарий