Usando a IA para melhorar a eficácia dos canais de um banco

Embora o digital seja cada vez mais o canal que os clientes escolhem para interagir com as empresas, o contato telefônico ainda é a ferramenta de vendas e engajamento mais usada. No entanto, muitas empresas não dispõem de uma fórmula para analisar por que alguns canais são mais eficazes do que outros.

A análise de desempenho geralmente se baseia em supervisores que ouvem amostras de chamadas, juntamente com o uso de métricas de nível superficial de pequenos conjuntos de dados. No entanto, o feedback desenvolvido com essa abordagem pode ser altamente subjetivo e, muitas vezes, genérico. Por ser manual, o processo é lento e difícil de dimensionar, além de não fornecer uma visão abrangente do desempenho do agente. A incapacidade de rastrear métricas de forma contínua e em uma população completa de interações dos canais, torna impossível entender a trajetória de desempenho de um canal específico. Além disso, dificulta as comparações entre colegas e o fornecimento de feedback, o que, por sua vez, pode gerar ressentimento, falta de satisfação no trabalho e, por fim, rotatividade da equipe.

Para resolver esses problemas, o cliente precisava de um sistema que proporcionasse maior visibilidade na escala das atividades dos agentes (contato, conversas, acompanhamento etc.) e descobrisse comportamentos que gerassem resultados bem-sucedidos. Os insights obtidos com essa análise poderiam, por sua vez, ser usados para desenvolver uma estrutura de medição e gerenciamento de desempenho com a capacidade de fornecer orientação direcionada e quantificar o aprimoramento do agente ao longo do tempo.

Para conseguir isso, as equipes da EY selecionaram um conjunto de dados comparativos robustos e baseados em fatos. Elas aproveitaram abordagens sofisticadas de IA para analisar comportamentos de conversação associados à progressão geral e ajudar a identificar comportamentos demonstrados por agentes com melhor desempenho. Esses insights foram usados para acompanhar o desempenho de cada membro da equipe e fornecer feedback altamente específico e personalizado. Os insights foram reunidos em um painel interativo que os líderes de equipe podiam acessar e usar para análise e ações contínuas de desempenho.

A equipe precisava superar os desafios significativos de trabalhar com grandes volumes de dados não estruturados, que são inerentemente ruidosos e, muitas vezes, de baixa qualidade. O que tornava a tarefa ainda mais complexa era a dificuldade de vincular dados de fontes estruturadas, como plataformas de gerenciamento de relacionamento com o cliente, arquivos de hierarquia de agentes e dados de desempenho ou resultados, a dados de chamadas não estruturados.

Ao operacionalizar esses insights com base em IA e machine learning, o cliente poderá:

• Obter uma melhor compreensão do que os melhores em desempenho estavam fazendo e aplicar esses aprendizados para melhorar o treinamento, a orientação e a trajetória geral do desempenho.
• Fortalecer os vínculos entre desempenho e incentivos e, assim, melhorar a retenção.
• Aumente a eficiência do acompanhamento com uma visão de 360 graus do alcance do cliente.
  

As equipes da EY começaram criando um "livro de registro" sobre toda a interação de um agente com um cliente. Eles capturaram o que aconteceu antes e depois em vários canais – desde os e-mails enviados e as ligações feitas, até os casos abertos e as vendas registradas.

Paralelamente, eles usaram técnicas de processamento de linguagem natural (PLN) para extrair percepções qualitativas e não estruturadas das conversas dos agentes, como tópicos discutidos, trilha de conversa utilizada e resultado da chamada. Isso possibilitou avaliar como os agentes respondiam a determinadas situações do cliente; se eles estavam empenhados em entender a situação específica do cliente; como eles falavam sobre os recursos e a funcionalidade do produto; e se estavam realizando uma atividade de acompanhamento robusta. O uso de métodos de PNL superou os problemas de qualidade dos dados que normalmente reduzem o desempenho das abordagens baseadas em palavras-chave. Essas abordagens geralmente produzem resultados insatisfatórios devido a problemas que incluem erros de transcrição e variantes de palavras contextualmente semelhantes.

"Ao abordar os problemas de qualidade inerentes às conversas registradas por sistemas legados e à dependência excessiva de palavras-chave, conseguimos identificar sinais muito sutis com um nível muito alto de precisão", diz Sameer Gupta, Líder Financial Services Organization Advanced Analytics da EY América do Norte.

Juntamente com métricas estruturadas, esses insights fundamentais foram vinculados à progressão e ao resultado geral, por exemplo, uma venda registrada.

Usando uma variedade de técnicas para melhorar os vínculos entre conjuntos de dados estruturados e não estruturados, as equipes da EY conseguiram vincular os insights fundamentais da PNL à progressão geral, identificando assim lacunas e oportunidades por estágio de progressão. Além dos insights em nível de agente, a abordagem ajudou a entender e reunir comportamentos e métodos correlacionados a conversas impactantes e resultados bem-sucedidos. A próxima etapa foi destilar esses insights em um painel de revisão interativo. Desenvolvido com a contribuição da equipe de operações do cliente e dos usuários finais para incentivar a adoção, ele oferece visualizações personalizadas para representantes e líderes de equipe que podem ser atualizadas diariamente ou quando necessário.