Published On: Giugno 30, 2021

AUTORI

Alessandro Volpe
Lead Data Scientist &
Experience Mining Expert
@Bip xTech

Valutare e misurare l’esperienza del cliente di un’azienda non è facile. Trovare una misurazione oggettiva della Customer Experience è impossibile, tuttavia è possibile definire indicatori che possano offrire una stima approssimativa della sua qualità.

Se un approccio totalmente quantitativo alla misurazione dell’esperienza non è realizzabile, un approccio totalmente qualitativo sarebbe ugualmente fallace. È quindi preferibile adottare un approccio misto quali-quantitativo, derivato dalle scienze sociali e comune all’analisi di molti fenomeni complessi.

Quella che tradizionalmente viene svolta è una valutazione parziale di alcuni momenti critici (pain point) del Customer Journey, quelli che emergono dalle attività di ricerca. Il vero punto di forza di tale metodo è la capacità di stimare la qualità dell’esperienza, interpretare i comportamenti e comprendere le cause che li generano, in modo da poter progettare azioni rilevanti per i clienti finali e per la loro esperienza.

Il metodo quali-quantitativo in uso oggi è scientificamente valido, offre soluzioni efficaci, ma riguarda solo un insieme di clienti – quelli che sono stati analizzati, e questo è il suo grande limite.

Mappatura dei Customer Journey: l’approccio data-driven alla Customer Experience

Per superare i limiti della tradizionale misurazione della Customer Experience, le aziende data-driven possono utilizzare applicazioni di Data Mining e Machine Learning. L’idea innovativa proposta e sviluppata da BIP consente un nuovo approccio per mappare la Customer Experience e correlarla ai KPI di business in una logica data-driven, attraverso la raccolta e l’analisi dei dati sulle interazioni tra clienti e touchpoint aziendali.

Tali “tracce utente”, presenti sui sistemi informativi aziendali, possono quindi essere elaborate con l’utilizzo di algoritmi di Process Mining ed essere rappresentate in forma grafica (come flussi di processo) ottenendo un quadro chiaro e completo della mappa degli eventi avvenuti durante interazione con l’azienda, in tutti i principali Customer Journey, calcolando anche semplici KPI operativi (tempi di attraversamento, durata eventi, ripetizioni, …).

A partire da questi è possibile costruire KPI operativi più complessi e impostare un flusso di processo completo di monitoraggio e controllo. Dai KPI operativi, infine, si deduce la correlazione e la causalità con i principali KPI di interesse per il business.

Più complessi sono i percorsi del cliente, la varietà e il numero di interazioni e i modelli comportamentali dei clienti, maggiore è il valore dell’utilizzo della nostra applicazione.

Un approccio combinato di valutazione e analisi dei dati

Tutti i processi di interazione cliente-azienda hanno punti ciechi che i dati non possono rilevare: questo è il limite del metodo data-driven. L’innovazione dell’approccio combinato tra ricerca tradizionale e indagine data-driven consente di superare i limiti di entrambi gli approcci, consentendo il monitoraggio di un numero elevato di utenti e consentendo la verticalizzazione delle indagini su aree circoscritte e limitate. La ricerca è guidata sulle aree che i dati suggeriscono di indagare: quelle a maggior valore per il business o quelle che i dati non possono descrivere.

La combinazione di questi due approcci ci permette di prendere il meglio di entrambi: avere piena consapevolezza di tutti i Customer Journey, eliminare la dimensione di arbitrarietà legata ai metodi tradizionali, e quindi permettere al business di intervenire solo ed esclusivamente su percorsi del cliente reali e ben mappati.

Per ulteriori informazioni, fare riferimento a questo insight sul monitoraggio dell’esperienza redatto dai nostri colleghi di Sketchin.

Experience Mining: estrarre esperienza dai dati

Tali eventi possono essere ricondotti al singolo cliente incrociando gli ID univoci che caratterizzano le interazioni sui sistemi dati coinvolti. Questi dati spesso risiedono su sistemi informativi diversi, gestiti a silos dalle diverse funzioni aziendali, e richiedono quindi azioni di pre-elaborazione e pulizia per essere collegati come informazioni di eventi relativi alla stessa utenza.

Una volta uniti i dati e riportati al cliente o prospect, inizia la fase di ricostruzione del flusso delle attività utilizzando le tecnologie di Process Mining che abilitano una serie di funzioni di analisi, le più rilevanti delle quali sono:

  • rappresentare graficamente il diagramma di flusso del processo di interazione cliente-azienda, le cosiddette “User Stories”, evidenziando tutte le possibili variazioni del percorso;
  • definire e misurare quantitativamente i KPI dei processi del cliente;
  • analizzare le prestazioni su specifici KPI di processo e correlare questi KPI con le metriche standard di Customer Satisfaction misurate durante il processo;
  • definire dashboard di rappresentazione grafica di processo e KPI;
  • filtrare il processo per eventi e attributi di interesse, consentendo di individuare comportamenti distorti;
  • eseguire analisi delle cause primarie su specifici eventi di interesse per identificare i fattori scatenanti e gli eventi chiave che hanno un impatto elevato, sia positivo che negativo, sui KPI di interesse.

La complessità della fase di mappatura mediante Process Mining consiste nella gestione di una grande molteplicità di “percorsi unici” intrapresi dagli utenti nel processo di interazione. Per risolvere questo problema, BIP ha realizzato un modulo proprietario di Machine Learning in grado di eseguire un “clustering comportamentale” sulle catene di eventi che caratterizzano la sequenza di interazioni tra utenti e azienda. In breve, l’algoritmo BIP rileva gruppi di utenti che si comportano e interagiscono con i touchpoint aziendali in modo simile (es. chi chiede lo stesso tipo di informazioni, attraverso canali simili, …).

Questi segmenti della base di clienti sono la base per la costruzione delle Customer Personas: personaggi immaginari e archetipici che incarnano il comportamento, le abitudini, i bisogni e le aspettative di uno specifico segmento di utenti reali. Tale categorizzazione viene utilizzata anche come componente informativa aggiuntiva per definire specifici KPI per la misurazione della Customer Experience, differenziabili in base al modello comportamentale. La tradizionale valutazione della Customer Experience parte da questo punto: le Personas sono la chiave per comprendere le motivazioni e le cause alla base dei comportamenti degli utenti.

Il passo finale è quello di integrare lo strumento con i sistemi informativi aziendali, consentendo così all’azienda di dotarsi di un sistema di monitoraggio della Customer Experience alimentato con dati costantemente aggiornati in modo da attivare un processo iterativo e continuo di misurazione, attuazione di misure correttive mirate e guidato da prove quantitative e infine monitorando l’efficacia.

Perché BIP?

Il framework Experience Mining è stato utilizzato con successo in settori molto diversi, per l’analisi di diversi processi del Cliente. L’approccio, infatti, non è focalizzato su settori o processi specifici, ma può essere utilizzato su qualsiasi area e fase del Customer Journey dei clienti di un’azienda.

Presenteremo ora due esempi applicativi, per descriverne in modo pratico le caratteristiche.

Perché i clienti denunciano le bollette di acqua, luce e gas?

L’asset BIP di Experience Mining è stato utilizzato da una grande Utility italiana per approfondire la Customer Experience relativa al processo di gestione delle richieste di informazioni e dei reclami commerciali post-fatturazione nel campo della distribuzione dell’acqua, e della vendita di energia elettrica e gas.

L’algoritmo BIP di “clustering comportamentale” ha permesso di segmentare le User Story, a valle della convergenza con approfondimenti di ricerca qualitativa, in 6 macro-cluster corrispondenti ad altrettante Customer Persona, con caratteristiche differenti. Ciò ha consentito di semplificare automaticamente lo studio sull’intera Customer Base monitorata, consentendo di focalizzare, anziché su 180.000 User Story, solo 6 gruppi che rappresentano i comportamenti più rilevanti tra tutti gli utenti coinvolti.

Le evidenze relative a ciascuna delle Persona selezionate, operate attraverso il calcolo di specifici KPI, hanno consentito di definire rapidamente le azioni per migliorare la Customer Experience:

  • Tasso di reiterazione delle richieste di informazioni: i clienti più lamentosi sono quelli con il più alto tasso di reiterazione delle richieste di informazioni sulla stessa problematica, evidenziando la necessità di creare percorsi di supporto ad hoc per questa tipologia di argomenti.
  • Canale principale per la gestione delle richieste di informazioni e per la risoluzione delle richieste di chiarimento sulle fatture: per ciascun gruppo di utenti è stato individuato il canale più efficace per la gestione delle problematiche e sono state sviluppate strategie per indirizzarli a tale canale.

I quick win implementati hanno comportato una diminuzione del tasso medio di reclamo sulle porzioni più problematiche della Customer Base.

Perché i clienti abbandonano il provisioning di un servizio di telecomunicazione?

In Brasile, BIP ha aiutato un importante operatore di telecomunicazioni a costruire una factory di Experience Mining al fine di migliorare le sue capacità di mappatura del percorso del cliente e analisi del comportamento del cliente. Fino ad allora, i team di analisi aziendali hanno dovuto gestire origini dati numerose e complesse, richiedendo molti sforzi manuali per combinare e consolidare in modo da poter generare approfondimenti aziendali pertinenti. Anche l’elaborazione e la rappresentazione manuali dei dati stava rendendo estremamente difficile la comprensione dei percorsi dei clienti (cioè l’analisi di diverse sequenze di eventi/interazioni in una sequenza temporale).

In tal senso, l’implementazione di Experience Mining ha avuto i seguenti obiettivi:

  1. Facilitare l’aggregazione dei dati su più sistemi di origine (CRM, Canali Digitali, Fatturazione, Piattaforme di Rete, ecc…)
  2. Fornisci funzionalità di analisi avanzate per ottenere informazioni utili basate sui percorsi dei clienti

In termini di metodologia, BIP ha implementato una “Fabbrica XMining” utilizzando un approccio agile in modo da poter fornire studi/strumenti di analisi specifici su base mensile. Il Product Owner, definito dalla parte del cliente, era responsabile della raccolta interna di argomenti caldi e necessità di analisi (comitati di amministrazione per i sondaggi, altre aree aziendali, ecc.), costruendo e dando priorità al backlog.

Tra i diversi casi d’uso affrontati dalla fabbrica, vale la pena citare:

  • Un modulo di analisi delle cause di abbandono, che consente di comprendere meglio quali tipi di variabili (incluso il percorso del cliente stesso o anche eventi specifici del percorso) possono influenzare il tasso di abbandono. Lo strumento aggrega quasi 20 diverse fonti di dati e 500 variabili, fornendo un’interfaccia intuitiva per sperimentare e osservare le correlazioni tra le variabili e il tasso di abbandono. Utilizzando questo modulo, BIP è riuscita a identificare una serie di scenari molto specifici di churn dei clienti, in base alla loro Persona, profilo di consumo e journey, facilitando la definizione dell’action plan.
  • Uno studio Promotori vs Detrattori che identifica quali tipi di journey dei clienti (o eventi specifici di queste journey) hanno influenzato positivamente o negativamente il punteggio NPS complessivo.

Il tool di Experience Mining è ora disponibile sull’ecosistema Celonis EMS. Dai un’occhiata al Celonis EMS Store per scoprire come i nostri clienti stanno migliorando l’esperienza dei loro clienti con l’Experience Mining di BIP!


Se sei interessato a saperne di più sulla nostra offerta o vuoi avere una conversazione con uno dei nostri esperti, invia un’e-mail a bipxtech@mail-bip.com con “Experience Mining” come oggetto, e sarai contattato prontamente.