La lingüística computacional bien aplicada ofrece un mundo de posibilidades a, por ejemplo, los contact centers que quieran entender de verdad lo que dicen los clientes cuando llaman, en Predictiva lo saben y potencian las funcionalidades de su software Upbe. De momento, son las grandes corporaciones quienes más están utilizando su software, pero los centros de contacto pueden beneficiarse de muchas de sus bondades. Hoy charlamos con Noelia Navarro, COO de Predictiva, sobre todo esto.
Relación Cliente: Una de las principales características de vuestro software Upbe es que se basa en la lingüística computacional, lo que ya en sí es un punto a favor de la experiencia de cliente, porque entiende la estructura del mensaje y lo que dice la persona que habla sin necesidad de configurar el sistema previamente.
Noelia Navarro: Upbe clasifica las llamadas en función del motivo e identificando el TMO y la re-llamada de manera automática. Con este dato ya puedes analizar uno de los KPIs del análisis de dispersión, no solo por agente sino por motivo para analizar cuál de ellos requiere mayor tiempo de atención o se le está dedicando.
Por otro lado, Upbe permite cruzar estos datos con cualquier atributo de impacto en el negocio que se quiera identificar. Si detectamos insatisfacción, por ejemplo, se puede cruzar con esos indicadores fundamentales. También se pueden detectar cuestiones relacionadas con las habilidades blandas de los agentes. Si están más o menos empáticos ante una consulta o incidencia de un cliente.
Otro caso de uso interesante es hacer un seguimiento de la ejecución del proceso en función del motivo de la llamada. ¿Cómo debe reaccionar y gestionar un tema un agente en relación al motivo por el que llama el cliente? ¿Lo está haciendo de forma correcta?
Relación Cliente: En estos momentos, Predictiva está trabajando con grandes compañías en cómo mejorar ese conocimiento del cliente cuando llama a través de la lingüística computacional, no solo para entender mejor sus necesidades y adaptar su producto o servicio con la información que le llega, sino también para mejorar el propio servicio de atención al cliente. En este sentido, ¿cómo se pueden automatizar estos procesos de entendimiento y cruzarlos con indicadores del contact center? ¿Qué complicación supone esto y que resultados aporta?
Noelia Navarro: Los porcentajes de mejora van a depender mucho de los planes de acción y su ejecución. Aquí es importante resaltar que la IA Conversacional de Upbe es una herramienta puesta al servicio de un equipo que tiene que entender el origen y magnitud de los problemas, pero que luego tiene que ejecutar con rapidez y tomando decisiones.
Upbe muestra resultados de las llamadas no resueltas en primer nivel o la manifestación expresa del cliente que indica que ha llamado en más de una ocasión. Lo hace analizando la estructura del lenguaje, para que no sea necesario etiquetar ni configurar nada. Estos automatismos en algunos casos han reducido en un 20 o 30% los costes estructurales de campañas.
Con esto consigues el detalle de los principales motivos por los que ocurren las cosas. Es en el análisis de esos datos donde se deben centrar los planes de acción.
Relación Cliente: Si nos fijamos en concreto, por ejemplo, en la disminución de las re-llamadas, ¿qué porcentaje de reducción se puede conseguir?, ¿cómo estáis trabajando este punto?
Noelia Navarro: En el caso de las re-llamadas, lo que buscamos es identificar en el alto nivel cuestiones que no nos encajen. Sin configurar nada, tras cargar y procesar las llamadas, buscar qué categorías o tipos de llamadas tienen porcentajes de re-llamada más altos. O qué llamadas tienen tiempos medios de operación más altos en el caso del TMO.
Esos motivos de primer nivel luego se clasifican en motivos de segundo orden, en los que en una frase de 10-15 palabras resumimos todo lo que se ha dicho. A partir de aquí, además de tener el alto nivel, podemos ir buscando cosas concretas que se digan en las llamadas. Insistimos: sin configurar nada ni calibrar nada, porque es la propia tecnología la que analiza la estructura del lenguaje.
Esto nos hace más eficientes y productivos solucionando problemas estructurales. Y también puntuales. Lanzas un producto y generar un nivel de re-llamadas superior a la media. Algo pasa. Estamos teniendo casos de mejorar superiores al 5%. Imaginemos campañas con miles de llamadas al mes. Es una mejora que impacta mucho en los resultados y en la satisfacción de nuestros clientes.
Relación Cliente: ¿Cómo puede ayudar la lingüística computacional a reducir las bajas de clientes?, ¿qué elementos hay que trabajar para conseguir reducir los puntos de fricción que puedan surgir y evitar esas bajas?
Noelia Navarro: Upbe permite analizar un volumen mayor de lo que en la actualidad se analiza. Hablamos de analizar el 100% de las llamadas. Por lo que el simple hecho de tener más información, detallada y objetiva, ya es una herramienta fundamental para evitar bajas. Puedes ver principalmente los motivos que causan baja y clasificarlos, conocer si tus agentes están rebatiendo y cómo lo hacen y conocer el éxito o no de esos rebates y objeciones.
También puedes anticiparte a las llamadas, ya que Upbe te alerta sobre aquellas en las que aparece un cliente insatisfecho que puede desencadenar una baja futura. O incluso en una llamada de venta, solo por las preguntas que realiza el cliente puedes identificar una baja temprana.
Relación Cliente: ¿Cuáles son, en estos momentos, los retos principales a los que se enfrenta la lingüística computacional y su aplicación a la industria de los contact centers?
Noelia Navarro: Habría que hace una aclaración para señalar que actualmente, Upbe lo utilizan más corporates de forma directa que contact centers.
Y dicho esto, podríamos señala que aquí estamos hablando de ir tres o cuatro pasos por delante de cualquier tecnología utilizada para analizar llamadas. Pasamos de un etiquetado literal, manual, con escuchas también manuales de apenas el 2% de las llamadas a analizar el 100% de forma automática y masivo, sin configuración ni calibración. Desde un punto de vista de proceso y metodología la mejora es muy evidente.
Donde tiene el reto la lingüística computacional está en el entrenamiento de los propios datos. Cuanto más los entrenemos mejor resultados tendremos. Esto exige creer en la tecnología, tener metodos de trabajo coordinados y un plan de implementación consistentes.
Su aplicación, automatizaciones aparte, sobre todo está en obtener información directa de los clientes. Información que no pasa ningún filtro ni pasa por ser una encuesta. Es feedback sin filtro y sin sesgo de nuestros clientes. Esto tiene muchísimo valor para grandes empresas que tienen en el canal voz un punto de contacto vital con ellos. Con estos datos conversacionales tenemos una visión objetiva de la voz de nuestros usuarios y clientes.
(Manuela Vázquez)
