Machine learning zorgt voor voorspelling klanttevredenheid en leegloop

Met dank aan de ontwikkelingen op het gebied van machine learning wordt software steeds intelligenter. Pakketten voor sales en klantcontact zijn steeds beter in staat zelf na te denken en voorspellingen te doen. Zo krijgt menig medewerker al op een bordje aangereikt hoe tevreden iemand waarschijnlijk is en hoe groot uitstroom van klanten zal zijn – de zogenoemde churn ratio.

Zo kondigde Zendesk – ontwikkelaar van klantcontactsoftware – dit voorjaar aan haar programma’s uit te breiden met een voorspeller van de klanttevredenheid. Het bedrijf zegt met machine learning te kunnen voorspellen of een support ticket een positieve of negatieve beoordeling zal krijgen. Daarvoor wordt gekeken naar ‘honderden signalen’ zoals de contacthistorie, de inhoud het aantal reacties en totale wachttijd.

Pinterest gebruikt de optie bijvoorbeeld om er vroegtijdig achter te komen welke klanten waarschijnlijk een beroerde ‘customer experience’ hebben. Voorheen was daarvoor nog een medewerker nodig die handmatig aangaf welke klanten de ervaring mogelijk als slecht zouden omschrijven.

Het aantal softwarepakketten dat het label ‘slim’ draagt zal het komende jaar bijzonder hard toenemen, voorspelt Leslie Fine, onderdirecteur ‘Product, data en analytics’ bij Salesforce. Bedrijven lieten zich tot op heden vooral leiden door triggers op basis van ‘business rules.’ Dus: bezocht een klant webpagina’s of deed diegene een bepaalde zoekopdracht dan moest bijvoorbeeld een servicemedewerker toch eens een ‘kijkje nemen’. Systemen die leren voorspellen zijn zo in staat de meest trouwe klanten aan te wijzen. Of juist dat segment te herkennen dat op het punt staat over te stappen naar de concurrent.

Niet geheel verrassend dus dat Salesforce zelf ook op jacht is naar bedrijven die de CRM-software aanvullen. Al enkele jaren doet het bedrijf daarvoor diverse overnames: van de startup RelateIQ tot aan het Amerikaanse MetaKind. De bedoeling van al die vernieuwing: het totaalpakket koppelt diverse databronnen – agenda’s, contacthistorie en meer – en vertelt dan bijvoorbeeld zelf welke klanten een whitepaper of contactmoment nodig hebben.

Churn ratio

Ook de klantloyaliteit – of nog specifieker: het segment dat dreigt te vertrekken – is er goed mee te voorspellen. Net zoals Pinterest zicht wil op klanten die een slechte ervaring hebben, willen andere bedrijven meer weten over die leegloop – de ‘customer churn’. Microsoft deed met behulp van Azure Machine Learning recent een onderzoek naar die toepassing. Want natuurlijk kun je met een algoritme vaststellen welke klanten dan waarschijnlijk zullen vertrekken. Maar dat is maar een deel van de ‘churn’, schrijven de onderzoekers in hun paper.

Nu kijken bedrijven doorgaans naar vier vormen van data: allereerst de persoon zelf en de afgenomen diensten. Dan de activiteit – bijvoorbeeld het aantal logins in een online portal of het gebruik van een product – en de afgenomen support. Zoals Zendesk ook al verwachtte, is het aantal contactmomenten en de inhoud van voorspellende waarde. En tot slot alle competitieve data. Misschien is er al contact geweest tussen de klant en een concurrent.

Een goed begin, maar loyaliteit en churn zijn in praktijk een stuk complexer. De factoren die leiden tot de afname van loyaliteit zijn kortstondig van aard. Wat vandaag wordt gewaardeerd is morgen misschien niets meer waard. Past een bedrijf of de ontwikkelaar van een softwarepakket machine learning goed toe dan zou software zelf moeten begrijpen hoe factoren veranderen, maar ook welke mate van risico op klantverlies acceptabel is voor een bedrijf. Dan is er nauwkeurig vast stellen of de kosten van ‘interventie’ opwegen tegen de baten. Je kunt immers ook gewoon accepteren dat een klant vertrekt.

Foto: Ricardo Bernardo (cc)