Data science voor klantcontact: de kansen en stappen

“Vroeger was ik fan van het spelletje Where’s Waldo. Je ziet een plaatje vol mensen op een strand o.i.d. en daarin moet je Waldo zien te vinden. Zo werkt het nu ook met data,”zegt Jeroen Kromme van Cmotions, “er is zoveel te zien, maar waar is net dat stukje dat voor jouw organisatie interessant is? Het afgelopen decennium lag de focus op het verzamelen van data, nu ligt die op het zoeken van relevante informatie uit de databerg.” Jeroen Kromme is data scientist bij Cmotions en spreekt tijdens de KSF-expertsessie Data samen met zijn collega en data scientist Sebastiaan de Vries. Zij nemen de aanwezige data-analisten, innovatiemanagers en klantcontactprofessionals van verschillende organisaties op 2 oktober 2018 mee in de wereld van data en de kansen ervan voor klantcontact.

Algoritme voor je favoriete koffie
 “Data science gaat over drie dingen: inzicht krijgen in data (wat zeggen data: correlaties), het begrijpen van data (dashboarding) en de toepasbaarheid van data (wat kunnen we ermee)”.
Jeroen Kromme laat zien hoe zij continu experimenteren met data: het bedrijf organiseert o.a. Project Friday, waarbij het bedrijf kleine projecten opzet om te spelen met data. Het team heeft bijvoorbeeld een algoritme geschreven voor het koffiezetapparaat. Zodra een medewerker voor het apparaat staat, dan wordt die herkend (gezicht, stem en meer). De machine weet hoe diegene zijn of haar koffie drinkt en bereidt de favoriete koffie. “Dit is een mooi voorbeeld van AI, waarbij data real-time wordt ingezet en helpt bij het direct inspelen op de klantbehoeften”.

Maturity model
Vervolgens neemt Jeroen de deelnemers mee in het Maturity model: een model dat inzicht geeft in de datavolwassenheidsfase van jouw organisatie. Het model bestaat uit 5 stappen: reporting (verzamelen van data, zonder inzichten), dashboarding (data verzameld op 1 plek biedt inzichten in KPI’s en in het WFM-proces), tactical (proactief inzetten van data, waar bellen mensen voor, hoe kun je de operatie verbeteren om herhaalverkeer te voorkomen en meer), strategical (data voor strategische keuzes inzetten, de klant kennen en relevant klantcontact aanbieden), real-time (klantcontactmedewerker is aan de telefoon en krijgt tijdens het gesprek alle relevante informatie over klant op het scherm van een slim systeem, AI-gedreven, op basis van algoritmes, samenwerking chatbot en mens).

Jeroen laat aan de hand van een praktijkcase van Vivat zien hoe het model werkt. Vivat had voldoende kennis over KPI’s en voldoende data verzameld, maar data kwamen uit zeven verschillende bronnen en werden verspreid d.m.v. veertien Excelbestanden. “Deze twee punten maken data-inzet ook extra foutgevoelig. Cijfers kunnen een eigen leven gaan leiden en correlaties kunnen lastig gemaakt worden: hiermee gaan waardevolle (klant)inzichten verloren. Door alles in één overzicht, één dashboard, te plaatsen en door de stappen van het model te doorlopen, heeft Vivat nu meer grip op data en verkrijgt het nu stuurinformatie uit die databerg”.

Jeroen en Sebastiaan laten zien hoe 7 algoritmes strijden om de beste voorspellingen van interacties. “Sommige algoritmes zijn beter in een dag vooruit voorspellen, andere laten hun kracht zien in het voorstellen van het aantal interactief over drie of vier weken. Ook Spraakherkenning algoritmes geven inzichten die interessant zijn voor bijvoorbeeld kwaliteitscontrole: welke vragen worden en gesteld en welkte behoeftes spreken klanten uit die het bedrijf nog niet in kaart heeft?”. Beide een mooi voorbeeld van waar AI en data science samenkomen.

Zelf aan de slag
En in welke fase zitten de aanwezige organisaties? Deelnemers geven aan tussen fase 2 en 3 te zitten, en sommigen zitten tussen fase 3 en 4. Bij alle organisaties is er de wens om in fase 5 terecht te komen, maar zover is iedereen nog niet: “Met techniek is er al veel mogelijk, maar het vraagt ook veel van de operatie en de bedrijfscultuur en daar ligt nog een grote uitdaging”.  Kandidaten geloven in de samenwerking tussen een chatbot en een mens: “Bij het inzetten van real-time data is die samenwerking van groot belang”.

Vervolgens wordt de groep opgesplitst in vier groepen. Iedere groep krijgt de opdracht om uit te werken hoe je van fase 2 naar fase 3 komt en zo door (m.u.v. fase 1 naar fase 2). Een aantal belangrijke bevindingen uit de groep:

• Zorg dat je definities uniform zijn, zodat (data)systemen met elkaar kunnen praten
• Vertaal data door naar je business en maak het voor iedereen in de organisatie begrijpelijk wat bepaalde data betekenen. Dat is nodig om klantcontact te optimaliseren en te verbeteren.
• Ga op zoek naar de correlaties: losse data zeggen niks, wel in combinatie met andere data. Draai aan de knoppen, en zie wat er gebeurt.
• Van reactief naar proactief: zorg met data voor relevant klantcontact. Kijk daarbij ook naar omgevingsfactoren die van invloed kunnen zijn.
• Als je aan de slag gaat met real-time-data: blijf continu data van toen en nu vergelijken. Wijkt het af? Waarom wel of niet? Door dat te blijven doen, zorg je ervoor dat het systeem steeds slimmer wordt (machine learning). Controle blijft belangrijk, ook al is de machine zelflerend. Hier is de rol van de mens van belang: een mooi voorbeeld van de kracht van de samenwerking tussen mens en techniek.

Op scherp gezet
Aanwezigen geven aan dat het erg nuttig was om weer even stil te staan bij waar ze mee bezig zijn en wat nou echt nodig is om slim om te gaan met data. “Je wordt weer goed op scherp gezet en neemt dingen mee voor je eigen organisatie,” aldus een van de deelnemers.

We bedanken alle aanwezigen voor hun actieve bijdrage aan deze sessie en Cmotions voor het delen van de ervaringen de gastvrijheid.

Wil je ook een keer een KSF Expertsessie Data bijwonen? Houd dan onze agenda in de gaten. De eerstvolgende KSF-expertsessie Data vindt plaats op 18 december, we hebben het dan over het Centraal Klantbeeld.