reageer op dit artikel

Wat is het belang van soft skills in een contactcenter waarin technologie en data steeds meer op de voorgrond komen? En hoe kan je de verschillende zachte competenties van medewerkers het best in gesprekken tot hun recht laten komen? Naast het versterken van competenties liggen er kansen in het koppelen van klanten aan de best passende medewerker. Die match is complex en dus is er werk aan de winkel voor slimme systemen. Soft skills, slimme routering en lerende systemen stonden centraal tijdens de jaarlijkse klantendag van Telecats, gehouden bij Sanoma met gastvrouw Carmen Vriesema.

Sanoma heeft als ambitie de grootste uitgever van Nederland blijven. Bij Sanoma is de customer & campaign services (CCS) verantwoordelijk voor serviceverlening en verkoop. Het CCS bedient de abonnees, maar ook de merken van Sanoma. Met tientallen sterke merken zoals Nu.nl, VT Wonen, Linda, AutoWeek en natuurlijk Donald Duck is er altijd wel ergens een marketingcampagne bezig.

Profitcenter zorgt voor nieuwe abonnees

Het CCS is een profitcenter; er wordt doorlopend gesproken over het realiseren van omzetverbetering. Sanoma gelooft in de kracht van het persoonlijk contact, dus voorlopig is het gesprek van grote waarde (725.000 inbound calls per jaar) en wordt de klant nadrukkelijk naar het telefoniekanaal gestuurd. Een groot deel van de selfservicevoorzieningen is dan ook ‘uit’ gezet. Dat het gesprek van waarde is, blijkt uit de cijfers. Van de opzeggers wordt bijna de helft binnengehouden en ook cross sell activiteiten zijn uitermate succesvol. Hierachter zit een doordachte aanpak.

Juiste soft skills koppelen aan de juiste klant

De medewerkers van het CCS worden ingedeeld op basis van hun retentieresultaat (RTR): brons, zilver, goud. Medewerkers kunnen via een uitgebreid traject, met meerdere onderdelen, van brons naar goud groeien – de basisbeloning blijft hetzelfde – maar ook weer terugvallen: er is een maandelijkse ‘vlootschouw’. Klanten worden via berekeningen ingedeeld op basis van retentie-potentieel. Sanoma probeert volgens die scores de meest lastige klantkwesties te routeren naar de meest ervaren medewerkers. Het model van ‘matching’ van klant en medewerker is complex, maar volledig transparant. Het is wel een hele uitdaging voor de planning. Door de focus op klanttevredenheid en omzetresultaat liggen ze bij Sanoma niet zo wakker van het servicelevel: er wordt vooral gestuurd op bereikbaarheid (92 tot 95%) ofwel het beperken van het aantal abandoned calls.

Tevreden medewerkers presteren beter

Nieuwe medewerkers van het CCS worden uitgebreid getest, zeven dagen getraind en zes weken ingewerkt. Het CRM-systeem vraagt veel training, maar er is ook veel aandacht voor sales en voor de cultuur van Sanoma. Dag in dag uit inlevingsvermogen tonen en voor ambitieuze salesdoelen gaan vergt nogal wat. Manager Carmen Vriesema geeft dan ook vol trots aan dat ze bij Sanoma veel energie steken in sales- en cultuurprogramma’s die bijdragen aan een goede werkomgeving die het werkplezier en het halen van doelen ondersteunt. Tevreden medewerkers presteren nu eenmaal beter.

Het model van servicedifferentiatie wordt verder doorontwikkeld, onder meer tot op het niveau van specifieke titels. Daarnaast wordt de marketing steeds meer datagedreven. Ook werkt Sanoma aan uitbreiding van de medewerkersprofielen door te kijken naar persoonseigenschappen en drijfveren op basis van het model van Brand Strategy Research. Misschien zijn bepaalde soorten klanten wel beter geholpen met medewerkers die nu nog niet aan boord zijn. Ook voor wat betreft nieuwe kanalen staat Sanoma voor een uitdaging: hoe zet je het CCS in voor online interactie en hoe genereer je daarmee conversie?

Stapsgewijs ontwikkelen

De klanten (en klantdagen) van Telecats zijn een van de bronnen van vernieuwing in de producten van Telecats. Of korter gezegd: het bedrijf doet aan co-creatie, zo leggen Sander Hesselink en Michel Boedeltje (foto) uit. De de afgelopen tijd is bijvoorbeeld de agent desktop – het scherm waarop voor de medewerkers alle relevante informatie staat – uitgebreid met een optie voor berichtenverkeer voor medewerkers en met een optie waarbij via spraakherkenning de emotie van de klant wordt aangegeven. Ook het toevoegen van presence-informatie in de desktop is waardevol: zo kunnen front- en backofficemedewerkers vaste en mobiele telefonie integreren en is altijd duidelijk wie aanwezig en beschikbaar is voor contact – een unified communications oplossing die in samenwerking met T-Mobile is doorgevoerd.

Complexe onderwerpen

Telecats verwacht dat outbound het nieuwe inbound wordt. Het kan daarbij gaan om het reageren op digitale interacties waarbij je een persoonlijk gesprek wilt voeren en om piekopvang (waarom de piek van zorgverzekeraars laten concentreren in een paar weken, terwijl je vooraf al kunt bepalen welke klanten je al proactief kunt benaderen?). Ook wordt de match tussen medewerker en klant steeds belangrijker. De verklaring hiervoor is simpel: eenvoudige vragen worden steeds meer geautomatiseerd afgehandeld. Bij complexe onderwerpen spelen commercieel gevoel, creativiteit en empathie een rol. Als er een optimale match wordt gemaakt tussen de context van de klant en de eigenschappen van de medewerker, is de kans groter dat er een goed en prettig gesprek tot stand komt. Dat heeft een positieve invloed op de conversie en/of NPS.

Van wachtrij naar matching-ruimte

Het huidige routeren van calls op basis van cijfermatige ‘als dit, dan dat-regels’ (denk aan ‘eerstvolgende beller wordt toegewezen aan eerstvolgende beschikbare medewerker’) houdt weinig rekening met de waarde van klanten en de potentie van medewerkers. Daarom verwacht Telecats dat deze aanpak geleidelijk plaats zal maken voor intelligente routering. Die houdt aan de ene kant rekening met eigenschappen en voorkeuren van de klant – klantwaarde, klantvoorkeuren, persoonlijke eigenschappen, sociale en gezinssituatie, actuele context zoals een vooraf ingesproken vraag, et cetera. En aan de andere kant houdt intelligente routering ook rekening met het medewerkerprofiel.

Voorspellen, matchen, beslissen

Zie het als een datingsite: op basis van welke kenmerken kunnen we komen tot de beste match en wanneer kiezen we daar voor? In die intelligente routering gaat het om meer dan alleen eigenschappen van medewerker en klant. Je kunt namelijk ook gaan voorspellen hoe lang het duurt voordat de best passende medewerker beschikbaar is. Op basis van allerlei factoren kun je het systeem laten beslissen of het de moeite waard is de klant nog even te laten wachten – met als uitkomst dat hij of zij bij de best passende medewerker uitkomt. Ofwel: op elk moment de beste keuze maken voor de klant en de agent, op basis van klantbeeld en inhoud van het klantcontact. Deze intelligentie komt tezamen in het nieuwe platform Telios IQ van Telecats. De belangrijkste vraag is natuurlijk op welke factoren zo’n slimme routering gebaseerd zou moeten zijn.

Intelligente routering: informatie nodig

Deze routeringsmethode is vele malen complexer dan de standaardmethode van first in, first out of een methode als skill based routing. Daarom komen de keuzes binnen deze methode tot stand op basis van machine learning. Dat begint bij het in kaart brengen van eigenschappen van zowel klanten als medewerkers, waarna vervolgens wordt gemeten wat de resultaten zijn van combinaties. Wat is de uitkomst – in termen van klanttevredenheid of conversie – als je een bepaalde medewerker aan een bepaalde klant koppelt? Al deze resultaten vormen de input om het systeem duidelijk te maken welke combinaties tussen klant(eigenschappen) en medewerker(eigenschappen) het best werken.

Machine learning is nodig omdat de onderliggende patronen in de veelheid aan variabelen te ingewikkeld is om dit op te lossen met handmatige analyses. Zodra het systeem heeft geleerd om de best passende combinaties te maken, doe je een pilot in je bestaande operatie, waardoor je zicht krijgt op de verschillen. Om te komen tot intelligente routering moet je dus een aantal stappen doorlopen; het is niet iets wat je ‘aan’ zet. Het systeem zal gevoed moet worden met informatie – bijvoorbeeld via workshops – en zal daarnaast de nodige data moeten verzamelen, op basis daarvan beslissingen moeten nemen en de resultaten moeten gebruiken om het nemen van beslissingen te verbeteren.

Update over kunstmatige intelligentie

Duidelijk is dat machine learning niet alleen een buzzword is, maar als een vorm van kunstmatige intelligentie ook langzaam maar zeker aan de slag kan met echte vraagstukken van contactcenters. Zoals: welke medewerker kan nu het beste een bepaalde klant helpen? Volgens Arjan van Hessen (Telecats/Universiteit Twente) is menselijke intelligentie als concept al lastig genoeg, maar zullen we binnenkort ook niet veel meer begrijpen van hoe computers tot beslissingen komen. Toch heeft een computer geen bewustzijn en is het al helemaal niet zo dat kunstmatige intelligentie dezelfde complexiteit aan denkwerk aan kan als de mens – denk aan totaal verschillende soorten taken tegelijkertijd zoals autorijden, communiceren, eten kauwen en aan je kin krabben.
Ondanks alle hypes begint er wel steeds meer ordening in de wereld van kunstmatige intelligentie te komen. Dat is belangrijk, omdat daarmee het begrip over de werking, de mogelijkheden en beperkingen toeneemt.

Wat is een kat?

Er zijn twee soorten kunstmatige intelligentie: een vorm die werkt op basis van het herkennen van (complexe) patronen en een vorm die gebaseerd is op tekstanalyse. De eerste vorm let op kenmerken (wanneer komt een eigenschap wel of niet voor: wat maakt iets tot een kat?) en de tweede vorm probeert vat te krijgen op de betekenis van en relaties tussen woorden. Over het algemeen is kunstmatige intelligentie goed in een taak – in tegenstelling tot mensen zoals eerder aangegeven. Een deel van het succes van kunstmatige intelligentie wordt verklaard door de mogelijkheid gelijktijdig grote hoeveelheden data te kunnen verwerken en ook verschillende verwerkingsprocessen naast elkaar te kunnen uitvoeren en over meerdere fasen. Dat is weer het resultaat van verbeterde algoritmen en snellere en goedkopere rekencapaciteit.

Wat is er mogelijk met kunstmatige intelligentie?

We zijn inmiddels aangeland in een tijdperk waar machine learning systemen in staat stelt beelden te herkennen, spraak te herkennen en spraak te genereren, vragen en gedrag te voorspellen, en emoties te herkennen. Er zijn ook nog veel beperkingen waar de meeste mensen weinig moeite mee hebben: zo is het voor systemen nog lastig van een gesproken verhaal te komen tot een samenvatting of emotie te leggen in kunstmatig gegenereerde spraak.
Belangrijk onderdeel van de zich snel ontwikkelende technologie is dat (terwijl de toepassingsmogelijkheden groter worden) het steeds minder duidelijk wordt hoe kunstmatige intelligentie tot beslissingen komt. Om ervoor te zorgen dat fabrikanten op een verantwoorde manier kunstmatige intelligentie ontwikkelen, wil de EESC (European Economic and Social Committee) een Europees normerings- en certificeringssysteem opzetten dat moet controleren of AI aan standaarden voor ‘veiligheid, transparantie, begrijpelijkheid, verklaarbaarheid en ethische waarden’ voldoet

Kunstmatige intelligentie in klantcontact

In klantcontact wordt kunstmatige intelligentie al toegepast. Zo wordt spraakherkenning al vele jaren ingezet voor routering, identificatie van onderwerpen of personen en inhoudelijke analyses. Maar ook de eerder genoemde emotiedetectie. Het herkennen van de vijf basisemoties (woede, verdriet, angst, blijdschap en neutraal) gaat goed, net als het herkennen van spraak in gecontroleerde situaties. Maar een spraakherkenner kan niet uit de voeten met ironie of sarcasme of met andere emoties met vaak een culturele of leeftijdsgebonden component. Verder assisteert kunstmatige intelligentie tijdens het gesprek door eerder ingesproken informatie op het scherm (al dan niet in combinatie met context, die een slim systeem heeft bijeengezocht of geredeneerd) te plaatsen. Denk aan het geven van antwoordsuggesties.

Telecats zet kunstmatige intelligentie nu volop in bij de ontwikkeling van Telios IQ. Want intelligent routeren waarin je allerlei eigenschappen van klant en medewerker meeneemt, is alleen mogelijk met behulp van machine learning, zoals eerder beschreven. Daaruit blijkt dat de inzet van kunstmatige intelligentie nu echt doorbreekt in klantcontact. Klantcontact.nl blijft deze ontwikkeling op de voet volgen.

Reageer

Het e-mailadres wordt niet gepubliceerd. Verplichte velden zijn gemarkeerd met *

Close
Go top