استخدام التعلم الآلي لمقابلة العملاء حيث هم، في الوقت الحقيقي
“مقابلة العملاء حيث هم.” إنها عبارة تعرفها جميع الأعمال التجارية، لكن ماذا تعني بالضبط عند استرداد الحسابات المتأخرة؟
ببساطة، يتعلق الأمر بتخصيص رحلة العميل لتكون استجابة لاحتياجات كل مستهلك فريدة. في التحصيل، يعتمد أساس كل تجربة مخصصة على عنصرين:
- أين يقع العميل في رحلته التحصيلية - على سبيل المثال، هل تم إحالتهم للتو إلى منتجنا، أم أنهم يتلقون اتصالات منا منذ بضعة أسابيع؟
- ما هو نوع الاتصال الذي من المرجح أن يجذبهم في تلك المرحلة - على سبيل المثال، ما المعلومات أو نبرة الصوت الأنسب لعميل جديد تمامًا؟ ماذا عن شخص زار بوابة الدفع عدة مرات، لكنه لم يتخذ أي إجراء بشأن حسابه؟
تخيل الإمكانيات - القدرة على التنبؤ بـ “أين” و “ما” لكل عميل فردي. مع ذكاء التحصيل من InDebted، يتم تحديد كلا الأمرين من خلال نموذج رحلة العميل.
ما هو نموذج رحلة العميل؟
إنه نموذج تعلم آلي يحدد بالضبط أين يقع العميل في رحلته التحصيلية. هذا يعني أنه قبل إرسال أي اتصال، يقوم النموذج بالتحقق مما إذا كانت هناك أي تفاعلات أو رسائل سابقة قد تلقاها عميل معين بشأن ديونه.
بمجرد أن يعرف النموذج مكان شخص ما في رحلته، يقوم بتخصيص رسالته التالية وفقًا لذلك. على سبيل المثال، إذا كان شخص ما قد زار بوابتنا للعملاء ولكنه لم يتخذ أي إجراء بشأن حسابه، فسيقوم النموذج بإرسال بريد إلكتروني مشابه لذلك أدناه.
كيف يعمل؟
باستخدام أكبر مستودع بيانات في الصناعة الذي يحتوي على أكثر من 500,000,000 تفاعل مع العملاء (أحداث)، قمنا بتحديد المعالم الرئيسية في رحلة التحصيل. يشمل ذلك العملاء الذين:
- تم إحالتهم إلينا مؤخرًا
- قاموا سابقًا بإعداد خطة دفع، لكنها تعطلت منذ ذلك الحين
- دفعوا جزءًا من ديونهم في دفعة واحدة، لكن لم يسددوا الرصيد بالكامل
- فتحوا مؤخرًا بريدًا إلكترونيًا للتحصيل أو زاروا بوابتنا، لكنهم لم يتخذوا أي إجراء بشأن ديونهم
والمزيد. من خلال تخصيص الرسائل لهذه السيناريوهات المحددة، يمكن لمنتجنا إنشاء تجربة استجابة تعمل بشكل أفضل لكل حالة فردية.
زيادة معدلات التحويل بنسبة تصل إلى 11%
عند مقارنتها بمجموعة تحكم، فإن العملاء الذين تم تخصيص تجربتهم في التحصيل بواسطة النموذج هم أكثر احتمالًا بنسبة 6.82% لحل ديونهم. إذا نظرنا إلى تأثير النموذج حسب قناة الاتصال، نرى زيادة بنسبة 7.32% عبر البريد الإلكتروني و11% عبر الرسائل النصية القصيرة - مما يبرز القيمة الحقيقية لنهج متعدد القنوات.
وليس هذا كل شيء. كنموذج تعلم آلي، سيصبح أكثر تطوراً مع مرور الوقت. كل تفاعل، رسالة، وحدث يتعلم منه النموذج يؤثر على ما سيفعله بعد ذلك. يصبح أكثر ذكاءً وبديهية مع كل ثانية، مما يحسن الأداء والتفاعل باستمرار.
تعرف على المزيد
