Usando machine learning para encontrar a los clientes exactamente donde están en tiempo real

“Encontrar a los clientes donde están.” Es una frase que todas las empresas conocen bien, pero ¿qué significa exactamente cuando se trata de recuperar cuentas vencidas? 

Esencialmente, se trata de personalizar el viaje del cliente para que sea receptivo a las necesidades únicas de cada consumidor. En cobranza, la base de cada experiencia personalizada radica en dos elementos:

1. Dónde se encuentra un cliente en su viaje de cobranza - por ejemplo, ¿ha sido referido a nuestro producto muy recientemente, o ha estado recibiendo comunicaciones de nuestra parte durante algunas semanas?
2. Qué comunicación es más probable que lo involucre en esa etapa - por ejemplo, ¿qué información o tono de voz es el más adecuado para un cliente completamente nuevo? ¿Qué pasa con alguien que ha visitado el portal de pagos varias veces, pero aún no ha tomado acción sobre su cuenta?

Imagina las posibilidades: la capacidad de predecir el ‘dónde’ y el ‘qué’ para cada cliente individual. Con la inteligencia de cobranza de InDebted, ambos son identificados por nuestro modelo de Viaje del Cliente.

¿Qué es el modelo de Viaje del Cliente?

Es un modelo de machine learning que identifica exactamente dónde se encuentra un cliente en su viaje de cobranza. Esto significa que antes de enviar una comunicación, el modelo averigua qué (si es que hay) interacciones o mensajes previos ha tenido un cliente en particular respecto a su deuda.

Una vez que el modelo sabe dónde se encuentra alguien en su viaje, adapta su próximo mensaje exactamente a esto. Por ejemplo, si alguien ha visitado nuestro portal de clientes pero aún no ha tomado acción sobre su cuenta, el modelo enviará un correo electrónico similar al que se muestra a continuación.

¿Cómo funciona?

Usando el mayor repositorio de datos de la industria que contiene más de 500,000,000 interacciones (eventos) de clientes, hemos identificado hitos clave en el viaje de cobranza. Esto incluye a clientes que han:

• Muy recientemente han sido referidos a nosotros 
• Establecido previamente un plan de pago, pero que se ha incumplido
• Pagado parte de su deuda en un solo pago, pero no el saldo total
• Abierto recientemente un correo electrónico de cobranza o visitado nuestro portal, pero aún no han tomado acción sobre su deuda

Y más. Al adaptar los mensajes a estos escenarios específicos, nuestro producto puede crear una experiencia receptiva que funcione mejor para cada situación particular. 

Aumentando las tasas de conversión en hasta un 11%

En comparación con un grupo de control, los clientes que tienen su experiencia de cobranza adaptada por el modelo tienen un 6.82% más de probabilidades de resolver su deuda. Si miramos más a fondo el impacto del modelo por canal de comunicación, vemos un aumento del 7.32% con correo electrónico y del 11% con SMS, destacando el verdadero valor de un enfoque omnicanal. 

Y eso no es todo. Como modelo de machine learning, se volverá más refinado con el tiempo. Cada interacción, mensaje y evento del que el modelo aprende informa lo que hará a continuación. Se vuelve más inteligente e intuitivo con cada segundo, mejorando continuamente su rendimiento y compromiso.