Cómo la personalización mediante machine learning aumenta los pagos en un 7%

La personalización se ha convertido rápidamente en la norma. Ahora, el 71% de los consumidores espera que las empresas creen interacciones personalizadas y, por otro lado, el 76% se siente frustrado cuando sus experiencias no son personalizadas.

Los beneficios comerciales de la personalización también son significativos. McKinsey & Company encontró que puede:

• Reducir los costos de adquisición de clientes en hasta un 50%
• Aumentar los ingresos en un 5-15%
• Aumentar el retorno de inversión en marketing en un 10-30%

Entonces, ¿cómo aplicamos esto en la cobranza de deudas? Presentamos el message recommender.

Personaliza cada mensaje

Collect, nuestro producto inteligente de cobranza de deudas, está impulsado por modelos de machine learning. Cada uno de estos modelos mejora un punto particular de la experiencia de cobranza. Por ejemplo, nuestro modelo de programación de mensajes asegura que los correos electrónicos lleguen a la bandeja de entrada de un cliente en el momento en que es más probable que tomen acción.

El message recommender es nuestro último modelo de machine learning, que personaliza cada mensaje que recibe cada cliente.

Intuitivo respecto a dónde se encuentra un cliente en su viaje

Cuando un cliente es referido a Collect, su perfil y comportamiento se evalúan para determinar cómo es más probable que interactúe con su deuda. El modelo de message recommender selecciona un mensaje que tiene el tono, contenido y llamado a la acción adecuados para un cliente individual, de modo que se sienta empoderado y tome acción.

Para hacer una selección informada, el modelo mide el rendimiento de cada mensaje enviado por Collect. Analiza:

• Tasa de apertura - la tasa a la que se abrió el mensaje
• Tasa de clics - la tasa a la que se hizo clic en el enlace del mensaje
• Tasa de conversión - la proporción de clientes que resolvieron su deuda a través del mensaje (configurando un plan de pago o pagando en su totalidad)
• Número de veces que se ha utilizado el mensaje

Para crear una experiencia verdaderamente intuitiva para el cliente, el modelo combina esta información con:

• Dónde se encuentra el cliente en su viaje de cobranza - por ejemplo, ¿ya ha recibido dos correos electrónicos de nuestra parte, o será este su primer mensaje?
• La ubicación del cliente - para asegurar que el mensaje cumpla con todos los requisitos de cumplimiento en esa región

Una vez que el modelo ha analizado todo lo anterior, reduce las mejores opciones de mensajes para enviar. Finalmente, examina el rendimiento pasado de todos los mensajes restantes y selecciona el de mejor rendimiento.

Un aspecto clave de la personalización es asegurar que toda la experiencia sea individualizada e intuitiva, por lo que se utiliza el modelo de message recommender para optimizar todas las comunicaciones que recibe un cliente.

Aumento en las tasas de conversión y clics

La última versión del modelo de message recommender se lanzó en marzo de 2023. Cuando se compara con aquellos que han recibido comunicaciones al azar, los clientes que reciben mensajes recomendados por el message recommender tienen un:

• 7% de aumento en la tasa de conversión
• 5.4% de aumento en la tasa de clics

Estos incrementos significativos se observan en todos los clientes, independientemente de dónde se encuentren en su viaje de cobranza. Pero, ¿el verdadero valor añadido? Los modelos de machine learning son precisamente eso - aprenden. Se vuelven más inteligentes, más precisos y producen recomendaciones mejoradas con cada interacción. Descubre más aquí en nuestra guía sobre cobranza de deudas inteligente aquí.