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

“Atender 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 cobros, la base de cada experiencia personalizada radica en dos elementos:

1. Dónde se encuentra un cliente en su viaje de cobro - por ejemplo, ¿ha sido referido a nuestro producto recientemente, o ha estado recibiendo nuestras comunicaciones 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 cobros de InDebted, ambos son identificados por nuestro modelo de customer journey.

¿Qué es el modelo de customer journey?

Es un modelo de machine learning que identifica exactamente dónde se encuentra un cliente en su viaje de cobro. Esto significa que antes de enviar una comunicación, el modelo averigua qué (si acaso) 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 almacén de datos de la industria, que contiene más de 500 millones de interacciones (eventos) de clientes, hemos identificado hitos clave en el viaje de cobro. Esto incluye a clientes que han:

• Sido referidos a nosotros muy recientemente 
• Configurado previamente un plan de pago, pero que se ha roto desde entonces
• Pagado parte de su deuda en un solo pago, pero no el saldo total
• Abierto recientemente un correo electrónico de cobro 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 de hasta un 11%

Cuando se compara con un grupo de control, los clientes que tienen su experiencia de cobro adaptada por el modelo son un 6.82% más propensos a 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 constantemente, mejorando continuamente su rendimiento y compromiso.