Utiliser machine learning pour rencontrer les clients exactement là où ils se trouvent, en temps réel

« Rencontrer les clients là où ils se trouvent. » C’est une expression que toutes les entreprises connaissent, mais que signifie-t-elle exactement lorsqu’il s’agit de récupérer des comptes en souffrance ? 

Essentiellement, il s’agit de personnaliser le parcours client pour répondre aux besoins uniques de chaque consommateur. Dans le recouvrement, la base de chaque expérience personnalisée repose sur deux éléments :

1. Où un client se trouve dans son parcours de recouvrement - par exemple, vient-il d’être référé à notre produit, ou reçoit-il des communications de notre part depuis quelques semaines ?
2. Quel type de communication est le plus susceptible de l’engager à ce stade - par exemple, quelle information ou ton de voix convient le mieux à un tout nouveau client ? Qu’en est-il de quelqu’un qui a visité le portail de paiement plusieurs fois, mais n’a pas encore agi sur son compte ?

Imaginez les possibilités - la capacité de prédire le « où » et le « quoi », pour chaque client individuel. Avec l’intelligence de recouvrement d’InDebted, les deux sont identifiés par notre modèle de parcours client.

Qu’est-ce que le modèle de parcours client ?

C’est un modèle de machine learning qui identifie exactement où un client se trouve dans son parcours de recouvrement. Cela signifie qu’avant qu’une communication ne soit envoyée, le modèle découvre quelles (s’il y en a) interactions ou messages précédents un client particulier a déjà eus concernant sa dette.

Une fois que le modèle sait où quelqu’un se trouve dans son parcours, il adapte son prochain message exactement à cela. Par exemple, si quelqu’un a visité notre portail client mais n’a pas encore agi sur son compte, le modèle enverra un e-mail similaire à celui ci-dessous.

Comment cela fonctionne-t-il ?

En utilisant le plus grand entrepôt de données de l’industrie contenant plus de 500 000 000 d’interactions (événements) clients, nous avons identifié des jalons clés dans le parcours de recouvrement. Cela inclut les clients qui ont :

• Très récemment été référés à nous 
• Précédemment mis en place un plan de paiement, mais qui a depuis échoué
• Payé une partie de leur dette en un seul paiement, mais pas le solde total
• Récemment ouvert un e-mail de recouvrement ou visité notre portail, mais n’ont pas encore agi sur leur dette

Et plus encore. En adaptant les messages à ces scénarios spécifiques, notre produit peut créer une expérience réactive qui fonctionne le mieux pour chaque situation individuelle. 

Augmenter les taux de conversion jusqu’à 11 %

Comparés à un groupe de contrôle, les clients dont l’expérience de recouvrement est adaptée par le modèle ont 6,82 % plus de chances de résoudre leur dette. Si nous examinons plus en détail l’impact du modèle par canal de communication, nous constatons une augmentation de 7,32 % avec l’e-mail et de 11 % avec les SMS - soulignant la véritable valeur d’une approche omnicanale. 

Et ce n’est pas tout. En tant que modèle de machine learning, il deviendra plus raffiné avec le temps. Chaque interaction, message et événement dont le modèle apprend informe ce qu’il fait ensuite. Il devient plus intelligent et plus intuitif à chaque seconde, améliorant continuellement ses performances et son engagement.