KSF Expertsessie Data op 2 oktober 2018

22 oktober 2018

Artikel geschreven door Marketing, Marketing & Communicatie

De kansen van Machine Learning voor klantcontact

Op 2 oktober was er een expertsessie van de Klantenservicefederatie bij ons op kantoor in Amersfoort. De sprekers, onze collega’s, Jeroen Kromme en Sebastiaan de Vries, namen de deelnemers mee in de kansen van data en de stappen die je kan nemen.

De presentatie begint met een plaatje van ‘Where’s Waldo’. Je ziet een plaatje van een strand met allemaal poppetjes. Tussen al die poppetjes moet je Waldo zoeken (die altijd hetzelfde gestreepte shirt aan heeft). Eigenlijk is het ook zo met data: er is zoveel data, hoe ga je die data vinden en gebruiken, die relevant is voor jouw organisatie. De deelnemers zijn data analisten, innovatiemanagers en klantcontactprofessionals van verschillende organisaties. Jeroen en Sebastiaan (data scientists) nemen de deelnemers mee in de wereld van data en kansen voor het klantcontact.

Van inzicht naar toepassing met data science

Data science gaat over 3 dingen:

1. inzicht krijgen in de data, door data uit verschillende bronnen te combineren,
2. het begrijpelijk maken van de data door middel van dashboarding, en
3. de toepasbaarheid van de data, door de vraag te stellen: wat kunnen we ermee?

Om hiermee te experimenteren en te innoveren organiseren we regelmatig ‘Project Friday’, een initiatief waarin we leren en opzoek gaan naar de grenzen van de huidige kennis over A.I. en Machine Learning. We schrijven een algoritme en halen een koffiemachine uit elkaar om hem zo te programmeren dat hij gezichten kan koppelen aan voorkeuren. Een collega gaat voor het apparaat staan, de koffiemachine herkent het gezicht (facial recognition) en vervolgens krijgt deze persoon de koffie van zijn voorkeur. Het is een voorbeeld waarbij A.I. toegepast wordt en data real-time wordt ingezet om te voldoen aan de klantbehoefte. Op maandagmorgen extra sterke koffie ;-).

Maturity model

Een model dat we vaak gebruiken is het ‘Maturity model’. Dit is een model dat inzicht geeft in de datavolwassenheidsfase van je organisatie en het bestaat uit 5 fases:

1. Reporting. Gegevens worden handmatig opgehaald en veelal in Excel verspreid.
2. Dashboarding. Data op 1 plek, volledig geautomatiseerd, gevisualiseerd, één waarheid.
3. Tactical. Pro-actief inzetten van data om zo processen te optimaliseren, denk aan onderzoek van churn-redenen of quality control.
4. Strategical. Data worden ook ingezet voor strategische keuzes, zoals voor identificeren van klantbehoeftes.
5. Real-time. Tijdens de call, de agent biedt mogelijke oplossingen en Next Best Actons aan.

De werking van het model

Jeroen laat aan de hand van een praktijkcase van Vivat zien hoe het model werkt. Vivat had veel kennis over haar KPI’s en voldoende data verzameld, maar data kwamen uit een zevental bronnen. Ze werden handmatig opgehaald en vervolgens verspreid door middel van vele Excel bestanden.

Zelf aan de slag

Vervolgens gingen de deelnemers zelf aan de slag. Niet iedereen zit in dezelfde fase van het model. En elke fase heeft weer zijn eigen uitdagingen. Iedereen heeft de wens om in fase 5 uit te komen en nog niet alle deelnemers zijn zo ver.

De deelnemers geven aan: “Met techniek is er al veel mogelijk, maar het vraagt ook veel van de operatie en het bedrijfscultuur en daar ligt nog een grote uitdaging”. Ook geloven ze in de samenwerking tussen een chatbot en een mens: “Bij het inzetten van real-time data is die samenwerking van groot belang”. Chatbots zijn op dit moment nog niet ver genoeg ontwikkeld dat ze de agent kunnen vervangen.

De groep werd opgesplitst in vier groepen. Iedere groep krijgt de opdracht om uit te werken hoe je van de ene fase naar de volgende komt. Alle groepen gaan actief aan de slag. We delen de belangrijkste conclusies van de groepen met je:

• Zorg dat je definities uniform zijn, zodat (data)systemen met elkaar kunnen praten
• Vertaal data door naar je business en maak het voor iedereen in de organisatie begrijpelijk wat bepaalde data zeggen. Dat is nodig om klantcontact te optimaliseren en te verbeteren.
• Ga op zoek naar de correlaties: losse data zeggen niks, wel in combinatie met andere data. Draai aan de knoppen, en kijk wat er gebeurt.
• Van reactief naar pro-actief: zorg met data voor relevant klantcontact. Kijk daarbij ook naar omgevingsfactoren die van invloed kunnen zijn.
• Als je aan de slag gaat met real-time data: blijf continu, in een loop, data van toen en nu vergelijken. Wijkt het af? Waarom wel of niet? Door dat te blijven doen, zorg je ervoor dat het systeem steeds slimmer wordt (Machine Learning). Controle blijft belangrijk, ook al is de machine zelflerend. Hier is de rol van de mens van belang: een mooi voorbeeld van de kracht van de samenwerking tussen mens en techniek.

Waardevolle sessie

Onder andere de interactie vanuit de groep, maakte de sessie erg leuk. Er ontstonden interessante discussies en er waren goede vragen. Het bleek ook erg waardevol te zijn om te zien waar iedereen staat met hun organisatie en hoe zij data inzetten om tot de volgende fase in het Maturity Model te komen.

Nieuwsgierig naar onze ‘Project Friday’ met het koffie apparaat? Bekijk hier de beelden.

Bekijk ook het verslag van KSF en de mogelijkheid om je aan te melden voor andere KSF expert meetings.