De empresa reactiva a proactiva, así impulsa Zendesk el machine learning

Con el desarrollo tecnológico, los consumidores están compartiendo cada vez más información y están haciendo uso de diferentes dispositivos y canales. Esto ha hecho que las empresas comiencen a preocuparse por rastrear los historiales de los clientes a través de diversas fuentes de información como redes sociales, historiales de compra y turnos de atención. La cantidad de datos que se generan actualmente en las empresas se está incrementado de forma exponencial. Sin embargo, es imposible para una persona analizar esta enorme cantidad de información y mucho menos, sacar conclusiones, y es absolutamente impensable que pueda hacer predicciones basadas en ellos. Los algoritmos, en cambio, sí pueden detectar patrones de comportamiento evaluando variables, y ofrecer información valiosa sobre el comportamiento de los clientes, las necesidades de la empresa y la urgencia de decisiones vitales para conservar la lealtad de los clientes. En un reciente informe, la firma de consultoría Ovum, especializada en temas de economía digital, señaló que a pesar de que las empresas emplean métricas diferentes para evaluar la satisfacción del cliente, estas métricas se revisan solamente luego de ocurrido un intercambio no satisfactorio para el cliente. Esto no puede evitarle a un agente un encuentro difícil con un cliente y tiene consecuencias a largo plazo que afectan la reputación de la marca y la retención de los clientes. Sin embargo, si el agente y la empresa pudieran predecir el rumbo de las interacciones con los clientes, estarían mejor preparados para llevarlas a cabo exitosamente, y serían capaces de implementar herramientas y recursos específicos para garantizar un resultado positivo. Predecir comportamientos futuros La empresa pasaría de ser reactiva a hacerse proactiva puesto que este algoritmo revisa los datos y es capaz de predecir comportamientos futuros, que mejora de forma autónoma con el tiempo sin intervención humana a través de patrones determinados en función de los datos procesados, y se puede usar para predecir cuándo un cliente se va a dar de baja y gestionar la mejor acción para evitarlo. Esta tecnología se divide en dos áreas principales: aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje supervisado consiste en la generación de predicciones basadas en comportamientos o características de aparición consistente y repetitiva en los datos ya almacenados. El aprendizaje supervisado permite buscar patrones en las bases de datos relacionando todos los campos con un campo especial llamado campo objetivo. Por ejemplo, en el caso de la etiquetación de correos, los usuarios etiquetan sus correos como “spam” o “legítimo”. Luego de determinar todos los patrones (esta fase se denomina “de aprendizaje”), los correos nuevos que nunca han sido marcados como spam o legítimos se comparan con los patrones y automáticamente se clasifican como “spam” o “legítimos” en función de sus características. El aprendizaje no supervisado, por su parte, usa datos históricos que no están etiquetados. Esta forma de machine learning se emplea para determinar patrones automáticamente y organizar la información sin predeterminación humana. Por ejemplo, es frecuente que se emplee para agrupar clientes con características o comportamientos similares para hacer campañas de marketing altamente segmentadas. Al hacer uso del machine learning, los datos históricos del conjunto de sus clientes, debidamente organizados y tratados en bloque, generan una base de datos que se puede explotar para predecir futuros comportamientos, favorecer aquellos que mejoran los objetivos de negocio y evitar los que son perjudiciales. Podrá, entonces, crear equipos de atención más eficientes que dediquen su tiempo y recursos a situaciones críticas que requieren una atención personalizada y le ayudará a conocer más sobre las preferencias de cada uno de sus clientes, que pueden ser almacenadas en un centro de información, de forma que se convierta en un centro de “inteligencia colectiva” al que todos los equipos de atención a clientes pueden acceder para obtener información sobre un cliente en particular y ofrecerle un servicio de primera calidad. Una prioridad para las empresas La utilidad de esta tecnología en el campo del servicio al cliente del siglo XXI ha convertido el machine learning en una necesidad primordial para las empresas que quieren hacer negocios en el mundo de hoy, y Zendesk es una de las primeras plataformas de servicio al cliente en utilizarla para auto-responder los turnos de los clientes con elementos basados en conocimiento relevante, que permiten resolver las dudas del consumidor antes de que tenga que recurrir a un asesor. “La capacidad de predicción de respuestas automáticas ofrece al cliente los recursos necesarios para resolver cualquier duda rápidamente, ayudando a las empresas a contar con más asesores libres para resolver problemas que necesitan de una atención personalizada”, comenta Adrian McDermott, presidente de Productos en Zendesk. Zendesk asegura que cuanto más apropiada sea una resolución, más felices estarán los clientes con su empresa. “Es una relación servicio-satisfacción del cliente, cuyo impacto en los resultados de ventas, retención y lealtad de su negocio pueden ser medibles y predecibles a través del propio machine learning”, señala McDermott. Aprenda más sobre como Zendesk usa machine learning en: http://www.zendesk.es/ayuda-recursos/