Voorspelbaar succes door predictive routing

De kennis en eigenschappen van agents koppelen aan de klanten die contact zoeken: routeren op skills is in veel contactcenters al dagelijkse praktijk. Maar bereik je daarmee eigenlijk wel je doelstellingen? Welke factoren zorgen voor een hogere NPS, voor minder transfers of een grotere omzet? En wat doen we met alle informatie over gesprekstijden, klanttevredenheid en andere beschikbare data? Predictive routing combineert de doelstellingen en de data voor nog betere routering.

Dit artikel is geschreven door Matthijs van Laar, Solution Consultant Genesys en specialist in de Genesys-strategie voor Machine Learning, en verscheen in Customer First 06 2018.

Het gaat beter, maar nog niet goed

Alle agents zijn ingedeeld op skills en ervaring, de klanten worden zo goed mogelijk geïdentificeerd en de routering richt zich op de best mogelijke combinatie. En toch is de inzet van de resources nog niet optimaal, de doelstellingen worden nog niet gehaald, en met de kennis vanuit de rapportages en feedback wordt te weinig gedaan. Skills based routing is een belangrijke stap vooruit, maar de bestemming is nog een stukje verder.

Continu leren van de data

Predictive routing is een praktische toepassing van machine learning en artificial intelligence. In deze context hebben we het dan met name over het doorlopend blijven leren van verzamelde informatie, gekoppeld aan specifieke bedrijfsdoelstellingen. Die varieert per organisatie: de één hecht grote waarde aan een hogere NPS of First Call Resolution, de ander ziet liever kortere gesprekken en meer omzet. Daarnaast wordt al heel veel informatie uit de praktijk vastgelegd. Rapportages vanuit het contactcenterplatform leveren gedetailleerde informatie over iedere interactie, iedere klant en iedere agent. Predictive routing gebruikt al die informatie en voorspelt de combinatie van klant en medewerker, wat leidt tot de best gewenste uitkomst. Dat geldt trouwens voor alle kanalen.

Skillbased routing plus

Predictive routing is een aanvulling op skillbased routing. Binnen de groep met bepaalde skills wordt een verfijnde match gemaakt op basis van historische data over eigenschappen van klanten, de context van de interactie en historische gegevens over het functioneren van agents zoals Average Handling Time, NPS, gerealiseerde omzet of aantal doorverbindingen. Predictive routing maakt gebruik van de historische en real-time data voor het identificeren van de factoren die invloed hebben op de gewenste bedrijfsdoelstellingen. Die factoren bestaan bijvoorbeeld uit het favoriete communicatiekanaal, eerdere aankopen, servicevragen en recente activiteiten. Deze worden gecombineerd met het profiel van agents en hun skills, interactiehistorie en resultaten om zo tot een ideale combinatie van klant en agent te komen. Het systeem maakt gebruik van machine learning: iedere nieuwe interactie voedt opnieuw het systeem, waardoor de datamodellen steeds beter worden.

Hoe werkt het?

Je kunt predictive routing het beste zien als een dynamische, multidimensionale skill. Afhankelijk van het klantprofiel, het interactieprofiel, de context en het agentprofiel bepaalt predictive routing de rangorde van de agent. Die wordt over de bestaande skills en ervaring van de agent gelegd en vormt de basis voor routering. In de praktijk kan dat betekenen dat soms even gewacht wordt tot de beste agent voor deze klant beschikbaar komt. Maar skills en ervaring vormen dus nog steeds de basis voor de scheduling en routering in workforce management.

“Skills en ervaring vormen nog steeds de basis”

Een simpel voorbeeld: een bedrijf verkoopt meerdere producten maar weet dat mannelijke klanten meer bestellen bij vrouwelijke medewerkers. De kennis van de producten (skill) is voor alle agents gelijk, echter de match ‘mannelijke klant met vrouwelijke agent’ levert meer omzet en heeft daarom de voorkeur van deze organisatie. Maar binnen die combinatie zijn individuele klanten tevredener over bepaalde individuele agents: de NPS is hoger of de omzet groter. Dat zijn geen skills, maar cijfers uit de interactiehistorie, en die voorspellen in hoge mate het succes van een match.

Wat levert het op?

De winst van predictive routing zit vooral in het optimaal combineren van de bedrijfsdoelstellingen en de resources in de routering van interacties. Het is bovendien een dynamisch systeem dat zichzelf blijft voeden met de data van iedere nieuwe interactie.

Een aantal van de klanten van Genesys heeft predictive routing al in de praktijk ingezet. Zoals Roger Communications uit Canada: zij verhoogden de retentie met bijna 3 procent en verlaagden de AHT met 7 procent. Zij zien dan ook grote mogelijkheden om hun klanten nog slimmer en sneller te helpen, hun agents succes te laten hebben en de bedrijfsresultaten een boost te geven. Dichterbij, in Europa, verhoogde een mobiele telecomprovider de Net Promoter Score met vier punten, verbeterde de First Call Resolution met bijna 4 procent en de verminderde de AHT met 3 procent.

Samenvattend

Skillbased routing is goed, maar predictive routing is beter. Het verfijnt de match tussen klant en medewerker, is gericht op concrete bedrijfsdoelstellingen en blijft bovendien continu leren van iedere interactie.