Estrarre e utilizzare i dati macro e micro in ambito bancario

Da molto tempo le banche hanno scelto l’offerta di servizi self-service come opportunità di risparmio. La domanda che sporge spontanea è quale sia, in termini di guadagni persi, il rischio accettabile della mancanza di conversazioni svolte di persona. Considerata l’attuale evoluzione del settore bancario, elaborare una risposta è diventato sempre più complesso.

Di fatto, migliorare l’engagement dei clienti per non perderli, è un obiettivo che richiede la raccolta di informazioni provenienti da svariate fonti, molte delle quali contenute in sistemi variegati e trasferite in più repository di dati. Informazioni il cui utilizzo è molto impegnativo, in particolare quando si tratta di tracciare e orchestrare i customer journey. Se interagendo con i clienti è comunque possibile accedere ai dati e ottenere ulteriori spunti da fonti esterne, ciò che potrebbe mancare è una visione dettagliata del loro percorso completo con la tua organizzazione.

Comprendere i clienti a livello micro e macro

L’analisi dei micro-journey — conoscendo il punto esatto in cui si trovano i clienti e il motivo della loro chiamata — offre più opportunità agli agenti di contact center tradizionali. Al contrario, chi si occupa di gestione patrimoniale e opera in una filiale fisica, raggiunge i propri obiettivi se ha a disposizione informazioni sui journey di tipo macro che rivelano opportunità di crescita sul lungo termine legate a profili cliente molto specifici. Queste analisi macro oggi sfruttano algoritmi di machine learning superando i semplici modelli basati su regole.

Sebbene da sempre si possano eseguire analisi a livello micro e macro, spesso queste non sono state combinate tra loro. Lo sviluppo di funzionalità di condivisione dei dati si è infatti rivelata molto costosa e impegnativa. Oggi, per arrivare al successo tutti i ruoli a contatto diretto con il cliente hanno tuttavia bisogno di analisi dei dati dei journey a livello sia micro che macro, in particolare quando si parla di engagement predittivo orientato ai risultati.

Tra i motivi di questo trend c’è l’abbattimento delle barriere tra dipendenti un tempo tra loro separati, come nel caso di agenti di contact center e operatori di filiale. Oggi queste figure stanno utilizzando le stesse tecnologie per interagire con i clienti mentre i rispettivi ruoli cominciano a sovrapporsi.

Con soluzioni di self-service che rispondono sempre di più alle domande più semplici, sale la complessità delle interazioni di persona. I ruoli tradizionali dei dipendenti bancari stanno cambiando e questo significa che le analisi a livello micro e macro devono diffondersi maggiormente, consentendo a operatori e agenti di osservare il cliente attraverso più lenti.

Ci sono tanti dati, ma sono pochi quelli giusti

I dati non mancano. Le banche possono ad esempio sapere chi vive nel raggio di 10 chilometri quadrati di un codice CAP oppure chi avrà una situazione sostenibile in 10 anni; e così via. Tuttavia, l’accesso a quei dati richiede esercizi di analisi impegnativi e svolti tipicamente per campagne marketing una tantum. Contemporaneamente, esistono alcune figure spesso prive di accesso a questi dati in tempo reale. Si tratta di una delle conseguenze della presenza di sistemi scollegati tra loro che va a danneggiare la Customer Experience, con in più la difficoltà nel riuscire a individuare le cause alla radice del problema.

Le piattaforme di analisi di nuova generazione devono metterti a disposizione una vista sui profili e i segmenti della clientela per prevedere i comportamenti nel tempo e identificare opportunità concretizzabili, indipendentemente dal canale utilizzato. Molte di queste piattaforme adottano strumenti di sviluppo “no code”, fornendo semplici interfacce drag-and-drop per realizzare viste molto sofisticate. I super utenti aziendali possono quindi costruire funzionalità avanzate senza dover coinvolgere sviluppatori e ingegneri. Idealmente, una piattaforma di analisi no-code/low-code potrà alimentare nativamente e in tempo reale il tuo sistema di engagement.

Il contact center sta evolvendo

I contact center possono servirsi dell’engagement predittivo per offrire automaticamente l’interazione con un chatbot o un agente, oppure una richiamata quando serve. Tipicamente, questi journey di livello micro non hanno a disposizione quelle connessioni tali da supportare un obiettivo macro che produce un valore sul lungo termine. Tale approccio tattico non è utile a innalzare il lifetime value potenziale di un cliente o prospect. Anche se puoi alimentare i motori decisionali con dati provenienti da terzi, spesso questi si focalizzano comunque sui micro journey. Ecco che potrebbero mancarti quelle informazioni utili a sapere se, a fini di retention, un cliente dovrebbe essere servito da un bot o da un agente ben preparato.

Per scongiurare l’abbandono di un cliente con un lifetime value elevato, le metriche di livello macro devono far parte dei motori decisionali in tempo reale. Con una vista esclusivamente micro risulta infatti difficile prendere una decisione d’insieme in quanto le analisi saranno basate su una finestra decisionale più ristretta.

Conclusione

La competizione sta costringendo le banche a rivalutare i principali modelli operativi. Indipendentemente dal modello evolutivo prescelto — puramente digitale, tradizionale o ibrido — la comprensione dei customner journey a livelli micro e macro resta fondamentale per il conseguimento del successo. Solo con in mano queste informazioni sofisticate le banche possono riuscire a combinare l’automazione con il servizio assistito da una persona e offrire un’interazione empatica a ogni livello operativo.