Alles wat je moet weten over data en analytics – het basisartikel. In dit artikel leggen we uit waarom een datastrategie onmisbaar is voor klantcontactorganisaties. En uit welke bouwblokken deze strategie zou kunnen bestaan. Ook laten we zien van welke data de klantcontactafdeling gebruik kan maken en wat de valkuilen zijn van datagedreven werken in klantcontact. Dit artikel wordt periodiek bijgewerkt.

 

Zonder datastrategie niet klaar voor de toekomst

Digitalisering zorgt voor meer transparantie in de markt. Prijzen en voorwaarden van diensten en producten zijn overal direct online te vergelijken en liggen in veel gevallen dicht bij elkaar. Bedrijven kunnen voor consumenten het verschil maken in de kwaliteit van dienstverlening. Een van de manieren om die dienstverlening te verbeteren is deze zoveel mogelijk af te stemmen op de individuele klant. Het bieden van gepersonaliseerde service betekent dat je rekening houdt met de context van de klant en relevante omstandigheden van dat moment.

Om dit mogelijk te maken heb je kennis, informatie en data nodig die je in staat stelt op de best mogelijke manier op de vraag of het probleem van de klant te reageren. Die kennis, informatie en data zijn ook nodig om bijvoorbeeld selfservice en chatbots goed te laten werken. Kennis en informatie komen voort uit data. Data zijn niet alleen nodig om processen te laten verlopen (denk aan order to cash), ze staan ook aan de basis van ‘intelligenter’ werken: namelijk beslissingen nemen op basis van meer in plaats van minder informatie.

Een datastrategie op zich heeft weinig zin – je hebt data nodig om andere doelen te realiseren. Dat geldt ook voor data-analyse: je doet dat niet om de analyse, maar om een ander doel te bereiken. Bijvoorbeeld inzichten verzamelen voor gerichte verbeteracties die bijdragen aan het realiseren van de bedrijfsdoelstellingen.

Begin je bij de data of bij de vraagstukken?

Organisaties kunnen in het opzicht van ‘slimme dingen doen met data’ ruwweg op twee manieren met data omgaan: vanuit een pragmatisch perspectief of vanuit een strategisch perspectief.

Pragmatisch is het, als je als manager op een probleem stuit en naar aanleiding van dat probleem op zoek gaat naar informatie. Waarom neemt de werkvoorraad toe in de backoffice? Als er geen informatie is die je vraag beantwoordt, kan je altijd nog gaan graven in de beschikbare data.

Bij een duidelijke datastrategie is het vertrekpunt andersom. Dan denk je vooraf na over de betekenis en de rol van data voor jouw bedrijf of afdeling. Je hebt dan vaak al ingezien dat data een essentiële grondstof is voor processen zoals automatisering en/of analytics. Een datastrategie gaat verder dan nadenken over data die je nodig hebt voor managementinformatie; het gaat meestal juist om een plan voor alle data die niet in managementinformatie vervat is. En dat is veruit het grootste deel van de data.

Veel bedrijven die met data aan de slag gaan, doen dat vanuit kansen (‘we moeten iets met data, want daarmee krijgen we een voorsprong – zo hebben we geleerd op een webinar’). De eerste vraag is natuurlijk wat je als organisatie of afdeling wilt bereiken. In die doelen zal ongetwijfeld de rol van informatie langs komen: waarvoor heb je kennis en informatie nodig en wat wil je er mee bereiken? Daarbij speelt ook de return on investment mee. Het kan best zijn dat je met het versnellen van doorlooptijden, bijvoorbeeld via het automatiseren van processen, meer rendement boekt (namelijk minder herhaalverkeer op het contactcenter) dan met het versturen van een felicitatiekaartje op de verjaardag van de klant.

Wat is data, informatie, kennis, ervaring en wijsheid?

Data (een meervoud) zijn niks anders dan feitelijke, vastgelegde informatie. Data bestaat in gestructureerde vorm (denk aan gegevens uit CRM- en ERP-systemen) en ongestructureerde vorm (gesprekken, teksten, social media-berichten, symbolen, video). Data wordt informatie als er context aan wordt toegevoegd die iets zegt over samenhang met andere data of betekenis. Data is te zien als een ruwe grondstof, ook voor de werking van software. Data kan je verzamelen, identificeren, opslaan, bewerken en analyseren. Die taken kunnen door mensen en vaak ook door systemen worden uitgevoerd – denk aan een sensor die waarden meet en een computer die deze waarnemingen registreert en eventueel analyseert.

Informatie is materiaal op basis waarvan we beslissingen kunnen nemen. Wanneer data geautomatiseerd geanalyseerd worden, is in feite de slag naar informatie al grotendeels gemaakt. Kennis is informatie die we als mensen opslaan in ons geheugen en die het product is van informatie, ervaring, vaardigheden en attitudes. Kennis is tevens ons vermogen om een bepaalde taak uit te kunnen voeren. Die laatste drie, ervaring, vaardigheden en attitudes, zijn minder expliciet te maken dan informatie. Informatie kan je vastleggen, maar ervaring, vaardigheden en attitudes zijn meer impliciet opgeslagen in ons hoofd. We kunnen er wel over communiceren en vaak kan je ervaring, vaardigheden en attitudes ook demonstreren of voordoen. Wijsheid ontstaat als je goed kunt reflecteren op je kennis en/of je handelen.

Datastrategie

Een datastrategie heeft als doel een situatie te creëren waarin er gemakkelijk met data kan worden gewerkt. Het gaat dan om het verzamelen, opslaan, identificeren, bewerken/verrijken, analyseren of als input voor software gebruiken.

Bouwstenen van een datastrategie zijn in ieder geval:

• een duidelijke vertaling van de organisatie- (en/of customer experience-strategie) naar de datastrategie;
• ownership, want een datastrategie raakt de gehele organisatie;
• kennis en kunde op gebied van data;
• duidelijkheid over rollen van professionals (intern en extern);
• roadmap (prioriteiten, tijdslijn en milestones) en actieplannen in detail waarbij haalbaarheid van je plannen getoetst is (kosten, datakwaliteit);
• aandacht voor zowel het gereedmaken van de organisatie voor de datastrategie (voorwaarden scheppen) als het kunnen uitvoeren (executie);
• procedures en governance (juridisch/GDPR, evalueren effectiviteit, doorlopend verbeteren);
• platform en tooling;
• financiële paragraaf met businesscases.

Waarom is een datastrategie belangrijk voor klantcontact?

We krijgen in Nederland tussen 2025 en 2040 te maken met toenemende krapte op de arbeidsmarkt als gevolg van demografische ontwikkelingen zoals de vergrijzing. Steeds meer facetten van onze economie krijgen een 24×7-karakter. Consumenten verwachten hoogwaardige, gemakkelijke dienstverlening met korte responstijden. Deze trends dwingen bedrijven tot doorlopend verbeteren en maken de automatisering van bepaalde processen urgenter. Voor zowel verbeteren als automatiseren is een goede en gezonde datahuishouding noodzakelijk, en dat laatste is weer iets wat ook door de wetgever wordt verlangd.

Een goede datastrategie maakt het bijsturen van processen en het vinden van oplossingen voor problemen gemakkelijker, waardoor je sneller kunt inspelen op nieuwe omstandigheden en ontwikkelingen. Een daarvan is in ieder geval dat de mens samen met nieuwe technologie steeds meer data gaat produceren. Zowel het kunnen bijsturen als het controle houden op die groeiende datacollectie zijn twee redenen waarom grip houden op data voor bedrijven steeds belangrijker wordt. Ook helpt een datastrategie bij het ontdekken van nieuwe businesskansen (denk aan omzetverhoging of zelfs nieuw een verdienmodel). Hiermee kunnen bedrijven een voorsprong creëren ten opzichte van hun concurrenten. Het gaat dan niet eens primair om ‘data’, maar vooral om het succesvol kunnen werken met data.

Een datastrategie voor klantcontact

Klantcontactafdelingen zijn een belangrijke producent en bron van data. Hiervan kunnen omringende afdelingen profiteren, maar de klantcontactafdeling kan er ook zelf mee aan de slag.

• Voor iedere nieuwe stap in automatisering en digitalisering van klantcontact is inzicht in, beschikbaarheid van en toegang tot (betrouwbare) data essentieel.
• Voeling houden met de wereld van de klant en verbeteren serviceprocessen. Het aantal digitale contacten neemt toe. Dan is het niet alleen zaak om de volumes te beheersen, maar ook om grip op de processen te behouden en deze doorlopend te verbeteren.
• Data liggen aan de basis voor selfservice en gepersonaliseerde dienstverlening.

Welke rol speelt data in klantcontactproces?

In het klantcontactproces komen verschillende soorten data bij elkaar. Spraak (telefoongesprekken, die vaak worden opgenomen), tekstbestanden (e-mail, webpagina’s, formulieren en andere tekst-gebaseerde communicatie), gegevens (denk aan data uit de ACD, de PABX, het WFM-systeem en ERP- of CRM-toepassingen) en data over schermhandelingen van medewerkers. Daarnaast zijn er rapportages waarin data samenkomen en systemen waar kennis en informatie in vastgelegd zijn, zoals e-learning-omgevingen. Op de achtergrond speelt informatie over medewerkers en software een rol.

Klantcontactmedewerkers maken gebruik van veel verschillende soorten data en informatie en bewerken deze informatie vaak ook in systemen, tijdens of na een interactie. Verder kan het contactcenter toegang hebben tot customer experience data – bijvoorbeeld op klantniveau, zoals voortgekomen uit vragen naar CES-, NPS- of KTV, data uit gesprekken (denk aan speech analytics) of tot data over processen van andere afdelingen.

Lees het artikel over data-gedreven passenger experience bij Schiphol – Data genoeg, maar hoe maak je van de juiste data bruikbare informatie zodat je de klantreis kunt optimaliseren? Berend Jan Rietveld, als Head of Passenger Experience bij Schiphol verantwoordelijk voor klantbeleving van reizigers voor de luchthaven, en Theo van der Steen, directeur Underlined, leggen uit hoe luchthaven Schiphol inhoud geeft aan ‘datadriven passenger experience’.

 

Welke data is relevant voor klantcontact en CX?

Hoe creëer je met data waarde voor de klant? En welke waarde dan? Om KPI’s te kunnen beïnvloeden heb je de juiste data nodig: je moet weten wat de drivers van customer experience zijn en je moet weten welke data je op welke wijze kunt gebruiken. Vraag je naar de NPS, dan is bijsturen erg ingewikkeld, want NPS is een breed begrip er verwijst zonder verdiepingsvragen niet naar de drivers van customer experience. Moet je, als de NPS daalt, je wachttijd verkorten, je medewerkers beter opleiden of iets doen aan de salarissen? Of is de selfservice op je website beneden peil?

Er zijn organisaties die naast het sturen op KPI’s ook de omgekeerde volgorde hanteren en data beschouwen als een zee aan kansen: de exploratieve benadering waarbij je wellicht stuit op nieuwe verbanden waarvan je niet wist dat ze bestonden. Of waarbij je ontdekt dat de vriendelijke medewerker die iedereen begroet tijdens het toiletbezoek belangrijker is voor de klanttevredenheidscore dan de hygiëne van de toiletten.

Waar haal je relevante data vandaan?

Niet altijd is voor een volgende stap in systeem A data voorhanden uit systeem B. Denk aan een medewerker die in het CRM-systeem bij de contacthistorie van de klant wil noteren wat de status van een reparatieverzoek of retourzending is. Die informatie is soms beschikbaar in andere systemen, die zich soms bij andere organisaties bevindt; soms zijn er datakoppelingen of kunnen partijen in een ecosysteem in elkaars systemen kijken. In veel gevallen zijn software en data aan elkaar gekoppeld (staan ze in dezelfde omgeving) en is het lastig die data ook voor andere software te gebruiken. Daarnaast is data, als je het wel kunt uitwisselen, niet altijd bruikbaar of eenduidig interpreteerbaar.

Daar waar data wel goed te ontsluiten is, kan je die data gemakkelijker adhoc of realtime laten bewerken of analyseren door andere tools.

De laatste jaren zijn er ook nieuwe databronnen in opkomst. Denk aan systemen die specifiek opgezet zijn om data te genereren (zoals sensoren bij IoT-toepassingen – een goed voorbeeld is de elektrische of zelfrijdende auto). Ook worden steeds vaker gegevens verzameld over fysieke kenmerken van klanten, denk wachtrijen bij baliebezoek of verplaatsingen van grote groepen mensen door een ruimte (crowd management).

Data gebruiken om klantcontact te verbeteren of te besturen

Voor het analyseren van data uit klantinteracties is spraakanalyse-software beschikbaar. Om met spraak – een vorm van ongestructureerde data – aan de slag te gaan is er spraakherkenningssoftware die spraak omzet in tekst. Vaak wordt die data verrijkt met metadata over datum en tijdstip of gegevens over medewerkers of andere context. Met analyse software kan je de impact van managementbeslissingen onderzoeken of nieuwe beslissingen onderbouwen.

Daarnaast is spraakherkenningssoftware nodig om op basis van spraak processen te besturen. Denk aan routering, selfservice, assisted AI, chatbots, next best action, et cetera.

Mogelijkheden voor analytics in klantcontact

Spraakanalyse is een van de bronnen voor data-analyse. Met spraakanalyse-software kan je 100% van alle interacties omzetten naar tekst zodat doorzoekbare, gestructureerde informatie ontstaat.

Dit proces bestaat uit meerdere stappen: het registreren/opnemen van spraak, het omzetten naar tekst en het verrijken van de tekst met andere gestructureerde metadata, zoals welke agent de interactie heeft afgehandeld, het tijdstip waarop deze plaatsvond, de duur van het contact en gegevens over de klant. Ook kunnen akoestische eigenschappen van de interactie zoals agitatie in de stem, tempo, luidheid en stilte worden bepaald. Met specifieke functionaliteit kunnen in de opname en in het transcript kan bepaalde informatie (denk aan burgerservicenummers of creditcardnummers worden verwijderd, zodat voldaan wordt aan wet- en regelgeving.

Algoritmen kunnen vervolgens analyses maken en voorspellingen doen, al dan niet in combinatie met data uit andere systemen die via API’s gekoppeld worden (zoals CRM-data of financiële data).

Met spraakanalyse of interaction analytics kan je interacties zoals telefoongesprekken, chats en e-mails via spraak- en taalherkenning omzetten in data, die je vervolgens geautomatiseerd kunt laten analyseren door analysesoftware. Beide stappen na elkaar kunnen realtime worden gedaan (tijdens de interactie) of achteraf. Een andere eigenschap is dat de analysesoftware je in staat stelt alle data (en dus ook: alle interacties) te gebruiken. Je werkt dus niet met steekproven, maar met grote batches aan data of met alle data bij een bepaald proces. Daardoor stuit je eerder op onbekende maar mogelijk interessante patronen en beschik je over rijke informatie. Vaak zijn nog wel extra slagen nodig om van de patronen tot inzichten te komen en de inzichten weer om te zetten in zinvolle ingrepen.

Met de realtime interaction analytics kan je tijdens processen bijsturen. Denk aan next best action (waarbij je als medewerker suggesties krijgt) of emotieherkenning. Met interaction analytics achteraf kan je je richten op diepgaande analyses. Frontline Solutions heeft in een e-book over speech analytics dertien verschillende use cases voor het contactcenter op een rijtje gezet.

Wat zijn valkuilen bij het aan de slag gaan met data?

1. Zo maar ergens beginnen in plaats van starten met relevante businessvragen. De exploratieve benadering – duik in de data – levert weliswaar bijna altijd resultaat op in de vorm van nieuwe verbanden en bevindingen, maar je weet niet wat je niet weet.
2. Iemand aanstellen voor data-analytics. Het proces van analyse vraagt om specifieke competenties, net als het stellen van businessvragen en het vertalen daarvan naar de juiste dataverzamelings- en dataanalysemethode. Data-gedreven werken betekent dat je analisten nodig hebt en nieuwsgierige businessmanagers. Het is een samenspel.
3. Een analyse is wat anders dan een antwoord. Inzichten op basis van data leiden bovendien vaak tot vervolgvragen. Wanneer je een verband vindt tussen klanttevredenheid en een KPI zoals conversie, wil dat nog niet zeggen dat je weet aan welke knoppen je moet draaien. Vaak zijn KPI’s samengesteld uit verschillende drivers. Welke zijn dat? En hoe oud zijn de bouwstenen eigenlijk die je KPI’s bepalen?

Aan dit artikel is meegewerkt door onder meer Underlined (Theo van der Steen) en Telecats.

(Ziptone)

Dossier, Featured, Technologie