4 maneras en que el análisis de datos de gran tamaño afecta a su servicio de atención al cliente

by admin marzo 11, 2019

No necesitar servicio al cliente es el mejor ejemplo de servicio al cliente.

Los grandes análisis de datos le ayudan a sintonizar con las expectativas, frustraciones y demandas de sus clientes, para que pueda evolucionar constantemente su plataforma de negocios , proporcionando una experiencia superior y sin problemas a sus clientes.

Sin embargo, hay un elefante gigante en la habitación: la probabilidad de fracaso de los grandes análisis de datos. No oirás a la gente hablar de ello por miedo a parecer incompetente o ignorante, pero créeme, es una ocurrencia común con muchos problemas y bloqueos en el camino.

Examinemos algunas de las razones por las que los grandes análisis de datos fallan y algunos casos en los que tienen éxito cuando se trata de inteligencia de servicio al cliente, para que pueda evitar estos errores y mejorar sus posibilidades de éxito tanto en la retención como en la adquisición.

Modelos de datos

Tengan paciencia conmigo mientras escupo algo de jerigonza.

El concepto de modelos de datos es muy complejo. En pocas palabras, gestiona sus elementos constitutivos y sus relaciones mutuas. Un modelo de base de datos , a su vez, es un modelo lógico de datos, que determina la estructura de una base de datos computarizada (normalmente), y especifica cómo se pueden agregar, almacenar, organizar, acceder y editar los datos. Los modelos comunes de bases de datos incluyen modelos jerárquicos, relacionales y semánticos.

En su organización, la decisión de qué grandes datos o herramientas de automatización adoptará e implementará a menudo depende del modelo de datos que se ofrece , tanto si se da cuenta como si no.

Suponga que usted es un sitio web de comercio electrónico al por menor que vende camisas y similares . Utilizando sus herramientas de análisis, podría fácilmente perfilar a los compradores interesados en el producto X – cosas como la fuente de la visita, la edad, la ubicación, etc. Digamos que usted encuentra que la mayoría de sus clientes son mileniales.

Ahora quieres saber qué tipo de camisetas le gustan a los milenarios. Así que usted decide hacer pruebas de producto A/B basadas en el modelo relacional , es decir, la relación entre un grupo demográfico (milenios) y su comportamiento como consumidor (preferencias de camisetas).

¿Ves por dónde voy? Al final del día, a menos que se asegure de que su equipo de servicio al cliente suene más auténtico, y reciba totalmente los canales de marketing favorecidos por los milenios, no verá ningún resultado ni de sus análisis de datos ni de las pruebas.

Una vez más, todo se reduce al modelo de datos. Incluso un negocio que hace un uso extensivo de los datos analíticos puede salir mal. Por ejemplo, Google Analytics sigue por defecto el modelo de atribución «última interacción» cuando se trata del seguimiento de conversiones. Según este modelo, la compra de un producto se acredita al último canal con el que el visitante de su sitio interactuó antes de realizar la compra.

Por ejemplo, Tim encuentra tu sitio web a través de una búsqueda orgánica, ve unas camisetas geniales y se olvida de todo. Su segunda interacción viene a través de un tweet sobre tu entrada en el blog. Durante estas dos visitas, le han gustado sus productos y tal vez se ha registrado y ha añadido un par de ellos a su lista de deseos, pero no ha tomado ninguna medida. Su compra final llega unas semanas después, cuando realmente necesita comprar una camiseta, googles «camisetas de cadera» de nuevo y hace clic en el primer anuncio que ve (el suyo).

Google Analytics atribuirá el éxito de esta conversión a la búsqueda pagada, basándose en su último modelo de atribución táctil. En consecuencia, es posible que se sienta obligado a aumentar su presupuesto de AdWords. Así es como puedes equivocarte.

Debe utilizar muchos modelos de datos diferentes para tomar una decisión informada. Confiar ciegamente en un modelo de datos puede resultar un error costoso.

Indisponibilidad

La Escuela de Negocios de Columbia y la Asociación Americana de Marketing de Nueva York encuestaron a más de 250 personas encargadas de tomar decisiones corporativas en materia de marketing, a nivel de directores de grandes empresas. :

  • El 51% de los encuestados dijo que la falta de intercambio de datos de clientes dentro de su propia organización era un gran desafío a superar.
  • Casi la mitad no utilizaba los datos para personalizar sus comunicaciones.
  • Casi un tercio no sabía en qué clientes de alto valor centrar su marketing.
  • El 39% dijo que los métodos de recolección de datos de su compañía no eran oportunos.

Existen innumerables herramientas -desde Hadoop hasta Kyvos- que ayudan a las empresas a recopilar y analizar grandes datos. Sin embargo, debe recordar que estas son sólo herramientas. Le proporcionarán información valiosa sobre sus datos, pero eso no garantiza cambios a nivel local.

La mayoría de las veces, los informes de análisis son vistos sólo por los pocos seleccionados en los escalones superiores, mientras que el equipo que realmente se conecta con los clientes de forma regular es excluido.

Por ejemplo, una vez pedí un par de vaqueros sólo para encontrar una talla demasiado pequeña. Quería conseguir un tamaño más grande, así que dejé un mensaje en el sitio web del minorista, para el cual obtuve un ticket de soporte. Pero no supe nada de ellos, así que envié todo de nuevo por correo electrónico a la identificación de atención al cliente y esperé otras 24 horas antes de llamarlos. Me dijeron que colgara (mi y esperara a que alguien se pusiera en contacto conmigo, lo que por supuesto nunca se materializó. Así que llevé los vaqueros a su tienda (por suerte para mí, tienen uno en mi ciudad), le conté toda la historia al gerente y me los cambiaron. Para acortar la historia, si los detalles de mi pedido y emisión hubieran estado disponibles para todos los empleados en la planta de producción, en el almacén y en los departamentos de servicio al cliente, todos habríamos ahorrado mucho tiempo.

Aunque esta es mi experiencia personal, estoy seguro de que se identificará con esta historia. Ilustra lo importante que es hacer que la analítica de datos en tiempo real esté más disponible para todos, hasta para su equipo de servicio al cliente.

Expectativas

Como con todo, los directores de sistemas y los gerentes lo quieren todo para ayer. Quieren ver los resultados de los grandes datos en tan sólo 3 a 6 meses. La mayoría de las OCMs y CIOs llegan a calcular el ROI en el primer año.

La verdad es que se tarda mucho más de tres meses en dar sentido a la abrumadora cantidad de datos analíticos que la herramienta de hoy le presenta, y mucho menos en obtener información de ellos. A continuación, elabore planes sobre qué métricas le gustaría monitorear y cumplir, basándose en sus objetivos de negocio, y proceda a implementarlos en los próximos seis meses a un año, dependiendo del alcance de la tarea que se esté llevando a cabo.

Incluso entonces, nunca se puede estar 100% seguro de que se han hecho los cambios correctos, por lo que seguir ajustando sus modelos de análisis de datos, la cuestión de la rentabilidad de la inversión no se plantea tan pronto en el juego.

Fuente: SlideShare

Entonces, ¿cómo se resuelve este problema?

  • Encuentre los puntos débiles en su servicio de atención al cliente.
  • Definir métricas de mejora. El éxito de la medición del retorno de la inversión en grandes análisis de datos depende de la precisión de las métricas que se utilicen para medir su éxito.
  • Establezca metas realistas a corto y largo plazo.
  • Siga actualizando sus grandes modelos de datos a medida que obtenga datos o información más relevantes.

Por ejemplo, XO Communications ‘ El objetivo final era modelar su base de clientes y utilizar esos datos para deducir si un cliente estaba satisfecho o no. Sin embargo, esta era una meta a largo plazo y habría sido imposible definir las métricas o determinar el éxito basándose únicamente en esta meta. Por lo tanto, lo dividieron en un objetivo a corto plazo de identificar a los clientes de «alto riesgo» que posiblemente podrían cambiar de compañía, contactándolos a tiempo y convenciéndolos de que se queden. (Otra victoria para retención de clientes !))

XO convirtió este objetivo en un formulario KPI, cuyo objetivo era reducir los tiempos de consulta de los clientes hasta en un 90 por ciento (de 7 a 10 días a menos de un día). Este era un objetivo realista y medible y se dieron cuenta de que habían ahorrado hasta 5 millones en ingresos en sólo 30 días al resolver este problema.

Se ampliaron y cambiaron sus modelos varias veces después de eso y sus ahorros anuales se dispararon de 11 millones de dólares en el primer año a 15 millones de dólares con un modelo de datos optimizado subsiguiente.

Interrupción

Uno de los ingredientes más importantes en la receta para el éxito de los grandes datos es la interrupción. Si sigue intentando aprovechar el mismo almacén de datos, el mismo equipo, la misma infraestructura de TI y las mismas herramientas, se encontrará con un gran fallo de datos.

Para asegurar el éxito, usted necesita ser capaz de hacer un giro de 360 grados en un abrir y cerrar de ojos: contrate a científicos de datos experimentados, no tenga miedo de usar herramientas más nuevas, fomente el pensamiento perturbador y, lo que es más importante, esté preparado para implementar los cambios en todo momento.

El mayor ejemplo de ello sería el fracaso de Groupon a la hora de captar el incipiente mercado chino. Alentado por su éxito en Europa, Groupon duplicó el mismo enfoque en China: un enfoque de alto volumen, bajo contacto y llamadas en frío (lectura, marketing por correo electrónico masivo). Sin embargo, no incluyeron diferenciadores de mercado como la cultura china en la ecuación de los grandes datos y, por lo tanto, no lograron complacer a sus clientes chinos.

Southwest Airlines, por otro lado, usó la inteligencia de datos de manera bastante sabia. Siempre fueron buenos en el análisis de datos y tienen un historial de uso exitoso para mejorar el servicio al cliente en varias ocasiones. Hace algún tiempo, anunciaron la implementación de speech analytics con el fin de extraer información de las interacciones grabadas en vivo entre los clientes y el personal de servicio, en un esfuerzo por ahondar más en el conocimiento de los clientes. No hay sorpresas de que estén entre las top 3 airlines por su excelente servicio al cliente.

Tesla también creó interrupciones utilizando datos para comprender los problemas de seguridad de sus vehículos y reclutó a hackers para que irrumpieran en la unidad de control de seguridad de su coche, un paso preventivo antes de sus planes de recoger más datos de sus coches conectados. Este es un gran ejemplo de cómo las empresas de hoy en día piensan dentro y fuera de la caja.

Over to You

Como usted vio, hay varias maneras en las que puede fallar y no lograr resultados de grandes datos para su servicio de atención al cliente. Si usted es un tomador de decisiones de negocios, aquí hay algunas fuentes de aprendizaje de grandes datos que debe tener el hábito de volver a visitar regularmente. Esto le ayudará a obtener información de la industria sobre todo lo relacionado con los grandes datos o el servicio al cliente.

  • La sección «Análisis de datos de clientes » de Clickz
  • Información sobre la estrategia de datos de gran tamaño Inside Big Data ‘s concise insights on big data strategy
  • Esta enorme lista blogs activos sobre grandes datos, ciencia de datos, minería de datos, aprendizaje y análisis de máquinas
  • de Quora, en la que todos, desde principiantes hasta empresarios, han compartido sus recursos favoritos para el análisis de grandes datos
  • .

¿Ha intentado utilizar análisis de datos de gran tamaño para mejorar el servicio al cliente o tiene previsto hacerlo en un futuro próximo? ¿Cuáles son las otras áreas de negocio que desea mejorar con el análisis de datos de gran tamaño?

Me encantaría escuchar noticias, estudios de casos, experiencias y opiniones sobre todo lo relacionado con los grandes datos que podría tener que compartir. Nos vemos

⟵ Previous post

3 Razones por las que el contenido de forma larga es el rey y todo lo demás es ineficaz

Siguiente entrada ⟶

Social Shares

Aproveche esta oportunidad y suscríbase a nuestra newsletter.

Es gratis y le daremos valiosa información de como pude aumentar las cifras de su negocio.

Related Articles

Leave a Comment

Your email address will not be published. Required fields are marked *

SU TIEMPO VALE MUCHO MÁS!!!
No siga publicando nada más en su web y en redes hasta hablar con nosotros
No siga perdiendo el tiempo en acciones que no se convierten en contactos cualificados y rentables.
Contactar
Cerrar
×
Habla ahora mismo con un experto en Marketing Digital por whatsapp, resolveremos todas tus dudas.