[P2] Predictive CX Platforms: Tương lai mới của Trải nghiệm khách hàng

Trong phần trước, chúng ta đã cùng điểm qua những hạn chế của việc đo lường trải nghiệm khách hàng bằng khảo sát và tiềm năng của các nền tảng dự đoán trong tương lai đối với CX. Trong phần tiếp theo này, hãy cùng tìm hiểu rõ hơn cách để doanh nghiệp bắt đầu chuyển đổi CX qua 4 bước được McKinsey tổng hợp từ những trường hợp thành công trong thực tế.

Cách biến dữ liệu thành insight và hành động

Quá trình chuyển đổi sang dự đoán insight sẽ không diễn ra trong một sớm một chiều. Như nghiên cứu của McKinsey cho thấy, hầu hết các tổ chức vẫn dựa vào các cuộc khảo sát để đánh giá tình cảm của khách hàng. Dựa trên dữ liệu về các tổ chức đã thực hiện chuyển đổi thành công, dưới đây là 4 bước chính để các doanh nghiệp bắt đầu chuyển đổi CX.

Làm việc để thay đổi tư duy

Quá trình chuyển đổi sẽ tạo ra nhiều thách thức mới, đặc biệt trong số đó là sự thay đổi tư duy cho cả đội và giám đốc điều hành CX. Leader có thể cảm thấy rằng các hệ thống dự đoán nằm ngoài tầm quan sát của họ, là lĩnh vực của bộ phận CNTT hoặc nhóm khoa học dữ liệu. Nhưng thời thế đang thay đổi và các leaders CX ngày nay cần tập trung vào dữ liệu nhiều hơn vì họ chỉ mới tập trung vào một điểm CX duy nhất. Đã đến lúc suy nghĩ lớn hơn và táo bạo hơn, cũng như xây dựng một hệ thống dựa vào dữ liệu.

Vai trò của leader CX đang thay đổi và trở nên quan trọng hơn. Khi được hỏi về thách thức lớn nhất với hệ thống hiện tại, một giám đốc kinh nghiệm trả lời: "Mọi người liên kết CX với tiếp thị, không phải với công nghệ". Nhưng điều này đang thay đổi khi ngày càng có nhiều công ty sử dụng phân tích dự đoán và các leaders CX sẽ giúp khuyến khích sự thay đổi này trong nhận thức.

Chia nhỏ các silo và xây dựng các nhóm chức năng chéo

Các chức năng của CX thường rơi vào bẫy của việc tạo ra các silo (cấu trúc làm việc phân cấp cổ điển) của riêng họ trong một công ty. Để bắt đầu quá trình chuyển đổi, các nhà lãnh đạo CX cần hòa nhập tốt hơn với phần còn lại của tổ chức.

Chủ sở hữu dữ liệu chắc chắn sẽ mở rộng các chức năng hoạt động, tiếp thị, tài chính và công nghệ, do đó, việc trao đổi với lãnh đạo cấp cao sẽ rất quan trọng để đảm bảo quyền truy cập và quản lý dữ liệu hiệu quả. Nhóm CX nên xác định phương hướng và chiến lược rõ ràng, nhưng phải đảm bảo sự tham gia và hứng thú giữa các bên liên quan để mở rộng quan hệ và khả năng hợp tác.

>>> Xem thêm:  Predictive CX Platforms: Tương lai mới của Trải nghiệm khách hàng

Bắt đầu với bộ dữ liệu hành trình cốt lõi để cải thiện độ chính xác

Hầu hết các tổ chức phải đối mặt với những thách thức về chất lượng và tính khả dụng của dữ liệu, và nếu không có dữ liệu, quá trình chuyển đổi này rất khó để thực hiện thành công. Tin tốt là các tổ chức có thể bắt đầu với dữ liệu cấp độ khách hàng cơ bản, ngay cả khi dữ liệu không hoàn hảo. Bước đầu tiên là thu thập dữ liệu hoạt động và tài chính ở cấp độ khách hàng cá nhân. Sự kết hợp của các hồ sơ khách hàng, cùng với các tương tác digital và analog sẽ tạo ra một điểm khởi đầu vững chắc.

Các nhóm nên tạo ra một bảng phân loại hành trình chi tiết, bao gồm tất cả các yếu tố tiềm năng mang lại sự hài lòng cho cơ sở khách hàng. Phương pháp phân loại có thể được sử dụng để tạo giả thuyết, dẫn đến các thuộc tính mới có thể đo lường được để đưa vào mô hình dự đoán. Các thuộc tính này, được gọi là tính năng dữ liệu trong học máy có thể bao gồm các thuộc tính số, chẳng hạn như chi tiêu hàng năm của khách hàng, đến các thuộc tính nhị phân, chẳng hạn như việc khách hàng mua sản phẩm trực tuyến hay tại cửa hàng.

Theo thời gian, việc hiểu những tính năng nào là quan trọng trong mô hình học máy và so sánh những tính năng đó với giả thuyết của nhóm có thể giúp các tổ chức nhận ra nơi dữ liệu có thể không chính xác hoặc không đầy đủ để điều chỉnh chiến lược thu thập dữ liệu của họ sao cho phù hợp.

Nếu dữ liệu cho các tính năng nhất định không tồn tại, các nhóm có thể khám phá các tùy chọn để có được các tập dữ liệu mới (ví dụ: dữ liệu của cơ quan tín dụng) hoặc áp dụng thiết bị đo mới để tạo ra các tính năng cần thiết (ví dụ: cảm biến IoT để lập bản đồ các điểm tương tác của khách hàng trong môi trường vật lý). Khi thuật toán học máy nhập nhiều dữ liệu hơn và tạo ra thông tin chi tiết của riêng nó, các tập dữ liệu sẽ trở nên mạnh mẽ và chính xác hơn.

Cuối cùng, các công ty có thể tìm cách tích hợp dữ liệu từ các nguồn trong hành trình của khách hàng, bao gồm trò chuyện, cuộc gọi, email, phương tiện truyền thông xã hội, ứng dụng và thiết bị IoT.

Bất kể dữ liệu đến từ nguồn nào, tất cả việc thu thập, lưu trữ và sử dụng dữ liệu phải tuân theo các quy định về quyền riêng tư và an ninh mạng (nhiều phát hiện chỉ ra rằng, việc bảo vệ dữ liệu khách hàng có thể đóng vai trò như một nguồn lợi thế cạnh tranh khi người tiêu dùng trở nên cẩn thận hơn trong việc chia sẻ dữ liệu và tránh hoặc ngừng kinh doanh với các công ty có các phương pháp bảo mật dữ liệu mà họ không tin tưởng), tuân theo các quy định về dữ liệu khu vực và loại bỏ bất kỳ biến nào liên quan đến các nhóm được bảo vệ, chẳng hạn như chủng tộc và tôn giáo.

Tất cả thông tin nhận dạng phải được mã hóa và ẩn danh trước khi phân tích. Cuối cùng, đánh giá rủi ro thường xuyên có thể giúp phát hiện sai lệch thuật toán trong hệ thống CX. Các nhà lãnh đạo CX phải có trách nhiệm về những điều tổ chức của họ đang làm để bảo vệ dữ liệu khách hàng, giảm thiểu sự thiên vị và thúc đẩy sự công bằng trong hệ thống dự đoán của họ.

Tập trung vào các trường hợp có thể sử dụng để thúc đẩy giá trị nhanh chóng

Các hệ thống dự đoán, định hướng dữ liệu cung cấp cho các tổ chức CX cơ hội để gắn các chiến lược CX với giá trị kinh doanh hữu hình. Trong những ngày đầu tiên, điều quan trọng là phải có cái nhìn rõ ràng về cách áp dụng insight và tập trung vào một vài trường hợp sử dụng cụ thể sẽ tạo ra lợi nhuận ngay lập tức.

Các tổ chức có thể xem xét các nguồn cơ hội chính, pain point, hoặc cả hai trong hành trình của khách hàng hiện tại và suy nghĩ về cách hệ thống dự đoán có thể tạo ra các giải pháp mới hoặc nâng cao các giải pháp hiện có, có thể tạo ra tác động trực tiếp đến lòng trung thành, chi phí phục vụ, hành vi bán chéo và mua thêm.

Ví dụ: một công ty đã áp dụng hệ thống dự đoán của mình cho hành trình giải quyết vấn đề sau khi nhận ra rằng các quỹ dự phòng của mình (trước đây đã được phân bổ đồng nhất cho các khách hàng) có thể được áp dụng một cách chiến lược hơn. Công ty đã phát triển một thuật toán có thể xác định những khách hàng có mức độ ưu tiên cao được đo lường bằng giá trị lâu dài và trải nghiệm gần đây (chẳng hạn như mức độ dịch vụ chậm trễ mà khách hàng đã trải qua trong tháng trước) và họ sử dụng thuật toán để phân bổ quỹ dự phòng cho những khách hàng không hài lòng và khách hàng có giá trị cao. Trường hợp này đã thành công, tiết kiệm cho tổ chức hơn 25% ngân sách dự kiến và mở đường cho các ứng dụng trong tương lai. Các leaders nên tự hỏi bản thân những trường hợp nào sử dụng sẽ mang lại cơ hội rõ ràng để thúc đẩy giá trị thông qua một bằng chứng cụ thể để họ có thể xây dựng động lực và nhận được sự ủng hộ.

Kết

Sau nhiều năm đóng vai trò là chuẩn mực để xác định và tinh chỉnh hiệu suất trải nghiệm khách hàng của các công ty, các hệ thống dựa trên khảo sát đang bước sang thời kỳ “suy thoái”. Tương lai của hiệu suất trải nghiệm khách hàng vượt trội đang chuyển sang các hệ thống dự đoán, dựa trên dữ liệu và các lợi thế cạnh tranh luôn sẵn sàng cho các công ty có thể hiểu rõ hơn những gì khách hàng của họ muốn và cần.

Lương Hạnh - MarketingAI

Theo McKinsey

>> Có thể bạn quan tâm: Làm thế nào để cá nhân hóa trải nghiệm người dùng trong thị trường truyền thông nhiều biến động?