ID: 8534


НАЗВАНИЕ ОРГАНИЗАЦИИ/БРЕНДА
Yota
ГОРОД РАЗМЕЩЕНИЯ ПЛОЩАДКИ НОМИНАНТА
Санкт-Петербург
КОЛ-ВО СОТРУДНИКОВ (FTE) НА ПЛОЩАДКЕ НОМИНАНТА
450
ВЕБ-САЙТ ОРГАНИЗАЦИИ
НАЗВАНИЕ/ИМЯ НОМИНАНТА
Группа аналитики и мониторинга обращаемости
ИМИДЖ НОМИНАНТА
ЭССЕ НОМИНАНТА

Привет! Меня зовут Зубков Андрей, я являюсь руководителем отдела управления обслуживанием клиентских сервисов в компании Yota.

Рад представить на конкурс достижения одной из своих команд – группы клиентской аналитики.
Особенностью нашей работы в том, что в Yota 90% обслуживания клиентов проходят в Digital каналах – чат, соц. сети и т.д. И только 10% приходится на классическое обслуживание по звонку.

У группы два основных направления работы в области анализа данных:
1) Регулярное изучение всех совокупных клиентских данных и последующая генерация идей по улучшению клиентского счастья
2) Создание автоматизированной отчетности для принятия управленческих и бизнесовых решений

Цели, которые перед нами стояли

1. Улучшить метрики удовлетворенности клиентским сервисом (FCR, tNPS)
2. Сократить клиентскую обращаемость до целевых значений
3. Оптимизировать внутренние процессы клиентского сервиса за счет автоматизированной и удобной статистики, с максимально возможным уровнем детализации
4. Обеспечить рост продаж и сохранения клиентов за счет глубинной аналитики и поиску эффективных решений на ее основе

Все отделы клиентских сервисов, клиентский опыт, IT департамент, HR, проектный офис, коммерческий блок и розница, департаменты работы с партнерами и франшизой, маркетинг и пиар, отделы по продуктам компании, направления телемаркетинга

Сначала зафиксирую основной подход в организации команды клиентской аналитики:

а) hard скиллы сотрудников – Знания СУБД, SQL, PowerBi, tableau, отличные знания клиентского обслуживания и всех связанных процессов – все это необходимо для полной автономности работы команды и сокращению time to market любой инициативы.

б) 4 ключевых soft скилла – проактивность, управление результатом, инновационность, желание помогать – не просто исполнители, команда постоянно анализирует и развивает данные, может сама генерировать решения
Результат - постоянный поток, развивающийся клиентской аналитики и креативных идей по улучшению клиентского опыта

Примеры конкретных решений (наиболее значимых):

  • Создание адаптивного (под каждого клиента) FAQ-помощника, который «угадывает» что нужно клиенту и дает ему необходимые решения. Благодаря анализу разных типов и состояний клиентов поняли, что можем с высокой точностью предугадывать вопрос клиента в поддержку и точно знаем, как он сформирует этот вопрос. Как это работает на примере самой простой тематики обращения:
    а) Клиент находится в фин блоке (не оплачен тариф), клиент этого не замечает и хочет написать в поддержку
    б) В окне обращения в поддержку (чат) сразу же выводим для него проактивную подсказку о его ситуации и предлагаем пополнить счет.Подсказка сформирована так, как большинство подобных клиентов формируют свой вопрос поддержке. За счет этого клиенту сложно пройти мимо подсказки
    в) На основе аналитики знаем, что с высокой долей вероятности клиент спросит поддержку о том, как ему привязать банковскую карту и включить автоплатеж, чтобы избежать повторения ситуации. Поэтому выводим для него это действие в изначальной подсказке, снижая риск повторного обращения.
    Подобная помощь стала основным драйвером снижения обращаемости в клиентские сервисы, позволив снизить обращаемость практически в 2 раза.
  • Определение точного времени ожидания клиента оператором в чате. Оператор чата не может вечно ждать ответа клиента в чате, но и закрыть чат слишком рано плохо – пострадает клиентский опыт. Проведя анализ клиентских данных, поняли, что есть зависимости в поведении клиентов. На их основе выделили оптимальное время ожидания для каждой конкретной тематики обращения. Операторы стали дольше и чаще ждать «нужного» клиента и наоборот – не ждать клиента, который уже не вернется в чат обратно. Благодаря этому увеличился FCR в чате, на 10 процентных пунктов, при незначительном увеличении среднего времени диалога. Рост FCR перекрыл рост среднего времени диалога и по экономической эффективности, и по клиентскому счастью – клиент чаще решает вопрос в одной чат сессии с одним и тем же оператором.
  • Создание процессов с замыканием обратной связи. Много времени мы уделили на развитие текстовой аналитики и сегментации всех клиентов. Благодаря этому с высокой точностью предсказываем по словам-триггерам будущее поведение клиентов и предлагаем для них проактивные решения. Один из примеров:
    а) Клиент где-то в оценках поддержки или в конце чата с оператором пишет, что принял решение уйти от нас (разными словами и формулировками)
    б) С вероятностью в 90% мы такого клиента сегментируем и анализируем другие клиентские данные. (причины такого решения, насколько высока вероятность реального ухода и т.п.)
    в) Формируем полную раскладку по такому клиенту и рекомендуемое решение в специальный отдел сохранения.
    г) Отдел сохранения связывается с клиентом и пользуясь аналитическими подсказками решает вопрос и убирает причину ухода
    д) Результат – сохраненный и довольный клиент

В качестве результатов приведу подтвержденное влияние инициатив, озвученных выше, а также влияние на другие метрики эффективного сервиса и клиентского опыта.

  • Снижение обращаемости год к году (3Q20 vs 3Q21) c 8,1% на 100 клиентов базы, до 4,9% обращений на 100 клиентов базы. Т.е. в среднем, из 100 клиентов активной базы за поддержкой в клиентские сервисы обращается на 3.2 клиента меньше (8,1 клиент из 100 обращались в 20 г vs 4,9 из 100 в 21г)
  • Рост FCR в чате на 10 процентных пунктов за счет определения точного времени ожидания ответа клиента оператором. Помимо улучшения количество решенных с первого обращения снизилась сменяемость операторов в процессе решения, что также повлияло на воспринимаемый сервис.
  • Рост tNPS (готовности рекомендовать компанию после обслуживания) в ряде выбранных тематик обслуживания на 10-30 процентных пункта за счет глубокой аналитики определенных путей клиента и исправления процессов. Анализировали неоптимальные клиентские пути и с помощью своих решений, а также привлечения продуктов, маркетинга, IT улучшали и чинили процессы. Как простой пример – проанализировали реакцию клиентов на определенные фразы в исходящей SMS коммуникации, фразы заменили на другие – увеличился NPS связанной с этим тематики обслуживания.
  • Рост продаж в клиентских сервисах на 15%. За счет организации систем дашбордов с максимально подробной аналитикой потенциальных клиентов. Менеджмент и заинтересованные сотрудники получили аналитику для принятия важных управленческих решений. Также благодаря грамотной организации статистики удалось запустить и поддержать аналитикой дополнительную мотивацию персонала. Все это увеличило продажи.
  • Рост сохранения клиентов на 20%. За счет оптимизации процессов сохранения и поиска наиболее эффективных инструментов, все действия основывались исключительно на аналитики клиентских данных
  • Автоматизировали 95% всей статистики, связанной с клиентскими обращениями и контактами, сократили создание уникальных выгрузок и отчетов с 1 месяца до нескольких дней

Итоги:

а) Улучшили метрики удовлетворенности клиентским сервисом – FCR и tNPS
б) Сократили клиентскую обращаемость почти в 2 раза
в) Оптимизировали внутренние процессы клиентского сервиса и обеспечили все отделы современной, наглядной и автоматизированной отчетностью. Сократили time to market любой новой клиентской аналитики.
г) Обеспечили рост продаж и сохранения клиентов.

Добились этого придерживаясь четкой стратегии в формировании нашей команды аналитики.

Инвестиции в людей, в их развитие и прокачку soft и hard скиллов – ключевой фактор успеха.

Почему именно мы должны победить? Все просто, мы смогли существенно улучшить метрики клиентского счастья, и, помимо этого, еще и серьезно повлияли на операционную эффективность.

Довольный клиент – не обратившийся клиент.

За счет грамотного анализа клиентов мы также повысили эффективность продаж и сохранения клиентов.

И самое главное – мы не ждем решений от кого-то, мы одновременно проводим грамотную аналитику и тут же генерируем идеи по улучшению. На мой взгляд, подобная автономность команды второй ключевой фактор успеха, который позволит и в будущем в короткие сроки добиваться результата. Наш подход к формированию команды, в купе с уже созданной системой анализа данных обеспечит «плацдарм» для будущих достижений.

Резюмируя:
1. Обширные внушительные достижения в этом году

2. Формирование не просто разового успеха, а системного подхода – команда, процессы, технологии

3. Не просто исполнители – генераторы новаторских идей и полная автономность

4. Формирование «плацдарма» для будущих достижений

5. Наличие четкой стратегии и конкретных целей, планируем свой успех и корректируем действия

6. Применимость инициатив и подходов ко всему спектру бизнеса – не ограничены узкой специализацией в данных (обращаемость, продажи, сохранение, FCR и т.п.)
Сопроводительный файл 1
ИНФОРМАЦИЯ ОТСУТСТВУЕТ
Сопроводительный файл 2
ИНФОРМАЦИЯ ОТСУТСТВУЕТ
Сопроводительный файл 3
ИНФОРМАЦИЯ ОТСУТСТВУЕТ
ССЫЛКА на Youtube
ИНФОРМАЦИЯ ОТСУТСТВУЕТ

ПЕРСОНАЛЬНЫЕ ДАННЫЕ НОМИНАНТА ДЛЯ ПРЯМОЙ КОММУНИКАЦИИ С ЖЮРИ:

ФАМИЛИЯ
Зубков
ИМЯ ОТЧЕСТВО
Андрей Михайлович
ДОЛЖНОСТЬ
Руководитель по управлению обслуживанием

Скачать Эссе в PDF