14.11.2019 | Data Science

SATO keskittyy parempaan asiakaskokemukseen tekoälyn avulla

Dagmar Driven Advanced Analytics -tiimi on rakentanut SATOlle useita työkaluja liiketoiminnan tehostamiseen. Yhtenä tavoitteena asiakaskokemuksen jatkuva kehittäminen. Huono asiakaskokemus voi johtua useista tekijöistä; tunnistamalla etukäteen riskitekijöitä, asiakaskokemusta voidaan parantaa ja vähentää asiakaspoistumaa.

 

Dagmar Drive rakensi SATOlle tekoälymallin, joka tunnistaa etukäteen riskitekijöitä, jotka vaikuttavat negatiivisesti SATOn asukkaiden asiakaskokemukseen.

 

Hyvä asiakaskokemus on liiketoiminnalle tärkeä voimavara. Tyytyväiset asiakkaat säilyvät asiakkaina pidempään ja voivat toimia suosittelijoina yrityksen tuotteille tai palveluille.

Dagmar Drive rakensi SATOlle tekoälymallin, joka tunnistaa etukäteen riskitekijöitä, jotka vaikuttavat negatiivisesti SATOn asukkaiden asiakaskokemukseen. Tekoälyä on käytetty jo aiemminkin useissa sovelluksissa, joissa datamäärä on joko liian suuri tai monimutkainen ihmisen tulkittavaksi.

Tuottaako tekoälymallin käyttäminen parempaa asiakaskokemusta?

Pelkkä malli ei tee ihmeitä, mutta se antaa SATOlle suuntaa ja työkaluja vastata asukkaiden muuttuviin tarpeisiin etukäteen. Näitä voivat olla esimerkiksi asukkaan arjen reittien kannalta epäsopiva alue, liian pieni asunto tai toistuvat häiriöt taloyhtiössä. Mallin ennusteiden pohjalta SATOn asiakaspalvelijat voivat tarttua kipukohtiin ennen kuin ne äityvät niin pahaksi, että asiakas irtisanoo vuokrasopimuksensa.

Asiakaskokemusta voidaan mitata useilla eri tavoilla, kuten kyselyillä tai palvelujen käyttöasteella. Koska data näistä ominaisuuksista koskettaa vain pientä joukkoa asiakkaita, asiakaskokemusta päädyttiin mittamaan poistuman avulla. Näin asiakaskokemus saadaan kattamaan koko asiakasmassaa, eikä pelkästään asukkaita, jotka ovat SATOn viestintäkanavien tavoitettavissa.

Tuottiko tekoäly tulosta?

Ennustemallin pohjalta SATO toteutti pilotin yhteydessä asiakashaastatteluja, joissa painopiste oli asiakkaiden tyytyväisyyden sekä poistuman arvioinnissa. Kun haastateltavat valittiin tekoälyn avulla, poistumariskiryhmään kuuluvien asukkaiden osuus oli noin kuusinkertainen verrattuna satunnaisesti valittuun asiakasjoukkoon. Mallitulosten systemaattisella analysoinnilla ja asiakasviestinnän prosesseja optimoimalla resurssien kohdennusta kyetään edelleen parantamaan ennakoivasti ja tarpeen mukaan.

Elämässä voi malleista ja ennusteista huolimatta tapahtua yllättäviä asioita. Kun tekoäly auttaa  kohdistamaan asiakashoidon resursseja ennakoivasti juuri sinne, missä niitä eniten tarvitaan, jää kaikille enemmän aikaa palvella asiakkaita myös yllättävissä tilanteissa.

 

Pilotti toteutettiin vuoden 2019 alkupuoliskolla yhteistyössä SATOn ja Dagmar Driven Advanced Analytics -tiimin kanssa.

Ilari Vähä-Pietilä

Ilari Vähä-Pietilä

Data Scientist, joka innostuu erityisesti haastavien koneoppimispulmien ratkaisemisesta. Vapaa-aika kuluu punttisalilla treenaillessa ja musiikkia kuunnellessa.

Lisää aiheesta