Uso de la IA para mejorar la efectividad de los agentes de un banco

Para abordar estas cuestiones, el cliente necesitaba un sistema que proporcionara una mayor visibilidad a escala de las actividades de los agentes (acercamiento, conversaciones, seguimiento, etc.) y descubriera comportamientos que impulsaran resultados satisfactorios. Las percepciones obtenidas de este análisis podrían, a su vez, utilizarse para desarrollar un marco de medición y gestión del rendimiento con la capacidad de proporcionar un entrenamiento específico y cuantificar la mejora de los agentes a lo largo del tiempo.

Para lograrlo, los equipos de EY elaboraron un conjunto de datos comparativos sólidos y basados en hechos. Aprovecharon sofisticados enfoques de IA para analizar los comportamientos de conversación asociados a la progresión general y ayudar a identificar los comportamientos demostrados por los agentes con mejor rendimiento. Estos datos se utilizaron para realizar un seguimiento del rendimiento individual de cada miembro del equipo y proporcionar comentarios personalizados y muy específicos. Los datos se agruparon en un panel interactivo al que los agentes y los jefes de equipo podían acceder y utilizar para la revisión continua del rendimiento y la adopción de medidas.

El equipo necesitaba superar los importantes desafíos que supone trabajar con enormes volúmenes de datos no estructurados, que son intrínsecamente ruidosos y a menudo de mala calidad. Lo que hacía aún más compleja la tarea era la dificultad de vincular los datos de fuentes estructuradas, como las plataformas de gestión de relaciones con los clientes, los archivos de jerarquía de agentes y los datos de rendimiento o resultados, con los datos de llamadas no estructurados.

Al hacer operativas estas percepciones impulsadas por la IA y el aprendizaje automático, el cliente sería capaz de:

• Obtener una mejor comprensión de lo que hacían los mejores y aplicar estos aprendizajes para mejorar la formación, el entrenamiento y la trayectoria general del rendimiento.
• Reforzar los vínculos entre rendimiento e incentivos y mejorar así la retención.
• Mejorar la eficacia del seguimiento con una visión de 360 grados de la captación de clientes.

Los equipos de EY empezaron creando un "libro de registro" en torno a la totalidad de la interacción de un agente con un cliente. Captaron lo que ocurrió antes y después a través de varios canales: desde los correos electrónicos enviados y las llamadas realizadas, hasta los casos abiertos y las ventas registradas.

Al mismo tiempo, utilizaron técnicas de procesamiento del lenguaje natural (NLP, por sus siglas en inglés) para extraer información cualitativa y no estructurada de las conversaciones de los agentes, como los temas tratados, la pista de conversación utilizada y el resultado de la llamada. Esto permitió calibrar cómo respondían los agentes a determinadas situaciones de los clientes; si se esforzaban por comprender la situación específica del cliente; cómo hablaban de las características y la funcionalidad del producto; y si llevaban a cabo una actividad de seguimiento sólida. Aprovechando los métodos de NLP se superaron los problemas de calidad de los datos que suelen mermar el rendimiento de los enfoques basados en palabras clave. A menudo arrojan resultados insatisfactorios debido a problemas como la transcripción errónea y las variantes de palabras contextualmente similares.

"Al abordar los problemas de calidad inherentes a las conversaciones registradas por los sistemas heredados y la excesiva dependencia de las palabras clave, pudimos identificar señales muy sutiles con un nivel de precisión muy elevado", afirma Sameer Gupta, EY North America Financial Services Organization Advanced Analytics Leader.

Junto con las métricas estructuradas, estos conocimientos fundamentales se vincularon a la progresión general y al resultado, por ejemplo, una venta registrada.

Utilizando diversas técnicas para mejorar los vínculos entre los conjuntos de datos estructurados y no estructurados, los equipos de EY fueron capaces de vincular los conocimientos fundamentales de la NLP a la progresión general, identificando así las lagunas y las oportunidades por etapa de progresión. Además de las perspectivas a nivel de agente, el enfoque ayudó a comprender y cotejar los comportamientos y métodos correlacionados con las conversaciones impactantes y los resultados satisfactorios. El siguiente paso fue destilar estos conocimientos en un cuadro de mando de revisión interactivo. Desarrollado con las aportaciones del equipo de operaciones del cliente y de los usuarios finales para fomentar su adopción, proporciona vistas personalizadas para los agentes y los jefes de equipo que pueden actualizarse diariamente o cuando sea necesario.