Inteligencia artificial para la atención al cliente

Los Contact Center  han evolucionado mucho desde su aparición. Al principio de su existencia se denominaban Call Centers porque las interacciones con los clientes se producían exclusivamente mediante llamadas telefónicas. De esto hace ya varios lustros y los clientes ahora prefieren otro tipo de canales para resolver sus dudas, peticiones o reclamaciones, empezando por el email, siguiendo por el chat, WhatsApp, redes sociales y en un futuro no muy lejano, el metaverso.

Vayamos al presente y veamos cómo las marcas, interactúan con nosotros antes de que seamos clientes, en el proceso de on-boarding y en la fase de postventa, cuando una vez establecida la relación cliente-empresa, necesitamos resolver un problema o poner una reclamación.

Imaginemos un cliente que está interactuando en nuestra página web, ha consultado información sobre nuestros productos, ha añadido alguno de ellos a la cesta y cuando está a punto de completar la compra, salta a la página de FAQ. Esto es un síntoma inequívoco de que algo le preocupa. Antes de dejar que se pierda en una maraña de preguntas y respuestas, sería conveniente invitarlo a charlar con un bot, en primer término, o con un agente humano, para tratar de facilitar la resolución de las dudas que pueda tener. Este tipo de monitorización de la actividad del cliente y la detección de patrones se denomina "engagement predictivo" y posibilita la reacción ante ciertos comportamientos para que, en caso necesario, la mera navegación web se convierta en una navegación asistida por un experto electrónico o humano. De esta forma se consigue reducir la tasa de abandono. La predicción de comportamientos no se limita a carritos de la compra abandonados, si no que puede detectarse cualquier patrón imaginable y asociarle alguna acción orientada a mejorar la conversión del potencial navegante en cliente.

Es habitual que, en el escenario anterior, la página web ofrezca al cliente la posibilidad de interactuar con un agente. ¿A qué agente deberíamos enviar la interacción? En este punto entra en juego otra tecnología con una fuerte componente de IA, el enrutamiento predictivo. El mejor agente en cada caso dependerá del perfil del cliente, del patrón de comportamiento que hemos detectado y lo más importante, de qué agente de los disponibles actualmente ha demostrado mejor ratio de resolución para el tipo de interacción que se presenta.

De manera virtualmente instantánea, la tecnología de Contact Center moderna evalúa todas estas variables y decide cuál es el mejor agente en cada caso, maximizando de este modo las posibilidades de que el potencial finalmente se convierta en cliente.

Sin embargo, el hecho de haber elegido el mejor agente no garantiza el éxito, simplemente incrementa las probabilidades. Para lograr una buena experiencia, el agente aún debe afrontar la fase de interacción. El cliente tiene dudas y necesitamos ofrecer respuestas concretas y ciertas para ganarnos su confianza. Y lo que es más importante, necesitamos proporcionar esta información de manera ágil. En el transcurso de una interacción de chat, se admiten ciertas demoras en la respuesta, pero nada más allá de unos pocos segundos. En el caso de la voz los tiempos son aún más críticos.

En este escenario, la tecnología de "Agent assist" viene al rescate. Con ella, podremos monitorizar la conversación en tiempo real, determinar cuál es el motivo de la consulta del cliente y buscar en una BD de conocimiento la respuesta más pertinente y todo ello, sin que el agente tenga que hacer nada. Es decir, la respuesta sugerida aparece en un texto emergente en el escritorio o la aplicación de atención. Hablamos de esta forma de lo que se conoce como el "Agente aumentado", un agente que es capaz de acceder a la información adecuada sin tan siquiera tener que buscarla. Es más, el algoritmo predictivo puede llegar a sugerir la mejor NBA (Next Best Action) para tratar con éxito la interacción.

En el contexto de una llamada telefónica, tenemos el hándicap de la inmediatez y la ventaja de que el análisis de la voz nos da mucha información que no está disponible en un chat.

La analítica de voz (speech analytics en inglés) permite saber cuándo un cliente está enfadado, por ejemplo, midiendo la desviación de la potencia media de la señal de voz en un intervalo dado. También es posible estimar el género y la edad de nuestro interlocutor a partir del estudio de determinados atributos de la señal de audio. La biometría vocal permite identificar de manera unívoca a un interlocutor si antes hemos calculado su huella vocal. Esta es una operación que debería exigir la aceptación por parte del cliente, pero en la práctica hay bancos, aseguradoras y entidades gubernamentales que ya han calculado la huella biométrica de determinados "sospechosos habituales" para tratar de detectar y evitar fraudes. Un ejemplo más prosaico, pero con una importancia nada desdeñable, es identificar bromistas que llaman a los servicios de emergencias y ocupan recursos que podrían ser necesarios para resolver incidencias reales.

Ya hemos mencionado un escenario de autoservicio, cuando identificamos la posibilidad de que un bot conversacional asista a un cliente con dificultades para completar una compra o para resolver una duda. En este contexto, entendemos por autoservicio la posibilidad de que el cliente sea atendido "solo" por tecnología, sin la intervención de un humano. Hay otros muchos escenarios en los que puede plantearse autoservicio, uno de los más habituales es la realización de encuestas de satisfacción a los clientes para medir la calidad de atención percibida.

Para ello, los Contact Centers disponen de tecnología de auto marcación, que determina la mejor hora para contactar a cada cliente en función de su perfil y una vez establecido un contacto positivo, se cede el control a un bot conversacional desarrollado con voz sintética, virtualmente indistinguible de la humana, que será el que realice una serie de preguntas de forma completamente autónoma para obtener el grado de satisfacción del cliente. Hoy en día este tipo de bots pueden entender una conversación en lenguaje natural en un contexto predefinido sin ninguna dificultad.

Con cada interacción, la información de cliente de la que disponemos se enriquece, no solo guardaremos las notas o comentarios asociados a la interacción, sino la propia conversación y su transcripción completa, esto nos permitirá un mejor conocimiento del cliente, una mejor segmentación y, por tanto, una mejor atención en futuras interacciones.

Adicionalmente, las conversaciones almacenadas junto con sus transcripciones sirven para evaluar la otra dimensión de la calidad, la emitida. Es decir, la calidad con la que los agentes de un Contact Center desempeñan su trabajo para decidir si la atención proporcionada está alineada con las directrices definidas por la empresa. Este análisis puede en muchos casos realizarse de manera automática, midiendo el sentimiento del cliente (positivo, negativo o neutro) en cada fase de la conversación y el grado en que el diálogo se adecua a los patrones de atención definidos.

Por último y para cerrar, me gustaría mencionar algunos casos de uso adicionales en los que la IA y la analítica avanzada tienen cabida en un Contact Center: Workforce management para predicción de demanda y configuración de turnos de trabajo, coaching automatizado y gamificación para mejorar la motivación de los empleados.

La próxima vez que interactuemos con un servicio de atención al cliente, podremos hacernos una mejor idea de qué ocurre entre bastidores.

Imagen de macrovector en Freepik