Empresas de todos os tipos investiram fortemente em ferramentas e tecnologias que as ajudam a entender seus clientes de forma mais aprofundada e tirar proveito das vantagens de uma experiência do cliente (CX) superior. No entanto, embora as empresas líderes se esforcem para obter uma visão mais abrangente das preferências e comportamentos do cliente, elas continuam recorrendo a sistemas de mensuração baseados em pesquisas que durante décadas constituíram a base dos esforços de CX. As empresas utilizam esses sistemas para monitorar o desempenho de CX por meio de pesquisas de marca ou relacionamento, “fechar o ciclo” do feedback do cliente por meio de pesquisas pós-transação e até mesmo para planejar movimentos estratégicos ao tentarem extrair o feedback de suas pesquisas regulares ao longo do tempo. Equipes inteiras se dedicam a gerenciar questionários e melhorar as taxas de resposta, enquanto as métricas resultantes podem influenciar desde os bônus dos funcionários e a remuneração de executivos até as decisões de investimento estratégico.
A questão é que cada vez mais executivos reconhecem que os sistemas de mensuração baseados em pesquisa são incapazes de atender às necessidades do CX de suas empresas, embora elas ainda sejam uma ferramenta importante para a realização de análises. De fato, este artigo se baseia em nossa recente pesquisa com mais de 260 líderes de CX de empresas de todos os tamanhos sediadas nos Estados Unidos1. Noventa e três porcento dos respondentes afirmaram ter usado uma métrica baseada em pesquisa (tais como Pontuação da Satisfação do Cliente ou Pontuação do Esforço do Cliente) como principal meio de mensuração do desempenho de CX, mas somente 15% dos líderes afirmaram estar totalmente satisfeitos com a forma como suas empresas mensuram o CX – e apenas 6% disseram ter confiança na capacidade do sistema de mensuração permitir a tomada de decisões táticas e estratégicas. Os líderes indicaram a existência de falhas críticas como as baixas taxas de resposta, a falta de dados, a ambiguidade sobre alavancas de desempenho e a falta de um vínculo claro com o valor financeiro.
Algumas empresas estão sendo pioneiras no uso de uma abordagem melhor que aproveita plenamente a riqueza de dados disponível hoje em dia. Atualmente, as empresas podem coletar dados de celulares e interações de forma regular, legal e sem inconvenientes de seus sistemas financeiros, operacionais e de cliente, extraindo profundos insights sobre seus clientes. Empresas com uma visão voltada ao futuro estão expandindo suas capacidades de analytics e dados e explorando insights preditivos para conectar-se ainda mais com seus clientes, antecipar comportamentos e identificar problemas e oportunidades de CX em tempo real. Essas empresas conseguem entender melhor suas interações com os clientes e prevenir problemas em suas jornadas. Por outro lado, os clientes estão colhendo os benefícios: recompensas rápidas por atrasos em voos ou assistência proativa de uma seguradora quando um paciente tem dificuldade para resolver um problema. Esses benefícios vão muito além do que as pessoas normalmente consideram “clientes” e se estendem a membros, usuários, pacientes, hóspedes e intermediários. Os pioneiros no mundo do analytics da experiência do cliente sinalizam uma mudança fundamental na forma como as empresas avaliam e moldam a experiência do cliente.
Neste artigo, exploraremos como dados e analytics estão começando a transformar a arte e a ciência da experiência do cliente. Apresentamos novos estudos que trazem clareza e uma base de fatos sobre as falhas dos sistemas de mensuração baseados em pesquisas. Analisamos como algumas empresas líderes implementaram sistemas de CX baseados em dados e reduziram o churn, aumentaram a receita e diminuíram o custo de atendimento. Finalmente, apresentamos insights sobre como iniciar esse processo, incluindo quatro passos-chave a serem dados pelos líderes de CX à medida que atravessam a transição para obter insights e tomar ações baseadas em dados.
Os benefícios não são automáticos. Aquelas que estiverem começando, enfrentarão obstáculos e resistência por parte da organização. Mas se tiverem compromisso, mesmo empresas com sistemas de CX rudimentares, dados limitados e falta de cientistas de dados podem começar a preparar o terreno para transformar seus programas de CX e a experiência de seus clientes.
Os programas de CX do futuro serão holísticos, preditivos, precisos e claramente vinculados aos resultados do negócio. Evidências indicam que as vantagens serão significativas para as empresas que começarem a desenvolver as capacidades, a estrutura organizacional e os talentos necessários para a transição. Por outro lado, as empresas que mantiverem os sistemas tradicionais serão forçadas a “correr atrás do prejuízo” nos próximos anos.
“A pesquisa disse”: as falhas da mensuração tradicional do CX
Embora as pesquisas sejam um meio válido de obtenção de insights sobre clientes, elas são insuficientes como ferramenta de gestão para mensurar o desempenho de CX, identificar as oportunidades e tomar as ações pertinentes. Para tornarem-se líderes em termos de centralidade do cliente, as empresas precisam de uma visão cada vez mais abrangente de toda a jornada, além da habilidade para obter insights granulares e profundos sobre as alavancas da experiência do cliente. Elas precisam de sinais imediatos e específicos para tomar ações “na hora certa” e criar experiências relevantes para cada cliente. Além disso, elas devem demonstrar que as melhorias na experiência nas quais pretendem investir resultarão em ROI positivo. Os sistemas baseados em pesquisa apresentam quatro falhas fundamentais que tornam essas tarefas críticas praticamente impossíveis (Quadro).
- Limitados: tipicamente, as amostras de pesquisas de CX abrangem apenas 7% dos clientes de uma empresa, fornecendo uma visão extremamente limitada da experiência e do valor obtidos pelo cliente. De fato, somente 13% dos líderes de CX que participaram da nossa pesquisa expressaram total confiança na capacidade de seus sistemas de mensuração de CX fornecerem uma visão representativa da sua base de clientes.
- Reativos: as pesquisas são uma ferramenta que proporcionam uma visão em retrospectiva em um mundo onde os clientes esperam que seus problemas sejam resolvidos cada vez mais rapidamente. Cerca de dois terços dos respondentes classificaram a habilidade de agir sobre problemas de CX em tempo quase real entre as suas três principais prioridades, mas apenas 13% dos líderes afirmaram ter certeza de que suas organizações poderiam alcançar esse nível de rapidez nos insights obtidos por meio dos sistemas existentes.
- Ambíguos: as pesquisas muitas vezes são incapazes de revelar as causas-raiz do sentimento do cliente. De fato, as pontuações podem variar devido a vários fatores externos, incluindo um viés geográfico e choques na indústria, o que dificulta a realização de uma análise de causas-raiz com base somente em pesquisas. Apenas 16% dos líderes de CX afirmaram que as pesquisas fornecem dados suficientemente granulares para abordar as causas-raiz do desempenho de CX.
- Sem foco: nas palavras de um executivo de uma grande empresa de serviços financeiros: “A relação entre as pontuações baseadas em pesquisas e os resultados do negócio não é clara, portanto, muitas áreas da organização simplesmente alegam ter um impacto no negócio com suas iniciativas de CX, porém não têm evidências que o comprovem”. Recentemente, diversas empresas ficaram em dificuldade ao basearem suas decisões financeiras somente em pontuações obtidas em pesquisas. Notavelmente, de todos os líderes de CX pesquisados, somente 4% afirmaram que seus sistemas lhes permitem calcular o ROI das decisões de CX.
Insights preditivos sobre o cliente são o futuro
Desde que os sistemas baseados em pesquisa se tornaram onipresentes, o universo da geração de insights se transformou por meio de enormes avanços na capacidade de geração, agregação e análise de dados. Atualmente, as empresas têm acesso a uma ampla gama de conjuntos de dados: dados internos sobre as interações (digitais e analógicas), transações e perfis de clientes, conjuntos de dados de terceiros amplamente disponíveis que abrangem atitudes, comportamentos de compra e preferências do cliente, bem como comportamentos digitais, incluindo atividade em redes sociais e novos conjuntos de dados sobre saúde, sentimento e localização dos clientes (em lojas, por exemplo) geradas pela Internet das Coisas (IoT). Outras disciplinas de negócios, incluindo gestão de marketing e receita, já se transformaram por meio da agregação e análise desses vastos conjuntos de dados. O contraste é forte: por que usar uma pesquisa para perguntar aos clientes sobre a experiência que tiveram se os dados sobre as interações podem ser utilizados para prever tanto a satisfação quanto a probabilidade de um cliente se tornar fiel à marca ou aumentar suas atividades no negócio?
Alguns líderes de CX deram o passo decisivo e começaram a fazer uso de dados na oferta, extraindo insights valiosos que podem dar alertas e orientar ações rápidas para melhorar a experiência do cliente. Embora as características específicas possam variar nas diferentes empresas e indústrias, essa abordagem se baseia em uma plataforma preditiva da experiência do cliente que consiste em três elementos-chave:
-
Data lake no nível do cliente
Primeiro, a empresa coleta dados operacionais, financeiros e do cliente – ambos os dados agregados e os de clientes individualmente.2 Em seguida, a empresa processa esses dados e os armazena em uma plataforma na nuvem. Conjuntos de dados abrangentes, conectados e dinâmicos no nível do cliente permitem à organização mapear e monitorar o comportamento do cliente em todas as interações, transações e operações. Enquanto as pesquisas refletem as visões de um subconjunto de clientes em um único ponto no passado, esses conjuntos de rich data abarcam toda a base de clientes e envolvem toda a jornada, revelando as causas-raiz do desempenho.
O data lake funciona como a base para o desenvolvimento de um entendimento minucioso da experiência do cliente. A plataforma deve ser confiável em toda a organização, incluindo um mapeamento claro e consistente de todas as fontes de dados com identificadores únicos para os clientes, linhas de produtos e outros inputs críticos para o negócio.
-
Pontuação preditiva do cliente
A empresa desenvolve analytics – muitas vezes usando diversos tipos de algoritmos de machine learning – para entender e monitorar os fatores que influenciam a satisfação do cliente e o desempenho do negócio, bem como detectar eventos específicos na jornada do cliente.
Os algoritmos geram pontuações preditivas para cada cliente com base nas características da jornada. Essas pontuações permitem à empresa prever resultados individuais de satisfação e valor dos clientes, tais como receitas, fidelidade e custo de atendimento. Em termos mais amplos, eles permitem aos líderes de CX avaliar o ROI de investimentos de CX específicos e vincular iniciativas de CX diretamente aos resultados do negócio.
-
Mecanismo de ação e insights
Informações, insights e sugestões são compartilhados com um amplo conjunto de funcionários (incluindo agentes da linha de frente) e ferramentas (tais como plataformas de gestão do relacionamento com clientes) por meio de uma camada de interface de programação de aplicativos (API). Por exemplo, os agentes podem receber alertas e notificações sobre ações a serem tomadas para personalizar a experiência dos clientes e melhorar os resultados de CX. A camada de API funciona como uma “fonte única da verdade”, alimentando os mecanismos de recomendação baseados no data lake e nas pontuações dos clientes. Sobretudo, a plataforma preditiva, diferentemente dos sistemas baseados em pesquisa, gera insights oportunos e dispara rapidamente ações a serem praticadas pelos funcionários e através de interfaces digitais.
As plataformas de CX preditivo permitem às empresas mensurar e gerenciar melhor seu desempenho de CX, além de ajudarem a fundamentar e aprimorar a tomada de decisões estratégicas. Para os líderes de CX, esses sistemas tornam possível a criação de uma visão precisa e quantificada dos fatores que alavancam a experiência do cliente e o desempenho do negócio, tornando-se a base do vínculo entre CX e valor, bem como do desenvolvimento de casos de negócio para a melhoria do CX. Eles também criam uma visão holística do potencial de satisfação e do valor de cada cliente, sobre os quais é possível atuar em tempo quase real. Os líderes que já desenvolveram tais sistemas estão criando valor substancial por meio de uma ampla gama de aplicações na gestão do desempenho, no planejamento estratégico e no engajamento do cliente em tempo real.
Uma empresa líder de cartões de crédito desejava adotar uma estratégia omnicanal e impulsionar seu desempenho nos canais digitais. Ela focou no desenvolvimento de um stack de dados e analytics de CX no intuito de identificar, melhorar e monitorar sistematicamente os fatores que influenciavam a satisfação do cliente e o desempenho do negócio em treze jornadas prioritárias. Para tanto, começou a coletar dados das interações, transações e dos perfis de clientes com uma plataforma de analytics da jornada visando identificar as alavancas de satisfação de cada jornada, bem como as áreas que poderiam ser melhoradas. A plataforma incluía dados sobre interações recorrentes, lead times e a frequência com que os clientes passavam de um canal a outro. Além disso, ela abrangia fatores mais sutis, por exemplo, se a empresa havia lidado eficazmente com resultados negativos e como havia sido a comunicação em vários pontos ao longo do tempo.
Essa abordagem baseada em analytics proporcionou à empresa uma visão quantificada e sistemática sobre os problemas, áreas de oportunidade e interações entre canais dos milhões de clientes, permitindo à organização respaldar um ciclo sistemático de melhoria da jornada. A equipe usou a plataforma de analytics para focar seus investimentos e esforços operacionais nas jornadas e nos momentos que realmente faziam a diferença para os clientes, reduzindo, em última instância, seus custos operacionais e de interação em 10% a 25% como resultado da transformação digital e de CX.
A priorização dos esforços de CX por meio de um planejamento estratégico intencional é outro caso de uso promissor dos sistemas baseados em dados, uma vez que permitem aos líderes de CX entender quais fatores operacionais, financeiros e de cliente estão criando problemas – ou oportunidades – sistêmicos ao longo do tempo. Um provedor de serviços de saúde nos Estados Unidos, por exemplo, construiu um “lake” de jornadas para determinar como melhorar seu atendimento ao cliente. O “lake” de jornadas sincronizava bilhões de registros de nove sistemas, incluindo marketing, operações, vendas, canais digitais, IoT, entre outros. Como resultado, a visão holística sobre o cliente permitiu à organização identificar pontos de ruptura operacionais – limites nos quais os pacientes costumam pedir para falar com um supervisor ou se dirigem a outro canal para resolver uma questão – e alcançar os pacientes proativamente através do site, email ou chamadas ativas para solucionar o problema. Os dados também foram usados para desenvolver uma estratégia de migração digital inteligente voltada aos clientes que apresentavam engajamento mínimo nos canais digitais, orientando-os a fazer mais uso das funções de autoatendimento. Desse modo, a organização aumentou significativamente a adoção de canais digitais ao focar nos pontos críticos mais significativos, tais como a renovação de receitas médicas. Ademais, reduziu os custos ao diminuir em mais de 25% a frequência com que os clientes recorriam a outros canais após terem começado o contato em um canal digital.
Finalmente, graças à natureza de tempo quase real dos insights de analytics, os novos sistemas criaram uma plataforma para engajar os clientes de forma proativa e diária. Uma companhia aérea líder desenvolveu um sistema de machine learning baseado em 1.500 variáveis financeiras, operacionais e de clientes para mensurar a satisfação e a receita prevista para seus mais de 100 milhões de clientes todos os dias. O sistema permitiu à companhia identificar e priorizar os clientes cujos relacionamentos estavam em maior risco devido a atrasos e cancelamentos, oferecendo-lhes uma compensação personalizada para resguardar o relacionamento e reduzir a perda de clientes nas rotas de alta prioridade. Uma equipe combinada de cerca de 12 a 15 cientistas de dados, especialistas de CX e parceiros externos trabalharam juntos durante aproximadamente três meses para desenvolver o sistema e implementar essa primeira aplicação, que gerou um aumento de 800% na satisfação e uma redução de 60% no churn de clientes prioritários.
Como transformar dados em insights e ações
A transição para insights preditivos não acontecerá do dia para a noite. Segundo nossa pesquisa, a maior parte das organizações ainda depende de pesquisas para avaliar o sentimento do cliente. Empresas líderes, por sua vez, têm a oportunidade de levar seus programas de CX ao próximo nível – partindo do ponto onde se encontram atualmente. Com base em nossa pesquisa sobre as organizações que realizaram a transição com sucesso, identificamos quatro passos-chave para impulsionar as transformações de CX.
1. Trabalhar na mudança de mentalidade: a transição inevitavelmente envolverá desafios, dos quais um dos maiores será a mudança de mentalidade tanto das equipes como dos executivos de CX. Os líderes poderão pensar que os sistemas preditivos estão fora da sua alçada, que fazem parte do departamento de TI ou da equipe de cientistas de dados. Mas os tempos estão mudando e os líderes de CX da atualidade precisam focar nos dados do mesmo modo como eles antes se concentravam em uma única pontuação de CX. Alguns poderão alegar que sua organização já fez análises de regressão em alguns indicadores-chave de desempenho, mas agora é hora de pensar grande e agir com ousadia a fim de construir um sistema – não apenas lidar com dados de forma superficial.
O papel do líder de CX está evoluindo, o que significa que os executivos precisarão reposicionar-se dentro de suas organizações. Ao ser indagado sobre o maior desafio do sistema atual, um chief experience officer respondeu: “As pessoas associam CX com marketing, não tecnologia”. Isso está mudando à medida que cada vez mais empresas implementam analytics preditivo – e é papel dos líderes de CX estimular essa percepção.
2. Romper silos e criar equipes multifuncionais: as funções de CX muitas vezes caem na armadilha de criar seus próprios silos dentro da empresa. Para começar a transição, os líderes de CX precisam integrar-se melhor com o restante da organização.
Inevitavelmente, os responsáveis pelos dados irão envolver as funções de operações, marketing, financeiro e tecnologia, portanto o compromisso da alta liderança será vital para assegurar a eficiência no acesso e gestão dos dados (e, é claro que serão os cientistas de dados, não os profissionais de CX, que escreverão os algoritmos). A equipe de CX deve definir a direção e a estratégia, mas assegurar a adesão e o entusiasmo entre os stakeholders afetados será fundamental para escalonar o impacto.
Um cliente do setor de viagens, por exemplo, começou seu sistema baseado em dados com foco na entrega de melhorias em tempo real nas operações de atendimento ao cliente, uma vez que a equipe de CX tinha uma forte parceria com a organização de serviços e poderia, assim, comprovar o valor rapidamente. O esforço inicial envolveu estreita colaboração: o CX atuou como owner do negócio, a equipe de cientistas de dados desenvolveu o produto e a organização de atendimento ao cliente agiu como primeiro destinatário do produto mínimo viável inicial. Além da equipe principal, um conselho consultivo que incluía o COO, o CFO e o chief marketing officer permaneceu informado sobre o progresso e aconselhou sobre casos de uso futuros para que, quando o piloto inicial tivesse sucesso, o COO já estivesse de acordo com um caso de uso adicional em sua organização. Mesmo no caso de iniciativas de pequena escala – por exemplo, quando uma organização contrata profissionais externos, em vez de montar uma equipe de cientistas de dados interna – esses relacionamentos fortes e multifuncionais, tanto no nível do desenvolvimento quanto no do comitê de liderança, serão vitais para a criação e o escalonamento de futuros mecanismos de insights de CX.
3. Começar com o conjunto de dados de uma jornada crítica para melhorar a precisão: a maioria das organizações enfrenta desafios com a qualidade e a disponibilidade de dados – e sem dados, essa transição não tem chance de sucesso. A boa notícia é que as organizações podem começar com dados básicos no nível do cliente, mesmo que esses dados não estejam perfeitos. O primeiro passo é coletar dados financeiros e operacionais no nível de cliente individual – uma combinação de perfis de clientes, juntamente com interações digitais e analógicas, geralmente é um sólido ponto de partida.
As equipes devem criar uma taxonomia detalhada da jornada, incluindo todas as potenciais alavancas de satisfação da sua base de clientes. A taxonomia pode ser usada para geração de hipóteses, levando a novos atributos mensuráveis para inclusão no modelo preditivo. Tais atributos – chamados de data features (características dos dados) em machine learning – podem variar de propriedades numéricas (como o gasto anual de um cliente) a propriedades binárias (se o cliente comprou um produto online ou em uma loja). Ao longo do tempo, o entendimento de quais dessas características serão significativas no modelo de machine learning – e sua comparação com as hipóteses da equipe – pode ajudar as organizações a reconhecer onde os dados podem estar imprecisos ou incompletos e adaptar adequadamente sua estratégia de aquisição de dados. Caso não haja dados sobre determinadas características, as equipes podem explorar opções para adquirir novos conjuntos de dados (por exemplo, agências de crédito) ou implementar uma nova instrumentação para gerar as características necessárias (por exemplo, sensores de IoT para mapear os pontos de interação em ambientes físicos. À medida que o algoritmo de machine learning incorpora mais dados e gera seus próprios insights, os conjuntos de dados se tornarão mais robustos, comprovando sua utilidade em múltiplas aplicações empresariais.
Por fim, as empresas podem buscar integrar os dados de fontes de toda a jornada do cliente, incluindo chat, emails, redes sociais, aplicativos e dispositivos de IoT. Independentemente da fonte, toda coleta, armazenamento e uso de dados deve seguir as melhores práticas de privacidade e cibersegurança. (Notavelmente, nossos colegas descobriram que a proteção dos dados do cliente pode funcionar como uma fonte de vantagem competitiva à medida que os consumidores se tornam mais cautelosos em relação ao compartilhamento de dados, evitando ou deixando de fazer negócios com empresas em cujas práticas de segurança de dados eles não confiam). As organizações devem seguir as regulamentações regionais referentes a dados e remover todas as variáveis relacionadas a classes protegidas, tais como raça e religião. Toda informação deve ser encriptada e anonimizada antes de ser analisada. Finalmente, revisões regulares de risco podem ajudar a detectar vieses algorítmicos em sistemas de CX. Os líderes de CX são responsáveis por conhecer as ações que suas organizações estão tomando para proteger os dados do cliente, mitigar vieses e promover a imparcialidade em seus sistemas preditivos.
4. Focar primeiro nos casos de uso capazes de criar valor rapidamente: sistemas preditivos baseados em dados oferecem às organizações de CX uma oportunidade única de vincular as estratégias de CX a um valor de negócio tangível. Desde o início, é importante ter uma visão clara sobre como os insights serão aplicados e focar em poucos casos de uso específicos capazes de criar retorno imediato. Ao ser um framework simples, as organizações podem analisar importantes fontes de oportunidade, pontos críticos (ou ambos) ao longo da atual jornada do cliente e refletir como um sistema preditivo poderia criar novas soluções ou melhorar as existentes para que posam ter um impacto na fidelidade, no custo de atendimento e nos comportamentos de cross/up-sell.
Por exemplo, uma empresa aplicou seu sistema preditivo a uma jornada de resolução de problemas após perceber que seus fundos de contingência – que antes haviam sido alocados uniformemente entre os clientes – poderiam ser aplicados de forma mais estratégica. A empresa desenvolveu um algoritmo capaz de identificar clientes de alta prioridade conforme mensurado com base no valor do ciclo de vida e em experiências recentes (como a extensão de um atraso em um serviço que o cliente tenha sofrido no mês anterior) e usou o algoritmo para alocar os fundos de contingência no atendimento a clientes de alto valor que estavam insatisfeitos. Esse primeiro caso de uso se revelou bem-sucedido, gerando economias de mais de 25% do orçamento planejado e abrindo caminho para futuras aplicações. Os líderes devem se perguntar quais casos de uso apresentam uma oportunidade clara de criação de valor por meio de uma prova de conceito a fim de criar momentum e ganhar apoio.
Após anos servindo de referência para definir e refinar o desempenho de uma empresa em termos da experiência do cliente, os sistemas baseados em pesquisa estão chegando ao fim. O futuro do desempenho superior da experiência do cliente está se inclinando para os sistemas preditivos baseados em dados – e as vantagens competitivas estão disponíveis para aquelas empresas que conseguirem obter um melhor entendimento do que seus clientes desejam e precisam.
