Nieuwe technologieën en hoe je deze kan inzetten voor je klantenservice – Deel 4: Data science
Dit is het vierde artikel in onze serie over nieuwe technologieën en hoe deze je klantenservice kunnen helpen verbeteren en uitbreiden. We verdiepen ons deze keer in data science.
Data science (of in het Nederlands ‘datawetenschap’) is een relatief nieuw vakgebied en wordt steeds populairder. Information is power en de wetenschap van informatie is precies daar aan gewijd: het verzamelen van zoveel mogelijk informatie. Denk eens aan grote bedrijven zoals Google en Facebook. Zonder het verzamelen van informatie van hun gebruikers zouden zij nooit zo groot geworden zijn als ze vandaag de dag zijn.
Het vak van datawetenschap moet niet verward worden met data-analyse. Een data-analist richt zich over het algemeen op al bestaande (veelal historische) informatie en trekt daaruit conclusies. Datawetenschap richt zich juist op recente informatie om daaruit conclusies te trekken die betrekking hebben op de toekomst.
Data science
Data-analyse en datawetenschap lijken dus wel op elkaar en zijn ook zeker aan elkaar verwant. Maar datawetenschap richt zich op het verzamelen van relevante informatie om voorspellingen te doen voor de toekomst. En dat is precies waar het veel bedrijven kan helpen: het doen van voorspellingen gebaseerd op bestaande feiten en ervaringen in het verleden.
Tools en vaardigheden
Voor het werven en verwerken van de informatie is de juiste apparatuur heel belangrijk. Daarnaast moeten data scientists ook beschikken over de juiste IT-tools en software, maar ook goede programmeervaardigheden. Om de juiste informatie te verzamelen en die op de juiste manier te analyseren moeten data scientists namelijk zelf de juist algoritmes schrijven.
Maatwerk
Die algoritmes moeten precies de juiste data uit- en insluiten zodat de juiste voorspellingen gedaan kunnen worden. Het gaat hier echt om maatwerk want een verkeerde set data of een verkeerde interpretatie ervan kan een voorspelling op negatieve manier beïnvloeden. Precies te werk gaan is daarom extra belangrijk.
Informatie structureren
Bij data science komt ook het structureren en ordenen van de vele informatie kijken. Daarbij kan het voorkomen dat bepaalde informatie niet bruikbaar is en moet dit eerst verwerkt worden om het bruikbaar te maken. Er wordt gekeken naar onregelmatigheden in de informatie zodat dit aangepast kan worden. Ook wordt er gezocht naar patronen en mogelijkheden waarvoor een algoritme geschreven kan worden om vervolgens voorspellingen te kunnen doen. Dat wordt ook wel machine learning genoemd.
Data mining
Het actief en gericht op zoek gaan naar verbanden in big data wordt datamining genoemd. Er moet hierbij letterlijk (maar digitaal) worden gegraven in grote hoeveelheden informatie om iets bruikbaars te vinden, vandaar de naam ‘mining’. Er worden bij data mining (statistische) technieken toegepast en analyses ingericht om de informatie in de toekomst nogmaals te kunnen gebruiken. Er zijn dataminingtools om met automatisering data-analisten te helpen zoveel mogelijk werk uit handen te nemen. Dat is heel belangrijk wanneer er met big data gewerkt wordt omdat het anders enorm veel werk is.
Big data
Bij datawetenschap komen dus vaak enorme hoeveelheden informatie kijken. Soms zijn die hoeveelheden te groot om met standaard databases te kunnen verwerken. Wanneer dit het geval is spreken we van ‘big data’. De hoeveelheid beschikbare informatie wordt steeds groter. Dit komt doordat tegenwoordig steeds meer processen digitaal plaatsvinden en omdat we steeds meer informatie opslaan. Google Drive is voor iedereen gratis beschikbaar en ook websites als Facebook en YouTube dragen bij aan de hoeveelheid data.
Het kan hierbij gaan om persoonlijke informatie zoals woonplaats, geslacht of leeftijd, maar ook wordt vaak bijgehouden wat de huidige locatie van een persoon is. Door dit te koppelen aan het gedrag (welke bedrijven we leuk vinden en welk soort video’s we bekijken) krijgen bedrijven een heel goed beeld van wie we zijn en wat onze voorkeuren zijn. Met deze informatie kunnen bedrijven hun diensten, producten en marketingacties verbeteren en zich beter richten op de juiste personen met de juiste producten.
Hoe jij datawetenschap kan gebruiken voor je klantenservice
Om datawetenschappen in je bedrijf toe te passen om je klantenservice te verbeteren hoef je natuurlijk niet het surfgedrag en likes van je klanten bij te houden. Voor je klantenservice ligt het net even anders. Het gaan hier meer om klantinformatie die je bijvoorbeeld met je CRM al verzamelt (als het goed is). Het is de bedoeling dat je de informatie uit alle verschillende systemen integreert in één systeem: datasilo’s. Wanneer je al deze informatie op één plek bij elkaar hebt, kun je ermee aan de slag.
Op zoek naar verbeterpunten
Je kunt zoeken naar veel voorkomende problemen en deze punten verbeteren zodat deze in de toekomst niet meer of in mindere mate voorkomen. Bekijk per klant hoe vaak ze producten bij je kopen en hoeveel ze uitgeven. Ook: hoe vaak nemen ze contact op met je klantenservice? Bekijk ook eens wie er het meeste (en het minste?) aan je omzet bijdraagt en wie dus iets meer service mag verwachten. Hoewel je natuurlijk geen enkele klant mag verwaarlozen.
Analyseer je huidige klantenservice
Ook door alle mogelijke informatie over je huidige klantenservice te verzamelen kun je deze verbeteren. Hoe lang duren je live chats of telefoongesprekken gemiddeld voordat deze opgelost zijn? Hoeveel gesprekken kunnen je chatagents gemiddeld per kanaal aan? Wanneer in het jaar zie je pieken en dalen in het aantal binnenkomende telefoontjes, berichten en e-mails?
Wanneer je weet dat het druk gaat worden kun je voor meer personeel zorgen en wanneer het rustig dreigt te worden bespaar je jezelf geld door minder mensen in te zetten. Zie jij het aantal telefoontjes langzaamaan groeien en het aantal chats dalen? Dan is er duidelijk een trend die over een tijd zorgt voor een klantenservice die uit balans is.
Chatten is goedkoper en sneller dan een callcenter omdat je meerdere klanten tegelijkertijd kunt helpen dus het is verstandig om hier de nadruk op te leggen. Kijk waardoor klanten juist vaker de telefoon pakken. Misschien werkt je chatsoftware niet goed? Pas het aan en zorg dat je weer op het juiste pad terechtkomt.
Ken je klant
Je kunt data science ook gebruiken om wat meer in te zoomen: weet wat elke klant zoal bij je koopt. Mocht het een keer voorkomen dat je de klant moet compenseren omdat er iets flink is misgegaan, dan kun je aan de hand van zijn aankoopgedrag zien waar zijn interesses liggen en gebaseerd daarop een klein cadeautje aanbieden waarvan je zeker weet dat hij er blij mee zal zijn.
Nu weet je wat data science is en hoe jij het kunt gebruiken in je bedrijf om ervoor te zorgen dat je klantenservice van hoge kwaliteit is. Het gaat allemaal om de juiste informatie verzamelen en deze analyseren zodat je voorspellingen kunt doen voor de toekomst.
Andere artikelen in deze serie over nieuwe technologieën en hoe je die kunt inzetten voor je klantenservice kun je hier vinden.
Nieuwe technologieën – Deel 1: AI
