No mundo hiperconectado em que vivemos, os consumidores podem ter múltiplas jornadas de compras, com interações por sites, aplicativos, redes sociais ou até mesmo por uma ligação telefônica. Apesar das muitas opções de canais de contato disponíveis, o mais relevante para o cliente é a qualidade e o nível de personalização no atendimento recebido.
Afinal, quem gosta de notificar algum problema para uma empresa e receber uma oferta no lugar de uma solução? Situações como esta são mais comuns do que parecem e prejudicam a fidelização do cliente. A pesquisa Cracking Tomorrow's CX Code, realizada pelo CMO Council em parceria com o SAS em 2022, mostra que 56% dos consumidores da América Latina dizem que as marcas não são muito boas em oferecer uma experiência perfeita no meio digital e físico.
O mesmo estudo revela os fatores-chave na garantia da lealdade dos clientes latino-americanos, sendo a consistência no atendimento omnichannel e a qualidade dos produtos de igual importância, com 67,50% cada. Os outros três pilares são: alta qualidade do serviço prestado (50%), disponibilidade imediata dos produtos para entrega (50%) e preços baixos (50%).
Ter uma visão completa do cliente, para entendê-lo e oferecer uma boa interação de acordo com o perfil parece ser o grande desafio das marcas. Isso acontece porque o aumento no número de canais de atendimento, aliado à transformação digital das empresas, gera um alto volume de dados. Com isso, tornou-se urgente a adoção de tecnologias para coleta, organização e armazenamento destas informações, bem como para o processamento e a extração de ideias relevantes com uso de inteligência artificial (IA) e machine learning.
Segundo o relatório do Gartner de 2021, Forecast Analysis: Artificial Intelligence Software, Worldwide, até o final de 2022, os investimentos em tecnologias relacionadas à IA devem ter ultrapassado os US$ 62 bilhões.
A aplicação de machine learning e IA no marketing permite encontrar padrões e semelhanças no perfil de clientes, varrendo um número muito maior de dados do que a mente humana é capaz de assimilar, formando clusters de consumidores que possam engajar com uma determinada promoção ou outra experiência.
Os mesmos recursos possibilitam também a identificação dos clientes com maior potencial de cancelamento para que seja traçada uma estratégia de retenção. Todas essas estratégias são embasadas em dados qualificados e processos automatizados, garantindo a padronização e a redução no tempo da tomada de decisão.
A hora e vez do PLN no marketing
Para ir mais a fundo sobre as técnicas de IA que são aplicadas ao atendimento ao cliente, destaco a importância do Processamento Natural de Linguagem (PLN). Esta vertente da IA permiti que as máquinas sejam capazes de entender, interpretar e manipular a linguagem humana. Ou seja, os computadores conseguem automatizar o processo de entendimento da linguagem, removendo interpretações pessoais e permitindo a escalabilidade deste processo, já que os seres humanos têm uma capacidade limitada de volume de leitura e interpretação.
O PLN é utilizado em diversas indústrias e setores, por exemplo, para encontrar padrões e extrair informações relevantes na submissão de sinistros, auxiliando na detecção e prevenção à fraude e até mesmo realizando a transcrição automática de uma chamada.
Aplicado ao atendimento, o PLN possibilita a identificação de forma clara, objetiva e automatizada, os principais motivos pelos quais os clientes entram em contato com a central de atendimento, facilitando o direcionamento para células específicas e até mesmo podendo gerar sugestões de roteiros a serem seguidos pelo atendente.
Mais do que simplesmente identificar o motivo da ligação, as informações geradas pelo PLN podem ser cruciais para identificar o momento que o cliente se encontra (segmentação, aquisição, rentabilização, retenção ou recuperação) e identificar qual a Next Best Action (NBA) a ser feita com ele. Quando embasado em dados significativos e utilizando técnicas de machine learning, o NBA tem um potencial enorme de melhorar a experiência e a satisfação do cliente a longo prazo.
Imagine que um cliente de uma empresa de telefonia faz uma chamada ao serviço técnico da mesma informando que a internet parece estar com sinal mais fraco do que o esperado no wi-fi em alguns pontos da sua casa. O atendente segue os protocolos e indica que tudo está dentro da normalidade, sem instabilidades na rede. Minutos após a chamada, o cliente recebe um push no seu aplicativo com informações sobre novos modelos de roteadores que amplificam o alcance da rede de wi-fi. Era exatamente o que ele precisava para resolver o problema de instabilidade.
Qual teria sido a percepção deste cliente se, ao ligar informando a instabilidade de sinal, o atendente tivesse lhe oferecido um aumento em seu serviço de banda larga com um custo a mais? Muito provavelmente, o cliente, além de não contratar o serviço adicional, acabaria trocando seu provedor de internet.
Ao utilizar PLN para o entendimento do motivo, retiramos o fator subjetivo de interpretação do atendente, tornando possível combinar: informações históricas do cliente (perfil demográfico, de consumo, propensões, etc.) com informações do momento do cliente e de suas interações, para redirecionar o NBA do cliente e garantir que a ação seja a mais impactante e significativa naquele momento.
Chegou o momento de as marcas irem além da coleta e armazenamentos de dados e usarem todo o potencial da tecnologia que já está mesa para ativá-los de forma combinada em prol da melhor experiência do cliente possível. Isso não é mais tendência, mas uma estratégia que pode tornar uma empresa mais competitiva e líder de mercado.
