[onderzoek] Optimaliseer customer journey met tekst mining

Het goed laten aansluiten van deze kanalen bij contactmomenten met de klant is complex en heeft geleid tot een explosie van bruikbare data gedurende de volledige klantreis. Denk hierbij aan het klantcontact via verschillende sociale kanalen, de bestelmomenten via de website en het online helpcentrum. Naar schatting is 80 procent van de nieuwe beschikbare klantdata tekstuele data, die gegenereerd is uit de contactmomenten tussen de klant en organisaties. Hoe haal je de maximale waarde uit deze bergen data?

Tekst mining de oplossing?
Een populaire techniek om deze data te begrijpen en verwerken is tekst mining. Dit is het proces van het halen van waardevolle informatie uit grote hoeveelheden tekstmateriaal via het gebruik van machine learning-technieken. Dat tekst mining een populair onderzoeksonderwerp is, blijkt wel uit de meer dan 20.000 publicaties over het onderwerp in de afgelopen vijf jaar. Hoewel veel onderzoek slaagt in het ontwikkelen van slimme algoritmes die tekst kunnen begrijpen, is de slag naar het genereren van businesswaarde uit die bevindingen nog verre van geoptimaliseerd. Dit komt omdat het begrijpen van een klantreis een multidimensionale, dynamische en complexe uitdaging is. Tekst mining-modellen blijven vaak steken op het sentiment van één momentopname binnen de volledige klantreis. Hierbij mist de interpretatie van de totale customer journey, die past in de unieke context en beleving van de klant. Een enorm interessante uitdaging blijft over: hoe kunnen we de volledige customer journey structureel analyseren en optimaliseren met gebruik van tekst mining

Multidimensioneel benaderen
Twee onderzoekers die dit complexe probleem proberen op te lossen zijn Zaki en Neely. Hun studie heeft twee doelen. Het eerste doel is om consumentevaluaties, emoties en pijnpunten van klanten te identificeren bij de klantcontactpunten uit alle fases van de customer journey. Zij doen dit door het combineren van tekstuele data uit online comments op social media en CRM-conversaties, zoals klantevaluaties, werknemersevaluaties en informatie over de customer life cycle. Het tweede doel is dat Zaki en Neely proberen vast te stellen in welke fase van de customer life cycle elk contactmoment zich bevindt. Zij zien de customer life cycle ontwikkelen volgens een cyclisch proces dat drie fasen omvat: onderhandeling, engagement en uitvoering. Het expliciet formuleren in welke fase van de customer life cycle een contactmoment zich bevindt, helpt bij het optimaliseren van de klantervaring, doordat de juiste vervolgacties en tone of voice kunnen worden toegepast.
In het model ontleden zij de customer experience van een contactmoment in acht componenten:

Kanaal

Aanleiding contactmoment

Tekstuele data klantcontact

Lengte interactie in tijd

Emotie (sentimentanalyse contactmoment)

Customer life cycle-status

Contextuele elementen (demografische en andere klantgegevens)

Suggesties

Door deze componenten samen mee te nemen, zijn zij in staat gerichte acties te koppelen aan een unieke context. Stel je voor dat een trouwe consument maandelijks een bestelling via jouw website plaatst. Opeens stoppen de bestellingen en heeft de klant een slechte review op Twitter geplaatst over het laatst gekochte product. Wat doe je nu? Uit analyse van de tekst uit je online helpcentrum blijkt dat consumenten uit dat klantsegment vaak vragen hebben over de werkzaamheid van het product. Een goede follow-up kan zijn om proactief contact op te nemen met de klant en te vragen naar de tevredenheid over het product. Doordat je op voorhand weet waar de onvrede zich kan bevinden, kun je op de juiste toon, via het juiste kanaal en op het juiste moment de juiste oplossing aanbieden. De business acties zijn hierbij volledig gebaseerd op de unieke context waarin een klant zijn contactmoment beleeft.

Zelf aan de slag
Het in één keer implementeren van al deze componenten kan een grote stap zijn, daarom wat tips om een goede start te maken:

1.      Begin met het opstellen van alle contactmomenten voor de verschillende doelgroepen binnen een customer journey en bekijk welke data daarbij beschikbaar zijn.

2.      Bedenk welke momenten het meest impactvol zijn voor het succes van de klantreis en focus op analyse van deze momenten.

3.      Leer meer over tekst mining, zoals van Frog (een module gemaakt voor Nederlandse teksten) en spaCy (één van de meest ontwikkelde modules voor onder andere Engelse teksten).

4.      Gebruik tekst mining-algoritmen om te achterhalen wat de belangrijke en opvallende gedachten en gevoelens zijn van de doelgroepen bij contactmomenten en pas hier de business acties op aan.

Zo kun je kwantitatief grip krijgen op het effect van jouw laatste marketingcampagne.

Bronnen: Entity Extraction (2017). When 80% of the World's Data Is Unstructured, Entity Extraction is a Must. Retrieved from https://www.netowl.com/2017/08/11/80-worlds-data-unstructured-entity-extraction-must; Zaki M., Neely A. (2019). Customer Experience Analytics: Dynamic Customer-Centric Model. In: Maglio P., Kieliszewski C., Spohrer J., Lyons K., Patrício L., Sawatani Y. (eds) Handbook of Service Science, Volume II. Service Science: Research and Innovations in the Service Economy. Springer, Cham.

Dit artikel is geschreven door Jasper van Ooijen, afstudeerstagiair data science EY VODW en stond in MarketingTribune 09, 2019.