El customer experience es el resultado de la acumulación de impactos de múltiples touchpoints a lo largo del tiempo. Esta acumulación, precisamente, es la que provoca en el cliente un sentimiento de vinculación o desvinculación con la marca. Para mejorar la experiencia del cliente, a través de los customer journeys se hace uso de técnicas que están surgiendo en torno al machine learning, el big data y la digitalización. Es lo que denominamos el fluid customer journey.

Para trabajar y definir el customer experience (CX) del cliente es común detallar los touchpoints relacionados con el producto o servicio, e intentar que todos los clientes los atraviesen bajo procesos comunes. Así, por ejemplo, un cliente que se da de alta en una entidad bancaria puede tener dentro de su customer journey (CJ) una serie de eventos que tengan como objetivo el primer ingreso de efectivo en la cuenta. La unión de todos estos customer journeys se plasma en un proceso llamado customer journey map.

Los nuevos procesos digitales hacen que la relación del cliente con la entidad sea, cada vez más, a través de Internet (en concreto, a través de las redes sociales) y con el móvil como medio de acceso. Este nuevo paradigma está impulsando la expansión del big data y de analytics. Se abre una ventana de oportunidad que cambia la forma de ofrecer el producto o servicio. Es un cambio en la comunicación, en el que se pasa de un enfoque reactivo a uno  proactivo basado en el conocimiento en tiempo real.

La comunicación debe ser proactiva, basada en el conocimiento en tiempo real

El momento justo

Para entender mejor las implicaciones, veamos un ejemplo: una entidad quiere ofrecer créditos preconcedidos. Simplificando, el proceso sería algo así: marketing, publicidad y producto definirían la campaña con todo detalle, los business cases, el contenido, los mensajes, etc. Analytics elaboraría unos modelos de propensión mediante alguna técnica de machine learning que filtraría y seleccionaría a los mejores clientes para tal ofrecimiento. Riesgos aplicaría sus filtros para reducir los impagos. El área de campañas los cargaría en su gestor y lanzaría las comunicaciones. Por último, la red comercial, el call center y demás canales harían su labor. La realidad final es que ese prospect recibiría un email que en un 50%  o 70% de los casos ni abriría, o una llamada en un momento inadecuado o incluso a una hora del día poco oportuna.

Sin embargo, este mismo cliente, a finales de mes tuvo un gasto extra y, tras realizar una disposición de efectivo en el cajero, se quedó —seis días antes de cobrar la nómina— con menos de 100 € en la cuenta; pero nadie le ofreció nada en ese preciso momento.

Por suerte, el big data y la digitalización están permitiendo optimizar este “justo momento”. Hoy es posible detectar en tiempo real esa retirada de efectivo y cruzarla con algoritmos de propensión y filtros de riesgo para tomar la decisión en real time y lanzar, mediante una comunicación push al móvil, el crédito preconcedido, que se puede contratar con un un clic en el móvil en ese justo momento.

Estos fluid customer journeys son la adaptación del CJ y del CX al paradigma digital del “justo momento”. Se trata de dar un paso más sobre los modelos sólidos y rígidos que ofrecen una experiencia de uso en modo batch; ahora, el big data y la digitalización permiten adaptarlos y hacerlos dinámicos.

FIGURA 1. Según la consultora Emoinsight, EVO Banco es la entidad que más sorprende a sus clientes y la segunda que logra más agradecimiento. Además, en 2017 ha estado entre las tres entidades mejor valoradas de España en cuanto a emoción generada en el cliente.

El aquí y el ahora

Veamos un último ejemplo llevado al terreno del CX; una de las mayores quejas de los clientes son las comisiones por disposiciones en cajeros que cobra la red competidora. Muchas veces desconocen qué cajeros son gratuitos o dónde están ubicados. Un enfoque rígido y poco personalizado para solucionar el problema sería diseñar un CJ que decida informar a los clientes sobre los cajeros en los que puede hacer una disposición sin pago de comisiones a través de un correo electrónico; o más rígido aún, un envío programado al tercer mes del alta para informar sobre los cajeros gratuitos ubicados cerca del domicilio.

Un enfoque dinámico y líquido sería hacerlo justo en el momento en que necesita sacar dinero: cuando el cliente vaya a hacer una operación en cajero de pago —o haya cancelado una operación con comisión— es posible enviarle un enlace a un mapa diciéndole dónde puede sacar dinero sin comisiones.

Otro ejemplo: enviarle un mapa cuando aterrice en otra ciudad con información sobre cómo sacar dinero gratis de cajeros en el país donde se encuentra. Se trata de facilitarle la vida al cliente aquí y ahora.

Sensorización

Este enfoque hace que no sea posible dibujar los CJ en un mapa; estos son líquidos y se activarán o no en función de las acciones proactivas o reactivas del cliente con unos touchpoints también líquidos y ágiles. ¿Cómo? Sensorizándolos para poder medir en tiempo real su uso, pero también hay que disponer de la satisfacción asociada a los mismos. Es necesario diseñar una arquitectura de big data flexible, que permita medir tanto su uso como la experiencia.

En Evo Banco se han sensorizado ya más de 26 touchpoints que mapean cuándo un cliente interactúa de manera proactiva o reactiva con un producto o servicio de la entidad; desde la disposición de un cajero de red propia o ajena, la visita a una sucursal, una transferencia nacional, una llamada al call center, la apertura de la aplicación de EVO en el móvil, la transacción en una gasolinera, la recepción de un recibo en cuenta, etc.

De forma posterior se recoge la satisfacción del cliente y su intención de recomendación (NPS) asociada a cada uno de estos touchpoints. Para ello, Evo ha diseñado el envío de push notifications, gestionado por un algoritmo de control de saturación propio, que encuesta a los clientes sin saturarlos. Cuando el sistema detecta un voto negativo, hace una encuesta al cliente mediante landing page y permite a EVO identificar el problema asociado a ese evento.

De nuevo la arquitectura de big data recogerá estos eventos; así será posible tener en todo momento una recomendación por cliente asociada a cada touchpoint. El siguiente paso es el analytics, para entender las causas de insatisfacción por tipología de cliente. Y es aquí donde, mediante técnicas de machine learning y text mining, se diseñarán las soluciones de mejora por touchpoint, canal o cliente recogidas de los inputs asociados. De esta forma se definen decenas de reglas que, mediante activaciones o no del cliente, concretan los miles de customer journeys posibles que se irán generando.