La evidencia derrota a la intuición

Una entrevista de Michael S. Hopkins y Leslie Brokaw.
A la hora de concretar ventas en un call center, un buen vínculo entre el potencial comprador y el vendedor puede ser un factor decisivo. Con la ayuda de herramientas analíticas, como explica Ca meron Hurst, Assurant Solutions triplicó su éxito.

Solutions (AS) vende seguros de crédito y de protección de deuda. Quizá usted haya comprado algo así: si pierde el trabajo, o tiene problemas de salud y no puede pagar su tarjeta de crédito, AS lo ayudará a cubrir el gasto.

Como en muchos seguros, el plan de protección de pagos es una opción que suele ofrecerse en el punto de compra; pero al recibir la cuenta y ver el cargo adicional mensual, los clientes pueden optar por cancelar el servicio.

Cuando los clientes toman esa decisión, se comunican con los representantes de servicios al cliente de AS, porque la compañía se encarga de la activación del seguro, los reclamos, la suscripción, y hasta de la retención de clientes para muchos bancos e instituciones de préstamo líderes de la industria.

Al posicionar su centro de atención telefónica como eje de todas las interacciones con el cliente para las empresas que contratan sus servicios, AS tuvo acceso a una enorme cantidad de datos y, además, desarrolló la capacidad para diseñar los sistemas y las reglas de un call center optimizado desde el punto de vista operativo.

Pero quiso ser mejor. Su índice de retención (16 por ciento) se equiparaba con los mejores estándares de la industria, una cifra que de cualquier modo significaba que cinco de cada seis clientes no estaban convencidos de mantener su cobertura; y ni qué hablar de considerar la compra de otros productos. Por lo tanto, había mucho espacio para oportunidades. Fue entonces cuando AS decidió probar algo nuevo: las herramientas de análisis profundo, resultado de la aplicación de la tecnología de computación, la investigación operacional y la estadística. E inventó un sistema de operaciones que capitalizó lo que esas herramientas recomendaban.

¿El resultado? La tasa de éxito de su call center se triplicó. En ese proceso, AS descubrió que los principios convencionales sobre los centros de contacto “no necesariamente son erróneos, sino que han quedado obsoletos”, dice Cameron Hurst, vicepresidente de Soluciones Segmentadas de la compañía. Previamente, Hurst había liderado el grupo a cargo del desarrollo de tecnología de centros de contacto del HSBC, después de que el banco adquirió la compañía de software para call centers fundada por él en 1992.

En otras palabras, ya era un experto en sacar el máximo provecho de los datos de un call center. O, al menos, eso suponía. “Pero partimos de la falacia de creer que si mejorábamos la operación hasta la enésima potencia —explica—, ese esfuerzo se reflejaría en la satisfacción del cliente, que a su vez influiría en la tasa de retención. Y ese concepto es totalmente erróneo. Aprendimos que la eficiencia operacional y los indicadores convencionales de la experiencia del cliente, como los niveles de servicio y la velocidad promedio para responder, no son cosas que retengan a los clientes”. AS se había propuesto encontrar la clave de la retención, pero estaba buscando en el lugar equivocado. Al detectar el problema, el equipo directivo encaró el desafío desde otro ángulo: incorporó matemáticos y actuarios—profesionales que ni siquiera sabían cómo se manejaba un call center—, quienes formularon otro tipo de preguntas y, para responderlas, utilizaron herramientas analíticas. “Somos una compañía de seguros —dice Hurst—, de manera que guiarnos por los datos es algo que está en nuestro ADN. Analizamos grandes volúmenes de datos históricos y somos capaces de encontrar la forma de buscar agujas en pajares. Pero este uso de las herramientasanalíticas era nuevo para nosotros”.

A poco de andar, descubrieron que la tecnología ayudaría a la empresa a retener clientes si aprovechaba el hecho de que algunos representantes de servicio al cliente (CSR, por su sigla en inglés) tienen mucho éxito con ciertos tipos de clientes. Combinar a cada cliente que llamaba al call center con un CSR específico hizo la diferencia. Y fue una diferencia enorme. La ciencia y las herramientas analíticas no podían establecer las razones por las cuales surgiría una afinidad especial, pero sí analizar la experiencia pasada y predecir con mucha exactitud que era probable que hubiera afinidad.

En la entrevista que sigue, Hurst explica cómo AS encontró las preguntas correctas, usó las herramientas analíticas para buscar nuevas maneras de hacer coincidir a clientes con vendedores, y descifró la mejor forma de resolver objetivos en conflicto.

Después de conocer su experiencia, una de las primeras preguntas que vienen a la mente es: ¿cómo obtiene respuestas a preguntas que usted ni siquiera sabía que haría? ¿Qué lo hizo empezar a mirar las cosas de otro modo?
Sabíamos que queríamos más. Queríamos retener más clientes, y queríamos venderles productos y servicios superiores y de mayor precio. Entonces, les planteamos el problema a los actuarios y matemáticos que habíamos contratado. Les preguntamos “si veían algo que pudiéramos hacer mejor u optimizar”. Creo que el primer paso importante fue que otros ojos analizaran el problema desde una disciplina distinta.

Si esas personas no sabían nada del tema, ¿por dónde empezaron?
El primer punto interesante de su enfoque fue que, en lugar de pensar en todo lo que habitualmente consideramos al analizar la interacción entre cliente y representante, empezaron analizando nuestro negocio desde la óptica de “éxito y fracaso”. Eso es muy fácil en nuestro caso: se retiene a un cliente que llama para cancelar una póliza de seguros o no se lo retiene. Por ejemplo, nos dimos cuenta de que algunos CSR tenían un mejor desempeño que otros con clientes de categorías más altas de primas de seguro. Éstas son algunas de las cosas que descubrimos, pero hubo más. Como personas orientadas a los datos, de inmediato nos dijeron: “Queremos todos los datos que tengan”. Y teníamos muchos, porque hace años nos dedicamos a este negocio: información sobre nuestros clientes que desde la perspectiva del seguimiento de un call center nos parecía irrelevante, datos sobre el desempeño de los representantes en el contact center, como el tiempo que destinaban a las llamadas y cosas similares. Se llevaron toda esa información y empezaron a descifrarla mediante nuestras herramientas para hacer modelos estadísticos. Adoptaron el enfoque de dividir a los clientes en grupos muy pequeños y diferenciados, para detectar qué había de cierto sobre ellos.
Ése fue el primer proceso: encontrar los diferentes tipos de clientes que tenemos: algunos con saldos importantes que pagan anticipadamente, otros con una muy favorable relación crédito/saldo, y otros con baja calificación crediticia. Es obvio que cuantas más variables se introduzcan para crear un grupo, más grupos habrá. Y cuando se llega a un nivel tal de detalle, es posible analizar las diferentes interacciones que tuvimos con la gente de un grupo y preguntarnos: “¿Cómo nos fue en este caso determinado? ¿Cómo nos fue en este otro?”.

¿Analizaron cada una de las interacciones?
Así es. Registramos individualmente cada interacción durante los últimos cinco años. Analizarlas le permitió al equipo identificar patrones que establecen que determinado CSR tiende a hacer las cosas bien, tanto en términos históricos como de evidencia, con clientes de ciertos grupos específicos. También descubrieron que los resultados eran completamente distintos de los paradigmas que existían en el centro de contacto.

Detengámonos por un momento en este punto. Como usted señaló, los call centers suelen estar orientados por la estadística. Eso significa que cuando un cliente llama, ustedes ya saben qué productos ha comprado y cuál es su historial, de manera tal que pueden asociarlo con un CSR con el conocimiento técnico suficiente en esa línea de productos, ¿no es así?
Así es como trabajan todos en el ámbito de los call centers. Cuando se sientan a diseñar sus estrategias, casi siempre lo hacen a partir de lo anecdótico. Decimos que los CSR tienen pericia en determinada área; el problema es que “pericia” es un término subjetivo. Existe lo que llamamos “inteligencia basada en el carbono” —es decir, juicios deductivos hechos por nosotros, los seres humanos— y la inteligencia “basada en el silicio” —es decir, juicios computarizados que surgen de las herramientas analíticas—. Al operar con el primer tipo de inteligencia llegaremos a la conclusión de que cierto CSR se ajusta a determinado segmento porque tiene pericia: rindió una prueba o fue bien calificado en materia de garantía de calidad. Pero la evidencia nos demostró que la inteligencia basada en el carbono suele juzgar erróneamente. En cambio, el silicio nunca se equivoca. Si el modelo se desarrolló bien, medirá el desempeño del CSR de manera correcta y sin desvío alguno.

Pero la ecuación tiene dos partes. Usted acaba de describir la del CSR. ¿Qué sucede en la del cliente? ¿Hay que analizarla de manera distinta?
Sí. Hay características obvias que podemos estudiar en nuestros sistemas centrales. Basta pensar en lo que un banco o una compañía de seguros pueden saber sobre sus clientes. Es posible predecir lo que creemos que van a hacer en el futuro, en tanto tengamos una base de clientes lo suficientemente grande y con suficientes interacciones y variabilidad para analizar. Porque todo se basa en la variabilidad, que es muy grande en la base de clientes y también en la base de CSR. Aprendimos a explotar esa variabilidad. Es el viejo dicho: la gente hace negocios con quienes quieren hacer negocios. Si una empresa logra establecer desde el principio una afinidad con sus clientes, tendrá mayores probabilidades de venderles porque hay una relación de confianza.

¿De qué manera impulsan la afinidad y la confianza?
En las conversaciones, tratamos de detectar atributos que podamos explotar para establecer la coincidencia entre el CSR y el cliente. Hay docenas de variables que funcionan de manera dependiente e independiente para dar impulso a la relación afinidad/confianza. Por otro lado, creo que el aspecto más significativo del uso de las herramientas analíticas es el factor “persistencia”, es decir, la cantidad de tiempo que los clientes siguen siendo tales. Nos dimos cuenta casi de inmediato de que podíamos retener a un número mayor de clientes, así como a los más rentables, pero lo que no supimos hasta bastante después fue que podíamos conservarlos mucho más tiempo. Cuando fueron pasando los meses y vimos cómo funcionaba el nuevo sistema, observamos una tasa general de persistencia mucho más alta en los clientes que seguían con nosotros, sobre todo en la obtenida con el viejo sistema. Y cuanto más tiempo el cliente mantiene un seguro, más ingresos generamos. En consecuencia, resultó ser un factor mucho más importante que el mero índice de retención.

Entonces, la ciencia no explica por qué hay probabilidades de que exista afinidad, pero sí muestra que la afinidad puede existir.
Exacto. Sabemos, por ejemplo, que algunos CSR tienen un buen desempeño con los clientes de primas de US$ 80, mientras que su de-sempeño no es tan bueno con los clientes de primas de US$ 10. Pero no necesariamente sabemos por qué. Y tampoco necesitamos saberlo. En realidad, nos guía exclusivamente la evidencia: “Este CSR siempre tiene un buen desempeño con un tipo particular de cliente, porque hemos visto qué es lo que sucede”.

Parecería que el tipo de información sobre los clientes que usted maneja no es muy diferente del que podría haber tenido antes de que comenzara todo el proceso, y que los datos nuevos provienen del lado de los CSR, además de lo que surge de cada interacción entre un cliente y un CSR. ¿Es eso lo que da impulso a sus modelos?
Así es. Pero hay otro elemento que integra la solución y mejora los ingresos: la predicción del valor económico de un cliente específico. Tenemos modelos que nos dicen cómo calcular ese valor. Y es importante para la solución, porque en ocasiones debemos decidir en qué clientes poner el foco. Nos gusta la idea de que hay un CSR para cada cliente, pero no siempre es así debido a los volúmenes de llamadas y a la disponibilidad de los agentes. En un principio hubo un problema que no supimos cómo resolver: el hecho de que las mejores coincidencias entre cliente y CSR casi nunca eran posibles de inmediato, razón por la cual tuvimos que incorporar otro modelo predictivo: el “tiempo restante hasta la disponibilidad”. No es un modelo nuevo ni complejo, porque nuestro sector viene abordando ese problema desde hace
mucho tiempo. Pero los resultados son muy interesantes cuando se lo incorpora al mecanismo de puntuación real. Por ejemplo: si el tiempo promedio de atención de un agente es de 3 minutos y 30 segundos, y lleva en el teléfono 3 minutos y 15 segundos, podemos predecir que estará disponible en 15 segundos.
Después, a ese modelo le añadimos nuestra predicción de tolerancia del cliente —es decir, cuánto tiempo está dispuesto a quedar en espera antes de colgar—, y así podemos saber cuándo empieza a acentuarse la curva en términos de tasas de llamadas interrumpidas o de malos resultados. Finalmente, relacionamos esa información con la curva de disponibilidad del CSR. Si la coincidencia óptima está demasiado lejos, quizá entre 45 segundos y tres minutos, otro agente podría volverse más útil. Porque, si bien la afinidad no será perfecta, estar disponible antes lo convierte en más atractivo.

Cuando adoptaron este enfoque rigurosamente basado en la evidencia, ¿qué errores descubrieron en sus viejas hipótesis?
En un call center, lo tradicional es la relación 80/20; es decir, 80 por ciento de las llamadas respondidas en 20 segundos, o menos. Es una promesa que hace la mayoría de las empresas, porque creen que alienta la satisfacción. Pero nosotros descubrimos que la satisfacción nada tiene que ver con eso. La realidad es que los clientes están dispuestos a esperar mucho tiempo (entre 39 y 49 segundos), antes de que su insatisfacción afecte el resultado.
Entonces, ¿qué sentido tiene esforzarnos por cumplir la regla del 80/20 u 80/25? Cuanto más estemos dispuestos a tolerar nosotros, mayor será la coincidencia, mejores serán los resultados y más ingresos generaremos.
Hicimos pruebas que nos llevaron a una cifra de 60 por ciento de las llamadas atendidas en 60 segundos, o menos. En algún punto hay un efecto negativo en la tasa de llamadas abandonadas. Pero, para nuestra sorpresa, descubrimos que no hay un efecto negativo en esos índices hasta que nos empezamos a aproximar a los 60 segundos. Y eso, obviamente, significa que tenemos un margen para encontrar la coincidencia casi ideal entre cliente y CSR, con un impacto directo en los ingresos.

Si nos remontamos al principio, el problema era que ustedes tenían una tasa de retención del 15 al 16 por ciento, a pesar de que la operación del call center era óptima. ¿Qué ha sucedido desde entonces?
Nuestras tasas de retención subieron entre 30 y 33 por ciento. Pero ése no fue el final de la historia: optamos por concentrarnos, además, en el valor del cliente para Assurant. Porque si llaman dos personas para cancelar el servicio y rescatamos a una, el resultado es 50 por ciento. Pero si llaman dos clientes, uno que para nosotros tiene un valor de US$ 80 y el otro de US$ 20, y retenemos al de US$ 80, el resultado es una tasa del 80 por ciento, porque obtenemos US$ 80 de un total de US$ 100.

¿Se relaciona esto con lo que usted señaló sobre decidir a qué clientes atender durante los períodos de mucha actividad?
Sí. Los modelos de predicción de disponibilidad económica nos ayudan a focalizarnos en los clientes más valiosos. Esto no quiere decir que descartemos a los demás, porque la diversidad de nuestra base de clientes coincide con la diversidad de nuestra fuerza de CSR. De modo que si llama un cliente de US$ 20, tenemos un agente adecuado para atenderlo. Pero como nuestro foco está puesto en los ingresos, el cliente de mayor relevancia económica es el que más nos interesa. Entonces, mientras nuestros índices generales de rescate oscilaron entre 33 y 35 por ciento, los de clientes más valiosos fueron más altos: de 47 y 49 por ciento.
Hubo días, incluso, en que llegamos al 58 por ciento. En otras palabras, se rescataron 58 centavos de cada dólar en peligro. Y estos números son muy importantes en nuestro negocio.

¿Por qué no hay más gente que reconozca el impacto de las herramientas analíticas en los resultados financieros?
En materia de call centers, me sorprende ver que organizaciones muy grandes aún siguen operando con tecnología muy antigua. Cuando les pregunto a muchos ejecutivos si no quieren aprovechar los beneficios que brindan las herramientas analíticas, la respuesta es “sí, pero el año que viene”. Nosotros no adoptamos tempranamente una tecnología; diría que usamos herramientas de vanguardia de una manera diferente. Creo que nuestra creatividad ha tenido que ver con la implementación.

El programa que ustedes desarrollaron en Assurant (denominado RAMP, por Real-time Analytics Matching Platform) ya está disponible para otras organizaciones que administran llamadas a sus call centers. ¿Por qué les resulta tan difícil, a su juicio, aplicar una herramienta de este tipo?
La primera objeción es “no tengo los recursos de tecnología de la información para hacerlo ahora”. Hay que compilar toda la evidencia y no es una tarea sencilla para muchos departamentos de IT. Tienen todos los datos, pero están muy presionados por los proyectos y por el tiempo que insumen. Otra objeción es la creencia de que se trata sólo de una solución de “ruteo” de llamadas basada en habilidades, y que ya tienen esas habilidades. Pero no lo es: es una solución basada en la evidencia o en el éxito. En realidad, no nos importan las habilidades de un representante de atención al cliente tal como las define el sistema de “ruteo” basado en habilidades. De hecho, estamos convencidos de que las habilidades que se le asignan a un CSR son prácticamente irrelevantes.

¿Qué le diría a alguien que inicia el mismo camino recorrido por usted para que obtenga resultados similares a los de Assurant?
Que tenemos pruebas de que funciona. En ocasiones, hablar de una mejora del 187 por ciento en Assurant es bastante difícil de creer. Por eso les pedimos a las empresas que nos den sus propios datos para demostrarles que no tienen una operación plenamente optimizada, y que su sistema de “ruteo” es bastante aleatorio. Nuestra premisa es despejar la aleatoriedad y el caos para transformarlos en orden.

Michael S. Hopkins es editor en jefe de MIT Sloan Management Review. Leslie Brokaw es colaborador de la publicación.