Análise para a experiência do cliente: um caso de uso em operações de faturamento
Esse modelo permite uma validação direcionada, tornando a equipe de revisão de faturas duas vezes mais produtiva
Em resumo
Desafio
O problema de faturas incorretas geralmente é maior do que parece, com custos visíveis, como chamadas recebidas de suporte ao cliente, mas também muitos clientes insatisfeitos que não reclamam. Apesar dos pesados investimentos em tornar os sistemas de cobrança à prova de erros, faturas incorretas continuam sendo emitidas. Em resposta, nosso cliente de telecomunicações convergente estabeleceu uma equipe de revisão de faturas de “último recurso” para validar e alterar manualmente as faturas. Dada a capacidade limitada da equipe, o desafio era determinar como selecionar faturas com eficiência para maximizar a resolução de problemas.
Solução
Usando dados avançados de problemas de cobrança anteriores, um modelo foi desenvolvido para identificar faturas potencialmente incorretas. Um algoritmo de aprendizado de máquina de última geração foi combinado com validações personalizadas voltadas para os negócios para máxima eficácia. As principais fontes de problemas de cobrança, como vencimentos de ofertas promocionais e mudanças no portfólio de produtos, foram identificadas. O modelo foi integrado a um aplicativo simples e fácil de usar para a equipe de revisão de faturas, que seleciona faturas para digitalização em cada ciclo de cobrança. Foi fornecido um suporte rigoroso para garantir a adoção total da solução.
Resultados
O modelo desenvolvido melhora significativamente a precisão da fatura, com uma taxa de erro três vezes maior do que a abordagem anterior. Ao permitir a validação direcionada, a equipe de revisão de faturas se torna duas vezes mais produtiva, levando a um aumento de seis vezes nas faturas sinalizadas. Além disso, o modelo identifica faturas, sem dúvida, incorretas, permitindo a alteração direta. No geral, isso resulta em um aumento de 12 vezes nos problemas resolvidos no mesmo período, aumentando consideravelmente a confiabilidade do processo de cobrança.
O problema geralmente é maior do que parece à primeira vista: além dos custos visíveis, como chamadas recebidas que inundam as linhas de suporte ao cliente, há muitos clientes insatisfeitos que não reclamam.
Geralmente, são prescritos investimentos pesados no sistema de cobrança, para tornar as interfaces à prova de erros e os processos transacionais confiáveis. Ainda assim, na maioria dos casos, faturas incorretas continuam sendo emitidas todos os meses.
Diante desse desafio, nosso cliente, um convergente telco, configure uma equipe de revisão de faturas de “último recurso” para validar manualmente as faturas e enviá-las para emenda. Como a capacidade da equipe é limitada, como selecionar faturas para verificar, para resolver o maior número possível de problemas?
Aproveitando dados valiosos de problemas de cobrança detectados no passado recente, um modelo foi desenvolvido para encontrar faturas potencialmente incorretas.
Um algoritmo de aprendizado de máquina de última geração foi combinado com validações personalizadas do sistema orientadas aos negócios, para máxima eficácia.
Várias fontes relevantes de problemas de cobrança foram identificadas ao longo do processo de desenvolvimento, como a expiração do ofertas promocionais e mudanças no portfólio de produtos promovidas por agentes comerciais.
O modelo desenvolvido foi então incorporado em um aplicativo simples e amigável, usado pela equipe de revisão de faturas para selecionar as faturas a serem digitalizadas em cada ciclo de cobrança. Uma estreita assistência foi fornecida à equipe em uma fase inicial, garantindo a adoção total da solução.
Na prática, a taxa de erro nas faturas escolhidas pelo modelo desenvolvido é três vezes maior do que a taxa de erro nas faturas selecionadas por meio da abordagem anterior. Além disso, ao identificar o erro esperado, o modelo permite uma validação direcionada, tornando a equipe de revisão de faturas duas vezes mais produtiva. A combinação dos dois efeitos resulta em um incremento de seis vezes nas faturas sinalizadas pela equipe.
Além disso, o modelo também identifica faturas que certamente estão incorretas. Portanto, nenhuma validação é necessária e essas faturas são alteradas diretamente.
No geral, considerando as marcações manuais e automáticas, agora 12 vezes mais problemas são resolvidos no mesmo período, melhorando significativamente a confiabilidade percebida do processo de cobrança
