Os resultados do piloto demonstraram um aumento de 23% na atividade comercial.
Com o aumento de pop-ups, e-mails e notificações, os operadores de telecomunicações devem gerir cuidadosamente a sua comunicação para evitar sobrecarregar os clientes, ao mesmo tempo que procuram melhorar a eficácia das campanhas.
Em colaboração com um dos principais operadores de telecomunicações, foi desenvolvido um motor de previsão e prescrição com o objetivo de aumentar o volume de vendas da operação de call center sem comprometer a fidelização dos clientes.
A metodologia utilizada assentou numa abordagem em três etapas:
Os resultados do piloto demonstraram um aumento de 23% na atividade comercial, bem como uma maior satisfação dos clientes, dado que a conversão em vendas foi alcançada com menos tentativas de contacto.
Após a conclusão do projeto, a metodologia foi internalizada e transformada num produto interno, mantendo os resultados promissores verificados durante o teste piloto.
Um elevado número de pop-ups, e-mails, mensagens de texto e chamadas assola constantemente os ecrãs dos dispositivos, levando os clientes a dedicar, em média, cada vez menos tempo a cada notificação. Assim, os operadores de telecomunicações devem gerir com cautela o tempo e a frequência dos seus contactos, tirando partido do vasto volume de informação recolhida, nomeadamente através de interações anteriores, para aumentar a eficácia das campanhas de marketing sem comprometer a experiência do cliente.
O presente caso de estudo integrou um projeto desenvolvido em conjunto com um grande operador de telecomunicações, com o objetivo de criar um motor de previsão-prescrição capaz de aumentar o volume de vendas realizado por uma operação de call center, sem prejudicar a lealdade dos clientes.
A metodologia utilizada baseou-se numa abordagem de três etapas:
Modelos preditivos – Desenvolvimento de um modelo preditivo para transformar a informação disponível em previsões sobre o momento ideal de contacto, recorrendo a um algoritmo de machine learning baseado em árvores de decisão (tree-based boosting), considerando um vasto conjunto de variáveis agrupadas em quatro grandes segmentos: perfil do cliente, contactos anteriores, utilização de dispositivos e utilização da TV-box.
Otimização do momento de contacto – Criação de um motor prescritivo capaz de priorizar os contactos com clientes, organizando listas ordenadas por dia/hora, com enfoque no contacto fora das janelas de preferência do cliente.
Validação da metodologia – Foi realizado um teste-piloto de uma semana, recorrendo a um marcador operacional ajustado para aplicar a nova estratégia de contacto. Os clientes foram divididos aleatoriamente em grupos de controlo e de teste, garantindo comportamentos semelhantes entre ambos em todos os indicadores.
Os resultados do piloto revelaram um aumento de 23% na atividade comercial, bem como uma maior satisfação dos clientes, uma vez que a conversão em vendas foi alcançada com menos tentativas de contacto. Após o projeto, a metodologia foi internalizada como produto, sustentando os resultados promissores alcançados durante o piloto.
Melhorar uma unidade de impressão de uma empresa fabricante líder
Uma aplicação web centralizada que utiliza IA Generativa para fornecer aos utilizadores as análises de que precisam.
Orientar o "Case Pack" para o ponto ideal
Usando a aprendizagem automática para apoiar as decisões de remarcação de preço
Otimização da gestão de inventário de produtos perecíveis
Um estudo de caso sobre como melhorar as estratégias de preços