MAIF Topic Modelling gebruiken om knelpunten in contactcentra te verminderen.

MAIF is een van de grootste verzekeringsmaatschappijen voor huizen en auto's in Frankrijk, met meer dan 3 miljoen leden.

Een van de uitdagingen voor het klantenserviceteam was het beheren van de hoeveelheid telefoontjes die binnenkwamen bij het callcenter - gemiddeld zo'n 8 miljoen per jaar.

Omdat er geen manier was om oproepen te controleren voordat ze bij een operator terechtkwamen, verspilde het team kostbare tijd met het beantwoorden van vragen waarop klanten gemakkelijk een antwoord konden vinden op de MAIF. website.

Naar efficiëntie verbeteren, moesten we onnodige oproepen uitfilteren en meer tijd vrijmaken voor de klantenserviceteams van MAIF om ingewikkeldere verzoeken te verwerken.

Om te begrijpen waarom klanten het callcenter van MAIF belden, ontwikkelden we Natuurlijke taalverwerking (NLP) algoritmen om transcripten van meer dan 4 miljoen gesprekken te analyseren.

Vervolgens gebruikten we onderwerpmodellering om elke oproep te categoriseren in één van de 35 verschillende verzoektypes.

We werkten samen met de bedrijfsteams van MAIF om te bepalen welke vragen online konden worden opgelost en welke een menselijk antwoord nodig hadden of een verkoopkans boden.

Waar gesprekken geen gelegenheid boden, gaven we advies over hoe deze vragen online beantwoord konden worden.

Onze analyse toonde aan dat 32% van de inkomende oproepen waren ‘verzoeken met een lage toegevoegde waarde’ - vragen die gemakkelijk online beantwoord konden worden.

Daarom hebben we een stappenplan opgesteld waarin we MAIF adviseren hoe deze vragen online opgelost kunnen worden en hoe mensen naar deze inhoud geleid kunnen worden om te voorkomen dat ze gebeld worden.

Door deze vragen te digitaliseren heeft het klantenserviceteam van MAIF zaken prioriteren die een menselijke aanpak vereisen, waardoor de efficiëntie en de 24-uurs service worden verbeterd.