¿Llegan muchas llamadas vacías a los agentes?
¿Hay muchas casillas de voz en las llamadas del marcador?
¿Se tienen muy pocas llamadas de voz aunque el marcador lance muchas llamadas?
¿El audio de la llamada es malo en ciertos momentos del día?
¿En algunos momentos del día, los agentes esperan mucho tiempo para que le lleguen llamadas?
Estos problemas son comunes en los call centers convencionales ya que operan con herramientas limitadas para optimizar las llamadas salientes automáticas, pero Analytics está cambiando totalmente este panorama.
Analytics utiliza inteligencia artificial para resolver problemas críticos que se presentan en las operaciones de call center de marcador predictivo. Aquí les mostramos algunos casos que hemos visto con Analytics Cloud y salta a la vista el potencial para incrementar la productividad de la operación.
Escenario de funcionamiento – Los marcadores Predictivos se conectan al Analytics Cloud y desde ahí se tiene la conexión a los proveedores VOIP.
Caso 1 – Auditoría del proveedor VOIP – Mala calidad de audio de llamadas
Analytics calcula el MOS en base a los datos de jitter, latencia y pérdida de paquetes. Se puede realizar un Benchmark de MOS de los diversos proveedores. En el gráfico se muestra una operación usando 03 proveedores de tráfico VOIP y se hace un comparativo.
Proveedor 1 – Buena calidad casi todas las llamadas tienen un MOS superior a 4
Proveedor 2 – Mala calidad de muchas llamadas y muchas llamadas sin valores (*)
Proveedor 3 – Casi todas las llamadas no entregan valores para calcular MOS (*)
(*) Proveedor tiene que cambiar la ruta de llamadas
Caso 2 – Auditoría del proveedor VOIP – Capacidad de entregar llamadas a terminal
El NER (Network Effectiveness Ratio) mide la capacidad del proveedor de entregar llamadas al equipo terminal. Se debe disponer de un proveedor que entregue un NER superior al 90%, el NER puede verse como un embudo que muestra la capacidad de procesamiento de llamadas que brinda el proveedor. Ante un NER bajo no sirve mucho enviar más llamadas porque el proveedor no las va a procesar.
Proveedor 1 – Buen valor de NER (mayor de 90%)
Proveedor 3 – Bajo valor de NER (menor de 75%)
Caso 3 – Auditoría del marcador – Tiempo de respuesta de agente
Empresa A → 8,480 llamadas voz → 2,718 llamadas contestadas hasta 2 seg (32%)
Empresa B → 4,427 llamadas voz → 3,917 llamadas contestadas hasta 2 seg (88.5%)
La empresa B siendo más pequeña y con menos base es más PRODUCTIVO que la empresa A. Por un tema de afinamiento de tiempo de respuesta.
Caso 4 – Alta precisión en Identificación de Casilla de voz- Por medio de Machine Learning
De las 100,148 llamadas del día, Analytics identificó 65,492 como casilla y de ellas 59,465 fueron identificadas y cortadas por el Analytics antes de tener un Answer. Esto tiene 03 beneficios:
- Las líneas se sueltan rápido – casi un 60% de las llamas totales, al soltarse rápido, permiten tener mayores troncales disponibles para llamar.
- Menos molestia a los clientes – ya que estas llamadas no generan casillas de voz en los celulares.
- Llamadas sin costo – porque estas llamadas se cortan antes del Answer.
Caso 5 – Auditoría de proveedor VOIP – Inestabilidad y caída de NER
La caída del NER originó que ninguna llamada sea procesada, estos eventos generalmente no visibles provocan que los agentes no reciban llamadas por mucho tiempo.