Satisfaction client & IA,
optimiser la rétention des adhérents
Si vos clients résilient leur contrat d’assurance, ce n’est pas seulement parce qu’ils ont leur humeur. Ou peut-être que si finalement. C’est là toute la question que nous avons souhaité résoudre au travers de ce POC, mené avec un acteur du marché de l’épargne retraite.
Catégorie : Prototype
Mots-clés : Satisfaction Client, Rétention, Attrition, IA
Problématique
Tous les acteurs de la place sont confrontés au départ d’un volume récurrent d’adhérents. Notre objectif au travers de cette mission : suivre, évaluer et comprendre la satisfaction des adhérents afin de mettre en œuvre un plan d’actions orienté sur la rétention clients.
Problématique
Tous les acteurs de la place sont confrontés au départ d’un volume récurrent d’adhérents. Notre objectif au travers de cette mission : suivre, évaluer et comprendre la satisfaction des adhérents afin de mettre en œuvre un plan d’actions orienté sur la rétention clients.
Méthodologie
Afin de percer les motivations des adhérents sur le départ, il nous a été confié une série d’entretiens téléphoniques auprès des populations en fuite. Riches d’enseignements, ces verbatims, reflétant les avis des adhérents, ont été compilés sous format Word et Excel. Problème, cette masse d’informations requiert un temps de traitement colossal pour en extraire la substantifique moelle et véritablement identifier les facteurs d’attrition.
Afin d’optimiser la démarche, nous avons donc proposé au mutualiste de déployer une solution de traitement cognitif, en appui sur l’Intelligence Artificielle. Ainsi, verbatims et humeurs clients ont été scrupuleusement analysés, à l’aide de Machine Learning et de NLP (Natural Language Processing), afin d’obtenir une analyse quantifiée des préoccupations et satisfactions exprimées par les adhérents interrogés.
En collaboration avec une IAFactory, nous avons élaboré un Baromètre de la Satisfaction Clients, augmenté grâce à l’Intelligence Artificielle. Les données traitant des retours clients ont été collectées durant 6 mois, puis patiemment annotées afin de cibler les questions déterminantes, catégoriser les typologies de réponses, puis classifier les éléments considérés comme neutres, positifs ou négatifs.
Au terme de cet entraînement, les algorithmes actifs nous ont permis de comprendre le sens cognitif des verbatims, déduire un scoring, synthétiser les avis, taguer et scorer les tendances clients. Grâce à cet apprentissage supervisé des retours clients, nous avons pu isoler les questions clés à soumettre aux métiers afin d’anticiper la fuite des adhérents.
Méthodologie
Afin de percer les motivations des adhérents sur le départ, il nous a été confié une série d’entretiens téléphoniques auprès des populations en fuite. Riches d’enseignements, ces verbatims, reflétant les avis des adhérents, ont été compilés sous format Word et Excel. Problème, cette masse d’informations requiert un temps de traitement colossal pour en extraire la substantifique moelle et véritablement identifier les facteurs d’attrition.
Afin d’optimiser la démarche, nous avons donc proposé au mutualiste de déployer une solution de traitement cognitif, en appui sur l’Intelligence Artificielle. Ainsi, verbatims et humeurs clients ont été scrupuleusement analysés, à l’aide de Machine Learning et de NLP (Natural Language Processing), afin d’obtenir une analyse quantifiée des préoccupations et satisfactions exprimées par les adhérents interrogés.
En collaboration avec une IAFactory, nous avons élaboré un Baromètre de la Satisfaction Clients, augmenté grâce à l’Intelligence Artificielle. Les données traitant des retours clients ont été collectées durant 6 mois, puis patiemment annotées afin de cibler les questions déterminantes, catégoriser les typologies de réponses, puis classifier les éléments considérés comme neutres, positifs ou négatifs.
Au terme de cet entraînement, les algorithmes actifs nous ont permis de comprendre le sens cognitif des verbatims, déduire un scoring, synthétiser les avis, taguer et scorer les tendances clients. Grâce à cet apprentissage supervisé des retours clients, nous avons pu isoler les questions clés à soumettre aux métiers afin d’anticiper la fuite des adhérents.
Résultat
Une plateforme de data visualisation a été développée, paramétrable par thématique, afin d’accéder aisément aux données et surtout les rendre intelligibles pour tous.
A l’issue de cette mission, les Responsables Métiers – ici Sales & Marketing – disposent de la matière suffisante pour initier un plan d’actions commerciales auprès des adhérents.
En somme, grâce à l’IA, le mutualiste est désormais en mesure de comprendre les freins clients, anticiper leurs intentions de résiliation et favoriser leur fidélisation grâce à des actions marketing ciblées.
Résultat
Une plateforme de data visualisation a été développée, paramétrable par thématique, afin d’accéder aisément aux données et surtout les rendre intelligibles pour tous.
A l’issue de cette mission, les Responsables Métiers – ici Sales & Marketing – disposent de la matière suffisante pour initier un plan d’actions commerciales auprès des adhérents.
En somme, grâce à l’IA, le mutualiste est désormais en mesure de comprendre les freins clients, anticiper leurs intentions de résiliation et favoriser leur fidélisation grâce à des actions marketing ciblées.
A découvrir également…
Livre blanc
Open Insuring Platform
Détection de fraude
Attrition clients
Livre blanc
Open insurance & santé