Kundvänlig kravhantering skapar mer affärsvärde och ökad lojalitet
Genom randomiserade experiment på en omfattande kundbas kunde hallon bevisa vad de redan anade – det lönar sig att behandla sina kunder väl. Nu använder mobiljätten maskininlärningsmodeller som förutser kundernas beteende för att rikta rätt åtgärd till rätt person i rätt tid. Därmed uppnår man två viktiga mål: att minska hushållens skuldsättning – och förebygga kundtapp.
Solomon Seyoum är Credit och Collection Manager på den svenska mobiloperatören hallon. Han berättar att koncernens ambition att bidra till ett mer hållbart samhälle bland annat omfattar strävan mot att minska hushållens skuldsättning. Ett sätt att jobba mot detta är att vara återhållsam med att skicka försenade betalningar vidare till inkasso:
– Det är viktigt att inte glömma människorna bakom siffrorna. En person kan hamna i en livssituation och få ett tillfälligt inkomstbortfall som påverkar köpkraften, för att sedan komma tillbaka till ett stabilt läge igen, förklarar han.
Solomon och hans kollegor är sedan länge övertygade om att en “snällare” approach till kravhantering lönar sig affärsmässigt i form av nöjdare och mer lojala kunder, liksom färre ärenden till kundtjänst.
Men exakt hur ser sambandet ut mellan antalet inkassoärenden och risken för ökad churn? Och hur vet man vilken åtgärd som är rätt för vilken kund – och när?
Experimentverkstad med målet att förutse kundbeteende
För att gå till botten med dessa frågor, och därmed kunna individanpassa sina fakturaflöden på ett optimalt sätt, tar mobiloperatören hjälp av Billogram som sin digitala betalpartner.
Ansvarig för projektet från Billograms sida är David Hallvig, VP of Data Science, vars doktorsgrad i maskininlärning har gett honom smeknamnet “Doktor Data”. Såhär beskriver han utgångsläget för den experimentverkstad de båda företagen driver tillsammans:
– Bland dina kunder finns alltid personer som vill betala men som inte har pengar på kontot vid fakturatillfället. Andra är villiga och har medel att betala, men glömmer att göra det vid enstaka tillfällen. Och en liten minoritet kommer inte att betala även om de får flera påminnelser. Utmaningen är att kunna förutspå vilka kunder som kommer att betala och inte, så att du som företag kan rikta dina åtgärder rätt.
David berättar att de började testa olika åtgärder på några mindre kundsegment hos hallon, för att successivt utöka omfattningen till hela koncernens kundbas.
– Vi genomförde randomiserade experiment där kunder som var sena med att betala sin faktura delades in i olika grupper. En kontrollgrupp gick vidare till inkasso som vanligt. En annan fick mjukare kommunikation, som till exempel en sms-påminnelse, medan en tredje grupp inte fick någon åtgärd alls.
”80 % skulle ha betalat även utan inkasso”
Vilka resultat har man sett av experimentet hittills?
– Vi kunde se att ungefär 80 % av dem som betalade efter att ha skickats vidare till inkasso skulle ha betalat ändå. Och tittar vi på churn så var den bara hälften så stor i gruppen som betalade utan att ha skickats till inkasso, jämfört med dem som hade fått denna åtgärd. Slutsatsen är alltså att inkasso är ett trubbigt verktyg som bidrar till en kraftigt ökad risk för kundtapp, förklarar David.
Solomon instämmer i att rätt åtgärd för rätt person är vägen framåt, och lyfter även fram vikten av timing:
– Om en aktivitet sker när kunden inte har pengar på kontot så minskar chansen att den ger resultat. Genom att testa att skicka fakturan och olika typer av påminnelser på olika datum kan man skapa bättre förutsättningar för människor att betala när de faktiskt har pengar.
Med hjälp av maskininlärning jobbar hallon och Billogram vidare för att kontinuerligt individanpassa och optimera de automatiserade flöden som kickar in vid en sen betalning. De stora mängderna data som samlas in i testerna används för att bygga maskininlärningsmodeller som kan förutspå vilka kunder som betalar även utan inkasso – så att de per automatik får en mjukare åtgärd.
Färre inkassoärenden = lägre churn
Som en följd av lärdomarna från experimentet har hallon lyckats minska antalet inkassoärenden med 80 %, vilket ligger helt i linje med koncernens mission att minska skuldsättningen i samhället. En bonuseffekt av detta är att ärendena till kundtjänst också minskar. Och som Solomon påpekar:
– Istället för att lägga sina pengar på kostnader kan våra kunder spendera mer på våra produkter och tjänster som ger mervärde.
Det handlar också om att erbjuda en smidig kundupplevelse utan irritationsmoment:
– Aktiviteterna vi gör ska inte störa kunderna i onödan. Vi ska bara kontakta dem när det verkligen behövs. Även en liten störning till fel grupp kan ge stor effekt på churn. Det har vi tydliga data på nu, säger Solomon.
Viktigt att våga utmana invanda arbetssätt
Vilka råd har Solomon till andra företag som också vill börja experimentera med maskininlärning?
– Vad som kommer att ge bäst resultat för ditt företag beror på vilken bransch du är i och vilka slags kunder du har. Men jag vill verkligen rekommendera att testa och justera tills du hittar den optimala lösningen inom det område du vill förbättra. Det hjälper såklart att ha en partner som Billogram, där vi verkligen vågar utmana varandra.
Billograms “Doktor Data” ser också fram emot det fortsatta samarbetet, och att kunna applicera samma experimentella approach på fler företag:
– Fakturaflöden är gedigna integrationer och det finns många invanda föreställningar om betalning. En förutsättning för att lyckas med ett sådant här projekt är att viktiga stakeholders i bolaget är beredda att utforska nya arbetssätt. Det gör verkligen Solomon och hallon, vilket vi på Billogram är väldigt tacksamma för, avslutar han.
Vill du veta mer om hur du skapar konkret affärsnytta med hjälp av AI och maskininlärning? Missa inte vår intervju med AI-experten Errol Koolmeister!