De fleste inkassoafdelinger bruger A/B-tests til at teste og lære og forfine deres tilgang på baggrund af resultaterne. Selv om A/B-tests er gode værktøjer, har de også nogle ulemper:
- Du bør generelt køre en A/B-test i en til to uger for at få et statistisk repræsentativt udsnit;
- Derefter skal du bruge en stor del af din tid og energi på at analysere dataene;
- Du kan falde i den fælde at tro, at vinderen fra din A/B-test er den bedste og eneste mulighed. Desværre er det ikke altid tilfældet - forskellige metoder fungerer bedst til forskellige scenarier.
Løsningen er ikke at smide A/B-tests helt ud af din strategi. I stedet skal du forstå deres begrænsninger og implementere alternative tilgange, der kompenserer for disse mangler.
Med andre ord bør du anvende en MAB-tilgang (multi-armed bandit). På den måde vil du bruge mindre tid på at fortolke resultater og omsætte dem til handling og mere tid på at betjene forbrugerne med dine mest effektive rykkermetoder.
Denne artikel vil dykke ned i manglerne ved A/B-testning, hvad MAB er, og hvordan det giver succes med indsamlinger.
Nuværende forhindringer, som kollektionernes operationelle teams står over for
De bedste indsamlingsteams opdaterer og forfiner hele tiden deres strategi. Men de kan løbe ind i en række forhindringer.
1. Ikke at vide, hvilke e-mailskabeloner der fungerer bedst på grund af manglende automatisering
A/B-test er et statistisk eksperiment, der normalt udføres manuelt. Kort sagt udfordrer du mulighed A mod mulighed B, kører testene og graver derefter i dataene, når de er færdige. Når du har identificeret resultaterne, kan du endelig bruge disse indsigter til at forbedre din strategi.
Så selv om konceptet er ret enkelt, er det alt andet end ubesværet at omsætte resultaterne til handling.
Indsamlingsteams mangler generelt en måde at teste forskellige skabeloner på i stor skala, at modtage resultaterne på et øjeblik og straks at udnytte vigtige datadrevne erfaringer. De bruger derfor mere tid og kræfter på at finde ud af, hvilke e-mailskabeloner der fungerer bedst, samtidig med at de bruger mere tid på at bruge ineffektive strategier.
2. Ikke at vide, hvilken leveringstid for beskeder der fungerer bedst for hvilket segment
Optimering af din outreach-strategi kræver finjustering af et utal af faktorer: typen af besked, kanalen og tidspunktet, hvor du sender dine beskeder ud.
Men det er ikke let at finde ud af, hvornår det er bedst at sende en rykker, især ikke hvis du bruger fysiske metoder (som f.eks. direct mail), hvor du ikke kan se, hvornår dit brev rent faktisk bliver åbnet.
Selv om du bruger digitale metoder, skal du dog stadig bruge en manuel tilgang. Det betyder, at man skal vente på resultaterne, finde ud af, hvad dataene fortæller, og til sidst foretage de nødvendige justeringer. Det er vanskeligt, tidskrævende og ineffektivt at gøre dette i stor skala.
3. Behandlingstiden tager for lang tid - og giver ikke altid en klar vej
A/B-tests giver dig effektive resultater, men det kræver en masse tålmodighed. I mange tilfælde må du arbejde med den ene hånd bundet på ryggen - du ved endnu ikke, hvordan du skal segmentere dine kunder, så du er måske nødt til at segmentere dem vilkårligt efter faktorer, som måske ikke er så vigtige.
Men når du starter en A/B-test, er der ofte en lang behandlingstid (selvom det i høj grad afhænger af, hvor mange data du har, og hvor mange varianter du undersøger). Du kan ikke dykke ned midtvejs og ændre det i henhold til resultaterne. Testning er ikke så meget en iterativ, løbende proces, hvor agenter forfiner deres tilgang, så snart der kommer nye oplysninger. I stedet er det mere stop-start, hvor der er en forsinkelse mellem at modtage resultater og omsætte disse indsigter til handling.
A/B-tests kan også blive yderligere hæmmet af data. For mange data gør dig usikker på, hvor du skal begynde, og efterlader strateger og agenter, der lider af analyselammelse. Det bliver stort set umuligt at identificere, hvilke specifikke varianter der rent faktisk gør en forskel, og hvilke der kan kasseres.
For få data betyder på den anden side, at du står tilbage med få historiske spor, som kan analyseres for at opnå afgørende indsigt og konkret forbedre din performance fremadrettet.
Hvordan kan MAB hjælpe?
Multi-armed bandit (MAB) henviser til konceptet med en gambler, der forsøger at finde ud af, hvilken spilleautomat der giver de bedste resultater. Forestil dig flere arme på én spilleautomat. I teknologiverdenen er det en maskinlæringsalgoritme, som først udforsker resultatet og derefter anvender maskinlæring til at fortsætte med at udnytte og opdage den mest optimale strategi under de operationelle processer.
I opkrævninger skal du bruge en lignende tilgang: udnytte AI og maskinlæring til at teste flere strategier, identificere hvilke strategier eller rykkerskabeloner, der klarer sig bedst, og investere mere tid/energi/ressourcer i disse strategier i modsætning til deres mindre effektive modstykker.
Hvis du automatisk kan teste, forfine og prioritere flere strategier på én gang, udvider og øger du din indsamlingssucces. Det er her, MAB-tilgangen med maskinlæring kommer ind i billedet.
Hvordan adskiller MAB sig fra A/B-test?
I modsætning til A/B-test er MAB en iterativ proces. MAB indsamler løbende nøgledata, før disse indsigter automatisk omsættes til handling, hvilket betyder, at agenter blot kan læne sig tilbage og lade algoritmen gøre sit arbejde.
![A/B-test versus flerarmet bandit-algoritme](https://cdn.prod.website-files.com/6321235cdfe41f71eb58daa4/6321235cdfe41fda5258dd46_AB-testing-versus-Multi-armed-Bandit-Algorithm-1024x535.png)
A/B-tests er gode til at udforske (dvs. teste en antagelse og modtage data, der hjælper med at identificere, om den er sand). MAB går dog et skridt videre og prioriterer både udforskning og udnyttelse. I begyndelsen er den i udforskningstilstand. Men når den begynder at modtage resultater, kan den gå i udnyttelsestilstand - udnytte maskinlæringskapaciteten til automatisk at anvende disse indsigter til at forfine din rykkermetode.
Det betyder ikke, at A/B-tests er overflødige - langt fra. De er stadig fantastiske til at hjælpe dig med at indsamle vigtige datadrevne indsigter, der kaster lys over dine kunder og deres adfærd. Men hvis du vil undgå den manuelle proces med at grave i tallene, forstå de indsigter, de afslører, og udnytte denne læring effektivt, bør du overveje også at bruge en MAB-tilgang.
Omfavn maskinlæring
Maskiner er langt bedre (og mere effektive) end mennesker til at bearbejde store datasæt. De kan indsamle, analysere og forstå tusindvis af datapunkter i løbet af millisekunder. Desuden betyder MAB, at du kan handle på datadrevne resultater med det samme - og løbende afsætte flere ressourcer til de strategier, der er mest effektive, samtidig med at du undgår strategier, der ikke fungerer godt.
Forestil dig, at du forsøgte at gøre det manuelt for alle dine kunder. Ikke alene ville det tage utrolig lang tid, men dine agenter ville måske endda være mindre pålidelige end maskiner. At fejle er menneskeligt - ikke maskinelt. Ifølge Deloitte: "Brug af maskiner til at analysere kvalitative data kan give tids- og omkostningsbesparelser samt øge værdien af de indsigter, der udledes af dataene."
Er det ikke det ideelle scenarie?
Fordelene ved MAB i samlinger
Der er tre primære måder, hvorpå MAB har potentiale til at genopfinde din indsamlingsmetode.
- Optimer effektive budskaber
MAB tester automatisk forskellige skabeloner på én gang, forstår, hvilke der fungerer bedst, og sikrer, at disse skabeloner prioriteres fremadrettet.
Hold det manuelle arbejde på et minimum. Lad agenter og strateger fokusere på blot at udtænke en række potentielle budskabsskabeloner, før de overlader tøjlerne til MAB. Algoritmen vil udforske, hvad der fungerer bedst, før den udnytter (dvs. favoriserer) dem, der ser ud til at fungere bedst på det pågældende tidspunkt. Hvis resultaterne nogensinde ser ud til at ændre sig, vil den automatisk allokere flere ressourcer til de andre budskabsskabeloner.
- Forstå det bedste tidspunkt at sende beskeder ud på
På samme måde bruger MAB den samme udforsknings-/udnyttelsesmodel til at finde det bedste tidspunkt at sende en besked ud på. Den starter med en bred vifte af tidspunkter og sender en lige stor del af hvert, før den modtager data, der fremhæver, hvilke tidspunkter der måske er bedst. Når den har modtaget disse data, prioriterer den vellykkede tidspunkter fremadrettet.
- Brug mere tid på at bruge de bedste metoder
Med MAB behøver du kun at fokusere på at udtænke en række tilgange. Maskinlæring vil derefter iterativt indsamle, forstå og implementere datadrevet læring - så agenterne i stedet kan bruge mere tid på højrisikokunder, der har brug for interaktion mellem mennesker.
Øget indsamlingssucces med reduceret indsats. Den perfekte blanding.
MAB: dit hemmelige våben til fortsat indsamlingssucces
A/B-tests er en grundpille for datadrevne inddrivelsesteams, men de har visse begrænsninger. De kræver masser af tid og manuel indsats, hvilket betyder, at du bruger for lang tid på at vente på et optimalt resultat for at øge din indsamlingsydelse.
Ved at udnytte en MAB-algoritme sammen med dine A/B-tests kan du dog automatisk gentage og finjustere dine indsamlingsmetoder løbende. Læn dig tilbage og slap af i sikker forvisning om, at dine mest effektive strategier automatisk bliver prioriteret.
Hvis du vil vide mere om, hvordan receeve bruger en MAB-algoritme til at skabe succes med indsamlinger, så tag en snak med en fra vores team.