La mayoría de los departamentos de cobros utilizan las pruebas A/B para probar y aprender, perfeccionando su enfoque en función de los resultados. Aunque las pruebas A/B son una gran herramienta, tienen algunas desventajas:
- Por lo general, debe realizar una prueba A/B durante una o dos semanas para obtener una muestra estadísticamente representativa;
- Luego hay que dedicar una parte importante de tiempo y energía a analizar los datos;
- Puede caer en la trampa de pensar que el ganador de su prueba A/B es la mejor y única opción. Desgraciadamente, no siempre es así: hay diferentes métodos que funcionan mejor en diferentes escenarios.
La solución no es descartar por completo las pruebas A/B de su estrategia. Por el contrario, hay que entender sus limitaciones y aplicar enfoques alternativos que compensen estas deficiencias.
En otras palabras, debería adoptar un enfoque de bandido de brazos múltiples (MAB). De este modo, pasará menos tiempo interpretando los resultados y poniéndolos en práctica, y más tiempo sirviendo a los consumidores con sus enfoques de reclamación más eficaces.
Este artículo se adentrará en las deficiencias de las pruebas A/B, en lo que es el MAB y en cómo impulsa el éxito de las recaudaciones.
Obstáculos actuales a los que se enfrentan los equipos operativos de cobros
Los mejores equipos de cobros actualizan y perfeccionan continuamente su estrategia. Sin embargo, pueden encontrarse con una serie de obstáculos.
1. No saber qué plantillas de correo electrónico funcionan mejor debido a la falta de automatización
Las pruebas A/B son un experimento estadístico que se realiza generalmente de forma manual. En pocas palabras, se enfrenta la opción A a la opción B, se ejecutan las pruebas y, una vez finalizadas, se analizan los datos. Una vez identificados los resultados, puedes utilizar estos datos para mejorar tu estrategia.
Aunque el concepto es bastante sencillo, poner en práctica los resultados no es nada fácil.
Los equipos de cobranza generalmente carecen de una forma de probar diferentes plantillas a escala, de recibir los resultados en un instante y de aprovechar inmediatamente los aprendizajes cruciales basados en datos. Por lo tanto, dedican más tiempo y esfuerzo a discernir qué plantillas de correo electrónico funcionan mejor, a la vez que pasan más tiempo utilizando estrategias ineficaces.
2. No saber qué tiempo de entrega de mensajes funciona mejor para cada segmento
La optimización de la estrategia de difusión requiere el ajuste de un gran número de factores: el tipo de mensaje, el canal y el momento en que se envían los mensajes.
Pero determinar el mejor momento para enviar un mensaje de reclamación no es una tarea fácil, sobre todo si se recurre a métodos físicos (como el correo directo) en los que no se puede saber cuándo se abre la carta.
Sin embargo, aunque se utilicen métodos digitales, hay que adoptar un enfoque manual. Esto implica esperar los resultados, discernir lo que dicen los datos y, por último, hacer los ajustes adecuados. Hacer esto a gran escala es difícil, lleva mucho tiempo y es ineficaz.
3. El tiempo de tramitación es demasiado largo, y no siempre se ofrece un camino claro
Las pruebas A/B dan resultados efectivos, aunque requieren mucha paciencia. En muchos casos, hay que trabajar con una mano atada a la espalda: aún no se sabe cómo segmentar a los clientes, por lo que es posible que haya que segmentarlos arbitrariamente en función de factores que quizá no sean tan importantes.
Pero una vez que se inicia una prueba A/B, suele haber un largo tiempo de procesamiento (aunque esto depende en gran medida de la cantidad de datos que tenga y de las variantes que examine). No se puede entrar a mitad de camino y cambiarlo en función de los resultados. Las pruebas no son tanto un proceso iterativo y continuo, en el que los agentes refinan su enfoque en cuanto llega nueva información. En cambio, es más bien un proceso de parada y arranque, con un retraso entre la recepción de los resultados y la puesta en práctica de estos conocimientos.
Las pruebas A/B también pueden verse obstaculizadas por los datos. El exceso de datos hace que no se sepa por dónde empezar, lo que hace que los estrategas y los agentes sufran una parálisis por el análisis. Resulta prácticamente imposible identificar qué variantes específicas marcan realmente la diferencia y cuáles pueden descartarse.
Por otro lado, si los datos son demasiado escasos, no se pueden analizar las huellas históricas para obtener información decisiva y mejorar de forma tangible el rendimiento en el futuro.
¿Cómo puede ayudar el MAB?
El bandido de brazos múltiples (MAB) se refiere al concepto de un jugador que intenta averiguar qué máquina tragaperras producirá los mejores resultados. Imagínese varios brazos unidos a una máquina tragaperras. En el mundo de la tecnología, se trata de un algoritmo de aprendizaje automático, que explora el resultado primero y aplica el aprendizaje automático después para seguir explotando y descubriendo la estrategia más óptima durante los procesos operativos.
En los cobros, hay que adoptar un enfoque similar: aprovechar la IA y el aprendizaje automático para probar múltiples estrategias, identificar qué estrategias o plantillas de reclamación rinden más, e invertir más tiempo/energía/recursos en estas estrategias frente a sus homólogas de menor rendimiento.
Si puede probar, perfeccionar y priorizar automáticamente varias estrategias a la vez, ampliará y potenciará el éxito de sus cobros. Aquí es donde entra en juego el enfoque MAB, que adopta el aprendizaje automático.
¿En qué se diferencia el MAB de las pruebas A/B?
A diferencia de las pruebas A/B, MAB es un proceso iterativo. El MAB recopila datos clave de forma continua antes de poner en práctica estos conocimientos de forma automática, lo que significa que los agentes pueden simplemente sentarse y dejar que el algoritmo haga lo suyo.
Las pruebas A/B son excelentes para la exploración (es decir, para probar una hipótesis y recibir datos que ayuden a identificar si es cierta). El MAB, sin embargo, va un paso más allá: prioriza tanto la exploración como la explotación. Al principio, está en modo de exploración. Sin embargo, una vez que empieza a recibir los resultados, puede pasar al modo de explotación, aprovechando la capacidad de aprendizaje automático para aplicar estos conocimientos para perfeccionar su enfoque de reclamación.
Esto no significa que las pruebas A/B sean redundantes, ni mucho menos. Siguen siendo fantásticas para ayudarle a recopilar información crítica basada en datos, arrojando luz sobre sus clientes y su comportamiento. Pero si quieres evitar el proceso manual de indagar en los números, comprender las percepciones que revelan y aprovechar este aprendizaje de forma eficaz, entonces deberías considerar también la utilización de un enfoque MAB.
Adoptar el aprendizaje automático
Las máquinas son mucho mejores (y más eficientes) que los humanos a la hora de procesar grandes conjuntos de datos. Pueden recopilar, analizar y comprender miles de puntos de datos en cuestión de milisegundos. Además, el MAB le permite actuar de inmediato en función de los datos, asignando continuamente más recursos a las estrategias más eficaces y evitando las que no funcionan bien.
Imagine que intenta hacer esto manualmente para todos sus clientes. No sólo le llevaría muchísimo tiempo, sino que sus agentes podrían ser incluso menos fiables que las máquinas. Errar es de humanos, no de máquinas. Según Deloitte: "El uso de máquinas para analizar los datos cualitativos podría suponer un ahorro de tiempo y costes, además de aumentar el valor de las ideas derivadas de los datos".
¿No es ese el escenario ideal?
Las ventajas del MAB en las recaudaciones
Hay tres formas principales en las que el MAB tiene el potencial de reinventar su enfoque de cobros.
- Optimizar la eficacia de los mensajes
MAB prueba automáticamente diferentes plantillas a la vez, entiende cuáles funcionan mejor y asegura que estas plantillas tengan prioridad en el futuro.
Reduzca el trabajo manual al mínimo. Deje que los agentes y los estrategas se centren simplemente en idear una serie de posibles plantillas de mensajes antes de ceder las riendas al MAB. El algoritmo explorará cuáles son las que mejor funcionan antes de explotar (es decir, favorecer) las que parecen funcionar mejor en ese momento. Si los resultados parecen cambiar, asignará automáticamente más recursos a esas otras plantillas de mensajes.
- Comprender el mejor momento para enviar mensajes
Asimismo, el MAB adopta este mismo modelo de exploración/explotación para discernir el mejor momento para enviar un mensaje. Comienza con una amplia gama de momentos, enviando una porción igual de cada uno antes de recibir datos que destaquen qué momentos podrían ser los mejores. Al recibir estos datos, prioriza las horas de éxito en adelante.
- Dedicar más tiempo a utilizar los mejores enfoques
Con el MAB, sólo tiene que centrarse en idear una serie de enfoques. El aprendizaje automático recopilará, comprenderá e implementará de forma iterativa los aprendizajes basados en datos, lo que permitirá a los agentes dedicar más tiempo a los clientes de alto riesgo que necesitan interacciones humanas.
Mayor éxito en los cobros con menor esfuerzo. La mezcla perfecta.
MAB: su arma secreta para el éxito continuado de las colecciones
Las pruebas A/B son un pilar para los equipos de cobros basados en datos, pero tienen ciertas limitaciones. Requieren invertir mucho tiempo y esfuerzo manual, lo que significa que se pasa demasiado tiempo esperando un resultado óptimo para aumentar el rendimiento de los cobros.
Sin embargo, al aprovechar un algoritmo MAB junto con sus pruebas A/B, puede iterar y afinar automáticamente sus enfoques de cobro de forma continua. Siéntese y relájese, con la seguridad de que sus estrategias más eficaces se priorizan automáticamente.
Para saber más sobre cómo receeve utiliza un algoritmo del MAB para impulsar el éxito de los cobros, charle con uno de nuestros equipos.
.jpg)
.jpg)
.jpg)
