La plupart des services de recouvrement utilisent les tests A/B pour tester et apprendre, en affinant leur approche en fonction des résultats. Bien que les tests A/B soient d'excellents outils, ils présentent certains inconvénients :
- En règle générale, vous devez effectuer un test A/B pendant une à deux semaines afin d'obtenir un échantillon statistiquement représentatif ;
- Vous devez ensuite consacrer une part importante de votre temps et de votre énergie à l'analyse des données ;
- Vous pourriez tomber dans le piège de penser que le gagnant de votre test A/B est la meilleure et la seule option. Malheureusement, ce n'est pas toujours le cas : différentes méthodes sont plus efficaces pour différents scénarios.
La solution n'est pas d'écarter complètement les tests A/B de votre stratégie. Il s'agit plutôt de comprendre leurs limites et de mettre en œuvre des approches alternatives qui compensent ces lacunes.
En d'autres termes, vous devriez adopter une approche de bandit à plusieurs bras (MAB). Vous passerez ainsi moins de temps à interpréter les résultats et à les mettre en œuvre, et plus de temps à servir les consommateurs avec vos approches de relance les plus efficaces.
Cet article se penche sur les lacunes des tests A/B, sur ce qu'est le MAB et sur la façon dont il contribue au succès des collections.
Obstacles actuels auxquels sont confrontées les équipes opérationnelles de recouvrement
Les meilleures équipes de recouvrement actualisent et affinent en permanence leur stratégie. Cependant, elles peuvent se heurter à une série d'obstacles.
1. Ne pas savoir quels modèles d'e-mails fonctionnent le mieux en raison d'un manque d'automatisation
Le test A/B est une expérience statistique généralement menée manuellement. En d'autres termes, vous comparez l'option A à l'option B, vous effectuez les tests et vous exploitez les données une fois qu'ils sont terminés. Après avoir identifié les résultats, vous pouvez enfin utiliser ces informations pour améliorer votre stratégie.
Si le concept est relativement simple, la mise en œuvre des résultats est loin d'être aisée.
Les équipes de recouvrement ne disposent généralement pas d'un moyen de tester différents modèles à grande échelle, de recevoir les résultats en un instant et d'exploiter immédiatement les enseignements cruciaux tirés des données. Elles consacrent donc plus de temps et d'efforts à discerner les modèles d'e-mails qui fonctionnent le mieux, tout en passant plus de temps à utiliser des stratégies inefficaces.
2. Ne pas savoir quelle heure de diffusion des messages convient le mieux à tel ou tel segment.
L'optimisation de votre stratégie de sensibilisation nécessite d'ajuster une myriade de facteurs : le type de message, le canal et le moment où vous envoyez vos messages.
Mais déterminer précisément le meilleur moment pour envoyer un message de relance n'est pas une mince affaire, surtout si vous utilisez des méthodes physiques (comme le publipostage) qui ne vous permettent pas de savoir quand votre lettre est réellement ouverte.
Même si vous utilisez des méthodes numériques, vous devez adopter une approche manuelle. Cela implique d'attendre les résultats, de discerner ce que les données vous disent et, enfin, de procéder aux ajustements appropriés. Faire cela à grande échelle est difficile, prend du temps et est inefficace.
3. Les délais de traitement sont trop longs et n'offrent pas toujours une voie d'accès claire
Les tests A/B permettent d'obtenir des résultats efficaces, mais ils nécessitent beaucoup de patience. Dans de nombreux cas, vous devez travailler avec une main attachée dans le dos - vous ne savez pas encore comment segmenter vos clients, vous devrez donc peut-être les segmenter arbitrairement en fonction de facteurs qui ne sont peut-être pas si importants que cela.
Mais une fois que vous avez commencé un test A/B, le temps de traitement est souvent long (bien que cela dépende en grande partie de la quantité de données dont vous disposez et du nombre de variantes que vous examinez). Il n'est pas possible d'intervenir à mi-parcours et de modifier le test en fonction des résultats. Le test n'est pas tant un processus itératif et continu, les agents affinant leur approche dès qu'ils reçoivent de nouvelles informations. Il s'agit plutôt d'un processus discontinu, avec un délai entre la réception des résultats et la mise en œuvre de ces informations.
Les tests A/B peuvent également être entravés par les données. Un trop grand nombre de données ne permet pas de savoir par où commencer, laissant les stratèges et les agents souffrir d'une paralysie de l'analyse. Il devient pratiquement impossible d'identifier les variantes spécifiques qui font réellement la différence et celles qui peuvent être écartées.
Trop peu de données, en revanche, signifie qu'il ne reste que peu de traces historiques pouvant être analysées afin de tirer des conclusions décisives et d'améliorer concrètement vos performances à l'avenir.
Comment le MAB peut-il vous aider ?
Le bandit multi-bras (MAB) désigne le concept d'un joueur qui tente de déterminer quelle machine à sous produira les meilleurs résultats. Imaginez plusieurs bras attachés à une machine à sous. Dans le monde de la technologie, il s'agit d'un algorithme d'apprentissage automatique qui explore d'abord les résultats et applique ensuite l'apprentissage automatique pour continuer à exploiter et à découvrir la stratégie la plus optimale au cours des processus opérationnels.
En matière de recouvrement, vous devez adopter une approche similaire : tirer parti de l'IA et de l'apprentissage automatique pour tester plusieurs stratégies, identifier les stratégies ou les modèles de relance les plus performants, et investir plus de temps/d'énergie/de ressources dans ces stratégies par rapport à leurs homologues moins performants.
Si vous pouvez automatiquement tester, affiner et hiérarchiser plusieurs stratégies à la fois, vous élargissez et stimulez le succès de vos collectes. C'est là que l'approche MAB, qui adopte l'apprentissage automatique, entre en jeu.
En quoi le MAB diffère-t-il des tests A/B ?
Contrairement aux tests A/B, MAB est un processus itératif. MAB recueille des données clés de manière continue avant de les mettre automatiquement en application, ce qui signifie que les agents peuvent simplement s'asseoir et laisser l'algorithme faire son travail.
![Tests A/B contre algorithme de Bandit à bras multiples](https://cdn.prod.website-files.com/6321235cdfe41f71eb58daa4/6321235cdfe41fda5258dd46_AB-testing-versus-Multi-armed-Bandit-Algorithm-1024x535.png)
Les tests A/B sont parfaits pour l'exploration (c'est-à-dire pour tester une hypothèse et recevoir des données permettant de déterminer si elle est vraie). Le MAB va cependant plus loin : il donne la priorité à la fois à l'exploration et à l'exploitation. Au début, il est en mode exploration. Une fois qu'il commence à recevoir les résultats, il peut passer en mode d'exploitation - en tirant parti de la capacité d'apprentissage automatique pour appliquer automatiquement ces informations afin d'affiner votre approche de la relance.
Cela ne signifie pas que les tests A/B sont redondants, loin de là. Ils sont toujours fantastiques pour vous aider à recueillir des informations cruciales basées sur des données, en vous éclairant sur vos clients et leur comportement. Mais si vous souhaitez éviter le processus manuel consistant à creuser les chiffres, à comprendre les informations qu'ils révèlent et à tirer parti de ces enseignements de manière efficace, vous devriez envisager d'utiliser également une approche MAB.
Adopter l'apprentissage automatique
Les machines sont bien meilleures (et plus efficaces) que les humains pour traiter de grands ensembles de données. Elles peuvent collecter, analyser et comprendre des milliers de points de données en quelques millisecondes. En outre, le MAB vous permet d'agir immédiatement sur les conclusions tirées des données - en allouant continuellement davantage de ressources aux stratégies les plus efficaces tout en évitant les stratégies qui ne donnent pas de bons résultats.
Imaginez que vous essayiez de le faire manuellement pour tous vos clients. Non seulement cela prendrait énormément de temps, mais vos agents pourraient même être moins fiables que les machines. L'erreur est humaine, pas mécanique. Selon Deloitte: "L'utilisation de machines pour analyser des données qualitatives pourrait permettre de gagner du temps et de l'argent, tout en améliorant la valeur des informations tirées des données."
N'est-ce pas là le scénario idéal ?
Les avantages du MAB dans les collections
Le MAB peut réinventer votre approche des collections de trois manières principales.
- Optimiser l'efficacité des messages
MAB teste automatiquement plusieurs modèles à la fois, comprend ceux qui fonctionnent le mieux et veille à ce que ces modèles soient prioritaires à l'avenir.
Réduire le travail manuel au minimum. Laissez les agents et les stratèges se concentrer sur l'élaboration d'une série de modèles de messages potentiels avant de confier les rênes à MAB. L'algorithme étudiera les messages les plus performants avant d'exploiter (c'est-à-dire de favoriser) ceux qui semblent fonctionner le mieux à ce moment précis. Si les résultats semblent changer, il allouera automatiquement plus de ressources aux autres modèles de messages.
- Comprendre le meilleur moment pour envoyer des messages
De même, MAB adopte ce même modèle d'exploration/exploitation pour déterminer le meilleur moment pour envoyer un message. Il commence par un large éventail de moments, envoyant une portion égale de chacun d'entre eux avant de recevoir des données qui mettent en évidence les moments les plus propices. À la réception de ces données, il donne la priorité aux moments les plus propices à l'avenir.
- Passer plus de temps à utiliser les meilleures approches
Avec MAB, vous n'avez qu'à vous concentrer sur l'élaboration d'une série d'approches. L'apprentissage automatique recueillera, comprendra et mettra en œuvre de manière itérative les enseignements tirés des données, ce qui permettra aux agents de passer plus de temps avec les clients à haut risque qui ont besoin d'interactions humaines.
Plus de succès dans les collectes avec moins d'efforts. Le mélange parfait.
MAB : votre arme secrète pour un succès continu en matière de recouvrement
Les tests A/B sont un pilier pour les équipes de recouvrement qui s'appuient sur des données, mais ils ont certaines limites. Ils nécessitent beaucoup de temps et d'efforts manuels, ce qui signifie que vous passez trop de temps à attendre un résultat optimal pour améliorer vos performances de recouvrement.
Cependant, en utilisant un algorithme MAB parallèlement à vos tests A/B, vous pouvez automatiquement itérer et affiner vos approches de collecte sur une base continue. Installez-vous confortablement et détendez-vous, en sachant que vos stratégies les plus efficaces sont automatiquement priorisées.
Pour en savoir plus sur la façon dont receeve utilise un algorithme MAB pour assurer le succès des collections, discutez avec l'un des membres de notre équipe.