De meeste incasso-afdelingen gebruiken A/B-tests om te testen en te leren, waarbij ze hun aanpak verfijnen op basis van de resultaten. Hoewel A/B-tests geweldige hulpmiddelen zijn, hebben ze ook een aantal nadelen:
- Over het algemeen moet je een A/B-test één tot twee weken uitvoeren om een statistisch representatieve steekproef te krijgen;
- Vervolgens moet je een aanzienlijk deel van je tijd en energie besteden aan het analyseren van de gegevens;
- Je kunt in de val lopen door te denken dat de winnaar van je A/B-test de beste en enige optie is. Helaas is dit niet altijd het geval - verschillende methoden werken het beste voor verschillende scenario's.
De oplossing is niet om A/B-tests helemaal uit je strategie te gooien. In plaats daarvan moet je hun beperkingen begrijpen en alternatieve benaderingen implementeren die deze tekortkomingen compenseren.
Met andere woorden, u zou een multi-armed bandit (MAB) aanpak moeten hanteren. Op die manier besteedt u minder tijd aan het interpreteren van resultaten en het uitvoeren ervan, en meer tijd aan het bedienen van consumenten met uw meest effectieve aanmaningsmethoden.
Dit artikel gaat in op de tekortkomingen van A/B-testen, wat MAB is en hoe het het succes van collecties bevordert.
Huidige hindernissen voor operationele incassoteams
De beste incassoteams zijn voortdurend bezig met het bijwerken en verfijnen van hun strategie. Ze kunnen echter tegen een aantal hindernissen aanlopen.
1. Niet weten welke e-mailsjablonen het beste werken door een gebrek aan automatisering
A/B-testen is een statistisch experiment dat meestal handmatig wordt uitgevoerd. Simpel gezegd, je daagt optie A uit tegen optie B, voert de tests uit en graaft vervolgens in de gegevens zodra deze zijn voltooid. Na het identificeren van de resultaten kun je deze inzichten uiteindelijk gebruiken om je strategie te verbeteren.
Hoewel het concept dus vrij eenvoudig is, is het allesbehalve eenvoudig om de resultaten in de praktijk te brengen.
Collectieteams beschikken over het algemeen niet over een manier om verschillende sjablonen op schaal te testen, om de resultaten in een oogwenk te ontvangen en om onmiddellijk gebruik te maken van cruciale gegevens. Daarom besteden ze meer tijd en moeite aan het uitzoeken welke e-mailsjablonen het beste werken, terwijl ze ook meer tijd besteden aan het gebruik van ineffectieve strategieën.
2. Niet weten welke levertijd van berichten het beste werkt voor welk segment
Het optimaliseren van je outreachstrategie vereist het afstemmen van een groot aantal factoren: het type bericht, het kanaal en het tijdstip waarop je je berichten verstuurt.
Maar uitzoeken wat precies het beste moment is om een aanmaningsbericht te versturen is geen sinecure, vooral niet als u vertrouwt op fysieke methoden (zoals direct mail) waarbij u niet weet wanneer uw brief daadwerkelijk wordt geopend.
Maar zelfs als je digitale methoden gebruikt, moet je nog steeds een handmatige aanpak hanteren. Dit betekent wachten op de resultaten, onderscheiden wat de gegevens je vertellen en ten slotte de juiste aanpassingen doen. Dit op grote schaal doen is moeilijk, tijdrovend en inefficiënt.
3. Verwerkingstijd duurt te lang - en biedt niet altijd een duidelijk pad
A/B-tests leveren effectieve resultaten op, maar vereisen wel veel geduld. In veel gevallen moet je werken met één hand op je rug - je weet nog niet hoe je je klanten moet segmenteren, dus moet je ze misschien willekeurig segmenteren op basis van factoren die misschien niet zo belangrijk zijn.
Maar als je eenmaal aan een A/B-test begint, is er vaak een lange verwerkingstijd (hoewel dit grotendeels afhangt van hoeveel gegevens je hebt en hoeveel varianten je onderzoekt). Je kunt er niet halverwege induiken en de test aanpassen op basis van de resultaten. Testen is niet zozeer een iteratief, doorlopend proces, waarbij agenten hun aanpak verfijnen zodra er nieuwe informatie binnenkomt. In plaats daarvan is het meer een stop-start proces, met een vertraging tussen het ontvangen van resultaten en het in actie brengen van deze inzichten.
A/B-tests kunnen ook verder worden belemmerd door de gegevens. Als er te veel gegevens zijn, weet je niet meer waar je moet beginnen, waardoor strategen en agenten aan analyseverlamming lijden. Het wordt vrijwel onmogelijk om te bepalen welke specifieke varianten echt een verschil maken en welke kunnen worden weggegooid.
Aan de andere kant betekent te weinig gegevens dat je weinig historische sporen overhoudt die je kunt analyseren om tot beslissende inzichten te komen en je prestaties tastbaar te verbeteren.
Hoe kan MAB helpen?
Meerarmige bandiet (MAB) verwijst naar het concept van een gokker die probeert uit te vissen welke gokautomaat de beste resultaten oplevert. Stel je meerdere armen voor aan één gokkast. In de technische wereld is het een algoritme voor machinaal leren, dat eerst het resultaat onderzoekt en daarna machinaal leren toepast om de meest optimale strategie tijdens de operationele processen verder uit te buiten en te ontdekken.
In incasso's moet je een vergelijkbare aanpak hanteren: AI en machine learning inzetten om meerdere strategieën te testen, vaststellen welke strategieën of aanmaningssjablonen het beste presteren en meer tijd/energie/middelen investeren in deze strategieën in tegenstelling tot hun minder goed presterende tegenhangers.
Als je automatisch meerdere strategieën tegelijk kunt testen, verfijnen en prioriteren, verbreed en versterk je het succes van je collecties. Dit is waar de MAB-benadering, die gebruik maakt van machine learning, om de hoek komt kijken.
Waarin verschilt MAB van A/B-testen?
In tegenstelling tot A/B-testen is MAB een iteratief proces. MAB verzamelt voortdurend belangrijke gegevens voordat deze inzichten automatisch in actie worden omgezet, wat betekent dat agenten gewoon achterover kunnen leunen en het algoritme zijn werk laten doen.
A/B-tests zijn geweldig voor verkenning (d.w.z. het testen van een aanname en het ontvangen van gegevens om te helpen identificeren of dit waar is). MAB gaat echter een stap verder: het geeft prioriteit aan zowel exploratie als exploitatie. In het begin staat het in de verkenningsmodus. Zodra het echter resultaten begint te ontvangen, kan het in de exploitatiemodus gaan - gebruikmakend van machine-learning mogelijkheden om deze inzichten automatisch toe te passen om uw aanmaningsaanpak te verfijnen.
Dit betekent niet dat A/B-tests overbodig zijn - verre van dat. Ze zijn nog steeds fantastisch om je te helpen belangrijke gegevensgedreven inzichten te verzamelen en licht te werpen op je klanten en hun gedrag. Maar als je het handmatige proces van het graven in de cijfers, het begrijpen van de inzichten die ze onthullen en het effectief benutten van deze kennis wilt vermijden, dan moet je overwegen om ook een MAB-aanpak te gebruiken.
Machine learning omarmen
Machines zijn veel beter (en efficiënter) dan mensen in het kraken van grote datasets. Ze kunnen duizenden gegevenspunten verzamelen, analyseren en begrijpen in een kwestie van milliseconden. Bovendien betekent MAB dat je onmiddellijk kunt handelen op basis van datagestuurde bevindingen - door voortdurend meer middelen toe te wijzen aan strategieën die het meest effectief zijn en strategieën die niet goed presteren te vermijden.
Stel je voor dat je dit handmatig zou doen voor al je klanten. Het zou niet alleen ongelooflijk lang duren, maar je agenten zouden zelfs minder betrouwbaar kunnen zijn dan machines. Vergissen is menselijk, niet machinaal. Volgens Deloitte: "Het gebruik van machines om kwalitatieve gegevens te analyseren kan tijd- en kostenbesparingen opleveren en de waarde van de inzichten uit de gegevens vergroten."
Is dat niet het ideale scenario?
De voordelen van MAB in collecties
Er zijn drie belangrijke manieren waarop MAB het potentieel heeft om je collectieaanpak opnieuw uit te vinden.
- Effectieve berichtgeving optimaliseren
MAB test automatisch verschillende sjablonen tegelijk, begrijpt welke het beste werken en zorgt ervoor dat deze sjablonen prioriteit krijgen.
Beperk handmatig werk tot een minimum. Laat agenten en strategen zich concentreren op het bedenken van een reeks potentiële berichtsjablonen voordat ze de teugels overgeven aan MAB. Het algoritme zal onderzoeken welke het beste presteert en vervolgens diegene benutten (d.w.z. bevoordelen) die op dat moment het beste lijken te werken. Als de resultaten ooit lijken te veranderen, zal het algoritme automatisch meer middelen toewijzen aan die andere berichtsjablonen.
- Begrijpen wat het beste moment is om berichten te versturen
MAB gebruikt hetzelfde exploratie-/exploitatiemodel om het beste tijdstip te bepalen om een bericht uit te sturen. Het begint met een breed scala aan tijdstippen en verstuurt een gelijk deel van elk tijdstip voordat het gegevens ontvangt die aangeven welke tijdstippen het beste zouden kunnen zijn. Na ontvangst van deze gegevens wordt vervolgens prioriteit gegeven aan succesvolle tijdstippen.
- Besteed meer tijd aan het benutten van de beste benaderingen
Met MAB hoef je je alleen maar te richten op het bedenken van een reeks benaderingen. Machine learning verzamelt, begrijpt en implementeert vervolgens iteratief datagestuurde lessen, waardoor agenten meer tijd kunnen besteden aan klanten met een hoog risico die menselijke interactie nodig hebben.
Verhoogd incassosucces met minder inspanning. De perfecte mix.
MAB: uw geheime wapen voor blijvend innoverend succes
A/B-tests zijn een steunpilaar voor datagestuurde incassoteams, maar ze hebben bepaalde beperkingen. Ze vereisen veel tijd en handmatige inspanning, wat betekent dat je te lang wacht op een optimaal resultaat om je incassoprestaties te verbeteren.
Door gebruik te maken van een MAB-algoritme naast je A/B-tests kun je echter je collectiebenaderingen automatisch herhalen en voortdurend verfijnen. Leun achterover en ontspan, in de veilige wetenschap dat je meest effectieve strategieën automatisch prioriteit krijgen.
Als je meer wilt weten over hoe receeve een MAB-algoritme gebruikt om collectiesucces te stimuleren, praat dan met een van onze medewerkers.
