De flesta inkassoavdelningar använder A/B-tester för att testa och lära sig, och förfinar sin strategi baserat på resultaten. Även om A/B-tester är bra verktyg har de vissa nackdelar:
- Du bör i allmänhet köra ett A/B-test under en till två veckor för att få ett statistiskt representativt urval;
- Sedan måste du ägna en betydande del av din tid och energi åt att analysera data;
- Du kanske går i fällan och tror att vinnaren från ditt A/B-test är det bästa och enda alternativet. Tyvärr är detta inte alltid fallet - olika metoder fungerar bäst för olika scenarier.
Lösningen är inte att helt slänga ut A/B-tester ur din strategi. Istället måste du förstå deras begränsningar och implementera alternativa tillvägagångssätt som kompenserar för dessa brister.
Med andra ord bör du anta en MAB-strategi (multi-armed bandit). På så sätt lägger du mindre tid på att tolka resultat och omsätta dem i handling och mer tid på att ge konsumenterna dina mest effektiva metoder för att avråda.
I den här artikeln kommer vi att gå igenom bristerna med A/B-testning, vad MAB är och hur det bidrar till framgångsrika insamlingar.
Aktuella hinder som operativa team för insamlingar står inför
De bästa kollektionsteamen uppdaterar och förfinar kontinuerligt sin strategi. De kan dock stöta på en rad hinder.
1. Att inte veta vilka e-postmallar som fungerar bäst på grund av brist på automatisering
A/B-testning är ett statistiskt experiment som i allmänhet utförs manuellt. Enkelt uttryckt utmanar du alternativ A mot alternativ B, kör testerna och gräver sedan ner dig i data när de är klara. När du har identifierat resultaten kan du slutligen använda dessa insikter för att förbättra din strategi.
Så även om konceptet är ganska enkelt är det allt annat än enkelt att omsätta resultaten i handling.
Collections-teamen saknar i allmänhet ett sätt att testa olika mallar i stor skala, att få resultaten direkt och att omedelbart dra nytta av viktiga datadrivna lärdomar. De lägger därför mer tid och kraft på att avgöra vilka e-postmallar som fungerar bäst, samtidigt som de lägger mer tid på att använda ineffektiva strategier.
2. Att inte veta vilken leveranstid för meddelanden som fungerar bäst för vilket segment
För att optimera din outreach-strategi måste du finjustera en mängd faktorer: typen av meddelande, kanalen och tidpunkten för när du skickar ut dina meddelanden.
Men det är ingen lätt uppgift att räkna ut exakt när det är bäst att skicka ut ett inkassomeddelande, särskilt om du förlitar dig på fysiska metoder (som direktreklam) där du inte har någon insyn i när ditt brev faktiskt öppnas.
Även om du använder digitala metoder måste du dock fortfarande använda ett manuellt tillvägagångssätt. Det innebär att man väntar på resultaten, urskiljer vad datan säger och slutligen gör lämpliga justeringar. Att göra detta i stor skala är svårt, tidskrävande och ineffektivt.
3. Handläggningstiden är för lång - och ger inte alltid en tydlig väg
A/B-tester ger dig effektiva resultat, men det kräver mycket tålamod. I många fall måste du arbeta med en hand bakbunden - du vet ännu inte hur du ska segmentera dina kunder, så du kanske måste segmentera dem godtyckligt enligt faktorer som kanske inte är så viktiga.
Men när du väl har startat ett A/B-test är det ofta en lång bearbetningstid (även om detta till stor del beror på hur mycket data du har och hur många varianter du undersöker). Du kan inte dyka in halvvägs och ändra det enligt resultaten. Testning är inte så mycket en iterativ, pågående process, där agenterna förfinar sitt tillvägagångssätt så snart ny information kommer in. Istället är det mer stopp och start, där det finns en fördröjning mellan att få resultat och att omsätta dessa insikter i handling.
A/B-tester kan också försvåras ytterligare av data. För mycket data gör att du inte vet var du ska börja, vilket gör att strateger och agenter drabbas av analysförlamning. Det blir praktiskt taget omöjligt att identifiera vilka specifika varianter som faktiskt gör skillnad och vilka som kan kasseras.
För lite data, å andra sidan, innebär att du har få historiska spår som kan analyseras för att få avgörande insikter och konkret förbättra dina prestationer framöver.
Hur kan MAB hjälpa till?
Multi-armed bandit (MAB) är ett koncept som innebär att en spelare försöker lista ut vilken spelautomat som ger bäst resultat. Tänk dig flera armar kopplade till en spelautomat. I teknikvärlden är det en maskininlärningsalgoritm som först utforskar resultatet och därefter tillämpar maskininlärning för att fortsätta att utnyttja och upptäcka den mest optimala strategin under de operativa processerna.
När det gäller inkassering måste du använda ett liknande tillvägagångssätt: utnyttja AI och maskininlärning för att testa flera strategier, identifiera vilka strategier eller mallar för inkassering som fungerar bäst och investera mer tid/energi/resurser i dessa strategier jämfört med de strategier som fungerar sämre.
Om du automatiskt kan testa, förfina och prioritera flera strategier samtidigt, breddar och ökar du dina insamlingars framgång. Det är här MAB-metoden, som bygger på maskininlärning, kommer in i bilden.
Hur skiljer sig MAB från A/B-testning?
Till skillnad från A/B-testning är MAB en iterativ process. MAB samlar in nyckeldata löpande innan dessa insikter automatiskt omsätts i handling, vilket innebär att agenter helt enkelt kan luta sig tillbaka och låta algoritmen göra sitt.
A/B-tester är bra för att utforska (dvs. testa ett antagande och få data som hjälper till att identifiera om det är sant). MAB går dock ett steg längre och prioriterar både utforskande och utnyttjande. I början är det i utforskningsläge. Men när den börjar få in resultat kan den gå in i exploateringsläge och utnyttja maskininlärningsförmågan för att automatiskt tillämpa dessa insikter för att förfina din strategi för inkassering.
Det betyder inte att A/B-tester är överflödiga - långt därifrån. De är fortfarande fantastiska när det gäller att hjälpa dig att samla in kritiska datadrivna insikter som belyser dina kunder och deras beteende. Men om du vill undvika den manuella processen med att gräva i siffrorna, förstå de insikter som de avslöjar och utnyttja dessa lärdomar effektivt, bör du överväga att också använda en MAB-strategi.
Omfamna maskininlärning
Maskiner är mycket bättre (och effektivare) än människor på att bearbeta stora datamängder. De kan samla in, analysera och förstå tusentals datapunkter på bara några millisekunder. Dessutom innebär MAB att du kan agera på datadrivna resultat omedelbart - och kontinuerligt fördela mer resurser till de strategier som är mest effektiva samtidigt som du undviker strategier som inte fungerar bra.
Föreställ dig att du försökte göra detta manuellt för alla dina kunder. Det skulle inte bara ta otroligt lång tid, utan dina handläggare skulle kanske till och med vara mindre tillförlitliga än maskiner. Att göra fel är mänskligt - inte maskinellt. Enligt Deloitte: "Att använda maskiner för att analysera kvalitativa data kan ge tids- och kostnadseffektivitet samt öka värdet av de insikter som härleds från data."
Är inte det det ideala scenariot?
Fördelarna med MAB i kollektioner
Det finns tre primära sätt på vilka MAB har potential att förnya din metod för insamling.
- Optimera effektiva meddelanden
MAB testar automatiskt olika mallar samtidigt, förstår vilka som fungerar bäst och ser till att dessa mallar prioriteras framöver.
Håll det manuella arbetet till ett minimum. Låt agenter och strateger fokusera på att helt enkelt ta fram en rad potentiella meddelandemallar innan de lämnar över tyglarna till MAB. Algoritmen kommer att utforska vilka som fungerar bäst och sedan utnyttja (dvs. gynna) de som verkar fungera bäst just nu. Om resultaten någonsin verkar förändras kommer den automatiskt att fördela mer resurser till de andra meddelandemallarna.
- Förstå den bästa tidpunkten för att skicka ut meddelanden
På samma sätt använder MAB samma utforsknings- och exploateringsmodell för att avgöra vilken tid som är bäst för att skicka ut ett meddelande. Det börjar med ett brett utbud av tider och skickar ut en lika stor del av varje innan det får data som belyser vilka tider som kan vara bäst. Efter att ha fått dessa uppgifter prioriterar man sedan framgångsrika tider framöver.
- Tillbringa mer tid med att använda de bästa metoderna
Med MAB behöver du bara fokusera på att ta fram en rad olika tillvägagångssätt. Maskininlärning kommer sedan att iterativt samla in, förstå och implementera datadrivna lärdomar - vilket gör att handläggarna istället kan ägna mer tid åt högriskkunder som behöver interaktioner mellan människor.
Ökad inkasseringsframgång med minskad ansträngning. Den perfekta blandningen.
MAB: ditt hemliga vapen för fortsatt framgångsrik inkassering
A/B-tester är en grundpelare för datadrivna inkassoteam, men de har vissa begränsningar. De kräver mycket tid och manuellt arbete, vilket innebär att du tillbringar för lång tid med att vänta på ett optimalt resultat för att öka dina inkassoresultat.
Genom att använda en MAB-algoritm tillsammans med dina A/B-tester kan du dock automatiskt iterera och finjustera dina insamlingsmetoder löpande. Luta dig tillbaka och koppla av, tryggt förvissad om att dina mest effektiva strategier automatiskt prioriteras.
Om du vill veta mer om hur receeve använder en MAB-algoritm för att göra kollektioner framgångsrika kan du prata med någon i vårt team.
