Réalisée dans le cadre de la conférence Nice Interactions avec Jason Mc Fall de Nice Systems, cette présentation montre comme la collecte de données de parcours client et la mise en oeuvre de recommandations temps personnalisées en fonction du profil, du parcours et du contexte permet d'améliorer les ventes, qu'elles soient directes (site web, applis mobiles) ou indirectes (centres d'appels, visite commerciales, vente en boutique...) .
9. Comprendre, prédire et transformer le parcours client
Offre guichet
automatique
Compte
courant
Email
offre de
crédit
Appel pour
un
virement
Offre de crédit et
souscription au service
mobile
Enquête de
satisfaction
Click to
Chat
S2S:
Une facture à
régler
Souscription
au service OnLine
Utilisation du
simulateur de prêt
Téléchargement
App
1. Comprendre l’état d’esprit de l’individu
2. Prédire son intention
3. Proposer des expériences significatives
à un client au bon moment via le bon
canal
10. Customer Engagement Framework
Couvrir l’ensemble
du processus
Expérience Web
temps réel
DRC
Web
Parcours client
+
Résolution ID
Analyse client &
modèles prédictifs
Décisions temps
réel et
proposition
d’offres
Vente et service
contextuel en temps
réel
Social
Offres mobiles
pertinentes et
collaboration
Enquêtes
CRM
€ Valeur
10
Campagnes d’email
ciblées et
pertinentes
12. Traitement des données pour NICE Multi-Channel Decisions
1 Données brutes
Chaque interaction
stockée dans le
HBase/Cloudera
2 Timeline Client
Flux d’événements client
unique assemblés via
association d’identitfiant
3 Profil Prédictif
Calculé dynamiquement dès la
lecture
Signal structuré issu des données
brutes de structures multiples
4 Décisions temps réel
Recherche de profil sans latence,
modèle de scoring et de règles
mènent à des décisions multicanal temps réel
Mesure de groupes ciblés et
définis
12
15. NICE Decisions multi-canal permet de mener la
meilleure action consécutive
Objectif: Utiliser toutes les données disponibles pour proposer le meilleur message au
meilleur moment via le multicanal et devenir ainsi une organisation orientée client
Entrée des
données clients
Comportement Web
Customer Engagement Solution
Décisions
Propension à pouvoir
faire de
l’upsell/crossell
Propension à appeler
Expérience Web temps réel
VOC
Transaction données
Agences
Vente et service contextuel en
temps réel
Propension à
rechercher un prêt
immobilier
Risque d’attrition
Offres mobiles pertinentes et
collaboration
Email Campaign
Données de centre
d’appels
Engagement
personnalisé
Evénement majeur
Score sur la valeur
totale client
(mariage, naissance,
changement de poste)
App Mobile
Customer
Profile
Machine
Learning
In-Session
Scoring
16
Customer
Analytics
Campagnes d’email ciblées et
pertinentes