Priorizar leads en un contact center

Priorizar leads en un contact center

Clasificación de clientes según la probabilidad de conversión

Objetivo

Mejorar la tasa de conversión de una aseguradora con un modelo que prioriza los leads que llegan a través de los agregadores.

Las aseguradoras interactúan diariamente con agregadores y comparadores de seguros, desde donde los usuarios solicitan contactar con la oferta que más les interese. En este contexto, el contact center de una compañía de seguros no tenía capacidad para atender a todos los posibles clientes del ramo auto que se interesaban por sus ofertas en un agregador.

En concreto, no contactaban directamente con un alto porcentaje de los leads y buscaban un sistema que les permitiera priorizar y dedicar más tiempo a los usuarios con más probabilidades de contratar una póliza con la aseguradora.

Solución

Se optó por un proyecto de Machine Learning en el que desarrollar un modelo predictivo que priorizara los leads que entran a través del agregador según la probabilidad de conversión.

Como restricción, desde la propia aseguradora, establecieron que el modelo se basara en cuatro cestas de prioridad (top, high, medium y low) en las que colocar a los posibles clientes. Por ello, otra parte importante del proyecto consistió en tener balanceados estos grupos para que siempre haya contactos que priorizar en la primera cesta.

Para el desarrollo del modelo no lineal, se trabajó con datos históricos de la compañía de seguros, acotados a los datos y variables que ofrecía el agregador. En concreto, el modelo tiene en cuenta características del conductor, del vehículo  y de la póliza ofrecida  para calcular la probabilidad de conversión.

 

Beneficio

Según los resultados de rendimiento del modelo, este funciona especialmente bien en momentos de saturación del contact center, ya sea en picos estacionales o en franjas dentro del mismo día. Se demuestra que, cuando la atención baja, se puede mejorar la conversión con la priorización dada. En concreto, la tasa de conversión en la cesta top es más del doble que la tasa de conversión en la cesta low.

En cuanto a una posible evolución del modelo, la priorización mejoraría si este diera un score individualizado de cada usuario, siendo más preciso en niveles altos de atención. Además, se está en proceso de replicar el proyecto para otros ramos y agregadores.

Proyectos relacionados