Utiliser l’IA pour améliorer l’efficacité des agents d’une banque

Bien que les clients choisissent de plus en plus d’interagir par voie numérique avec les entreprises, la communication téléphonique demeure l’outil de communication et de vente le plus utilisé. Pourtant, de nombreuses entreprises n’ont pas de formule pour analyser pourquoi certains agents sont plus efficaces que d’autres.

L’analyse du rendement repose généralement sur l’écoute par les superviseurs d’appels échantillonnés et l’utilisation de mesures de surface provenant de petits ensembles de données. Toutefois, les commentaires formulés au moyen de cette approche peuvent être très subjectifs et souvent génériques. Comme le processus se fait manuellement, il est lent et difficile à adapter, et il ne fournit pas une vue d’ensemble du rendement de l’agent. En raison de l’incapacité de faire le suivi des mesures sur une base continue et à l’échelle d’un ensemble complet d’interactions des agents, il est impossible de comprendre la trajectoire d’un agent sur le plan du rendement. Qui plus est, il est difficile de faire des comparaisons entre les pairs et de fournir de la rétroaction, ce qui peut entraîner du ressentiment, un manque de satisfaction au travail et, ultimement, un roulement de personnel.

Pour régler ces problèmes, le client avait besoin d’un système qui lui permettrait d’avoir une meilleure vue d’ensemble de toutes les activités de ses agents (prises de contact, conversations, suivis, etc.) et de relever les comportements favorisant la réussite. Les informations tirées de cette analyse pourraient ensuite être utilisées pour élaborer un cadre de mesure et de gestion du rendement permettant d’offrir un encadrement ciblé et de quantifier l’amélioration des agents au fil du temps.

Pour ce faire, les équipes d’EY ont créé un ensemble de données comparatives solides fondées sur des faits. Elles ont utilisé des approches d’IA sophistiquées pour analyser les comportements de conversation associés à une progression globale et aider à relever les comportements adoptés par les agents les plus performants. Ces informations ont été utilisées pour suivre le rendement de chaque membre de l’équipe et fournir une rétroaction personnalisée et très précise. Elles ont été regroupées dans un tableau de bord interactif auquel les agents et les chefs d’équipe pouvaient accéder et qu’ils ont utilisé pour faire la revue continue du rendement et connaître les mesures à prendre.

L’équipe devait surmonter les défis importants liés à l’utilisation d’énormes volumes de données non structurées, qui sont par nature bruitées et de piètre qualité. La difficulté de relier des données provenant de sources structurées – comme des plateformes de gestion des relations clients, des fichiers hiérarchiques des agents et des données sur le rendement ou les résultats – à des données non structurées sur les appels a rendu la tâche encore plus complexe.

En opérationnalisant ces informations au moyen de l’IA et de l’apprentissage machine, le client devait être en mesure :

• de mieux comprendre ce que font les employés les plus performants et d’appliquer ces apprentissages pour améliorer la formation, l’encadrement et la trajectoire globale sur le plan du rendement;
• de renforcer les liens entre le rendement et les incitatifs, et ainsi d’améliorer le maintien en poste.
• d’améliorer l’efficacité du suivi grâce à une vision à 360 degrés des communications avec les clients.
  

Les équipes d’EY ont commencé à créer un « registre » pour consigner toute l’interaction d’un agent avec un client. Elles ont consigné ce qui s’est passé avant et après sur différents canaux – des courriels envoyés et des appels passés aux dossiers ouverts et aux ventes effectuées.

Ensemble, elles ont utilisé des techniques de traitement du langage naturel pour extraire des informations qualitatives et non structurées des conversations des agents, comme les sujets abordés, le script suivi et le résultat de l’appel. Cela a permis d’évaluer la façon dont les agents réagissaient à certaines situations avec les clients, s’ils tentaient réellement de comprendre la situation du client, comment ils parlaient des caractéristiques et des fonctionnalités du produit et s’ils effectuaient un suivi rigoureux. L’utilisation de méthodes de traitement du langage naturel a permis de surmonter les problèmes de qualité des données qui réduisent généralement l’efficacité des approches fondées sur des mots clés. Ces approches donnent des résultats souvent insatisfaisants en raison de problèmes comme la transcription erronée et les variantes de mots utilisés dans des contextes semblables.

« En nous attaquant aux problèmes de qualité inhérents aux conversations enregistrées par les anciens systèmes et au recours excessif à des mots clés, nous avons été en mesure de relever des signaux très subtils avec un très haut niveau d’exactitude », explique Sameer Gupta, leader, Analyse avancée, Groupe services financiers – Amérique du Nord, EY.

Combinées à des mesures structurées, ces informations fondamentales ont été reliées à la progression globale et au résultat obtenu, par exemple une vente.

En utilisant diverses techniques pour améliorer les liens entre les ensembles de données non structurées et structurées, les équipes d’EY ont été en mesure de relier les informations fondamentales tirées du traitement du langage naturel à la progression globale, ce qui a permis de relever les lacunes et les possibilités pour chaque étape de progression. En plus des informations à l’échelon des agents, l’approche a permis de comprendre et de regrouper les comportements et les méthodes présentant une corrélation avec des conversations productives et des résultats positifs. L’étape suivante consistait à intégrer ces informations dans un tableau de bord interactif aux fins de la revue. Élaboré avec l’aide de l’équipe d’exploitation du client et des utilisateurs finaux afin d’encourager l’adoption, il offre aux agents et aux chefs d’équipe des affichages personnalisés qui peuvent être actualisés quotidiennement ou au besoin.