team

Innovative Business Process Outsourcing System

INNOVATIVO Sistema di GESTIONE PRATICHE attraverso CONTACT CENTER, supportato da MODELLI PREDITTIVI basati su RETI NEURALI per la PREVISIONE del CARICO di LAVORO e per la DEFINIZIONE di una CORRETTA STRATEGIA di GESTIONE del PORTAFOGLIO

BUSINESS CASE

Il mercato dei servizi di back office in outsourcing è in continua espansione e la concorrenza di imprese interne ed estere è sempre più insidiosa. In un mercato con margini operativi sempre più ridotti,  una società che opera nel settore del Business Process Outsourcing è obbligata a progettare servizi sempre più innovativi per diversificare il rischio e ridurre le tempistiche di intervento per battere la concorrenza.

Inoltre i clienti stessi  richiedono qualità e snellezza, favorendo nelle loro scelte, partner che adottano   metodi sempre più performanti nella gestione  del servizio. Metodi basati su strategie mirate e volte alla massimizzazione dell’intervento e alla corretta gestione del destinatario. Soprattutto di quelli con contratti ancora attivi, il cui rapporto contrattuale non è ancora del tutto compromesso.

OBIETTIVO DELL’AZIONE DI MIGLIORAMENTO

La soluzione proposta da Easy Management ha come obiettivo la progettazione, l’addestramento e l’utilizzo di modelli di intelligenza artificiale che siano in grado di predirre la quantità di telefonate e di comunicazioni che riceveremo nell’ ora successiva. Questa previsione consente al Team Leader la corretta calibratura del team di lavoro e di conseguenza un notevole risparmio economico.

Un altro aspetto interessante derivante dall’applicazione dell’intelligenza artificiale riguarda i modelli che consentono la classificazione della clientela in funzione a dati generici che descrivono il cliente e consentono di attribuire una classe. A tal fine Easy Management, creerà un modello di intelligenza artificiale che sia in grado di classificare il destinatario per consentire all’operatore di applicare la corretta strategia di gestione del intervento in funzione della classe assegnata a priori alla pratica da gestire.


COME OPERA EASYMANAGEMENT

Il team di Easy Management svolge attività di ricerca e sviluppo volto all’acquisizione, alla strutturazione e all’utilizzo delle conoscenze e capacità esistenti di natura scientifica, tecnologica, commerciale del team allo scopo di sviluppare nuovi prodotti, processi e servizi nuovi ed innovativi.

I Data Scientist di Easy Management possiedono le competenze sull’analisi statistica dei dati ricavati dai database big-data aziendali. Utilizzano strumenti di analisi statistica e di Open Innovation per la progettazione, lo studio, l’addestramento e la validazione di modelli statistici sull’andamento dei processi e la predizione di possibili azioni di miglioramento.

Le attività legate alla progettazione dei modelli di intelligenza artificiale, al loro addestramento e alla loro validazione sono svolte nell’ambiente che riproduce le condizioni operative reali.

Non si tratta quindi di svolgere più rapidamente o con più frequenza operazioni massive di facile automazione (ad esempio sollecitazione telefonica o invio frequente di sms e lettere), ma occorre ripensare la strategia di intervento del servizio in funzione della tipologia del cliente e del servizio stesso e svolgere il minor numero possibile ma mirato di contatti con il destinatario: oggi infatti visto il continuo sollecitamento verso la clientela di contact center e/o mailing list serve poter gestire una comunicazione mirata ed efficace altrimenti si viene intercettati da sistemi antispam e/o bloccaggio del numero di telefono e risulta difficile entrare in contatto con il destinatario.

Occorre di conseguenza riuscire a “classificare” la clientela per poter condurre per ogni cluster una efficace strategia di intervento minimizzando lo stress verso il destinatario con l’intento di creare un rapporto corretto volto all’intervento del servizio da recuperare.

Per gestire correttamente la strategia di intervento occorre prevedere come staffare il team per non perdere il contatto con il destinatario soprattutto in caso di contatto telefonico.

In pratica occorre mettere a punto una soluzione per risolvere le seguenti problematiche:

  1. Predirre il numero di telefonate da gestire in un intervallo futuro (es prossima ora, prossima mezz’ora) e più in generale le richieste di contatto (mail, sms) per staffare correttamente il team e non perdere nessuna chiamata in inbound senza sovra stimare le risorse necessarie con causa di perdita di marginalità e profitto;

  2. Classificare i clienti di un incarico al ricevimento del incarico stesso per poter suddividere l’incarico nei team specialistici per la corretta applicazione della strategia di gestione.

L’utilizzo dell’intelligenza artificiale in particolare sull’utilizzo delle reti neurali per la creazione di modelli predittivi e di classificazione sono una possibilità di sviluppo e addestramento di un modello specifico, in quanto attualmente sul mercato non sono presenti modelli standard già addestrati.

l’intelligenza artificiale e le reti neurali sono infatti strumenti utili per la risoluzione delle problematiche evidenziate.

I modelli tradizionali basati sullo studio delle medie e delle deviazioni standard sono difficilmente utilizzabili poiché il margine di errore è elevato a causa della distribuzione dei dati stessi in quanto non esiste una specifica di produzione alla quale tendere: non posso sapere quando mi chiameranno i destinatari e non posso sapere quanto tempo impiegherò a gestire la telefonata nel primo caso oppure non posso chiedere a priori al mio cliente di affidarmi “solo pratiche buone”.

L’estrema variabilità dei dati da utilizzare necessita di una analisi degli stessi: non è sufficiente “dare in pasto” alla rete neurale i dati estratti dal database ma, essendo un modello di addestramento supervisionato chi conosce i dati deve fornire le informazioni utili per la corretta pre-classificazione delle stesse per la preparazione del DataSet da utilizzare nell’addestramento della rete neurale.

 

MILESTONES PROGETTO

Il progetto si articolerà secondo fasi operative riassunte nel seguente schema

FASE A: Analisi dei PROCESSI AZIENDALI, Analisi degli Strumenti Aziendali e Definizione dei KPI di Processo

Obiettivo A1

Progettare e addestrare un modello di intelligenza artificiale in grado di predirre con un’affidabilità di almeno il 95% il numero di operatori necessari a soddisfare il carico di lavoro per rispondere a tutte le telefonate ricevute in ingresso.


FASE B:

Obiettivo B1

Progettare e addestrare un modello di intelligenza artificiale in grado di predirre l’esito finale della pratica in funzione dei dati generici di affido e/o dagli stati di avanzamento intermedi identificati dagli operatori in funzione delle azioni di gestione del servizio in outsourcing.


FASE C:

Obiettivo C1

Introdurre in azienda il know-how relativo all’intelligenza artificiale per poter eventualmente identificare ulteriori processi che necessitano una revisione e che ad oggi non dispongono di una soluzione più efficiente presente sul mercato.

Il raggiungimento degli obiettivi consentirà inoltre di migliorare la competitività aziendale nei confronti dei propri competitor e porrà l’azienda in posizione di Leadership in quanto sul mercato non sono presenti soluzioni simili.

I modelli da realizzare ed addestrare possono avere una affidabilità superiore del 97%

Oltre alla soluzione diretta delle problematiche evidenziate, il progetto si pone come punto di partenza per l’applicazione di una metodologia scientifica di analisi e soluzione delle problematiche sui processi operativi basato su intelligenza artificiale.

L’approccio alla soluzione di problematiche basato su intelligenza artificiale consente la risoluzione di altre problematiche oggi irrisolte con la tecnologia attuale.


A livello di visibilità / marketing la riuscita del progetto consentirebbe alla vs. azienda di offrire un prodotto altamente qualitativo e maggiormente performante sia in termini di tempistica che di efficacia dell’azione di intervento e, di conseguenza, la clientela potrebbe utilizzarlo sempre più in applicazioni critiche dove viene riconosciuto un maggior livello qualitativo del prodotto e di conseguenza viene riconosciuto anche un maggior livello economico.