HEMA innoveert: chatbots voor snellere én betere service

In het huidige landschap van webcare en online klantenservice kunnen organisaties er niet meer omheen: het aantal vragen en klachten van consumenten via social media en messaging kanalen blijft groeien. We zijn daardoor veelal op zoek naar schaalbare oplossingen om tóch excellente service te kunnen blijven bieden.

Ook HEMA, die de missie heeft om het dagelijkse leven van mensen leuker en makkelijker te maken, zag hier een uitdaging. De oplossing werd gevonden in chatbots als conversational agent. Wij spraken Ronald Gerrits, Webcare Coördinator bij HEMA, over het proces rondom deze innovatieslag en de rol van OBI4wan in het ontwikkelen, trainen en implementeren van slimme chatbots voor een verbeterde klantervaring.

HEMA is niet meer weg te denken als één van de grootste Nederlandse merken op social media. Met een fanbase van ruim 700.000 fans op Facebook, 60.000 volgers op Twitter en 246.000 volgers op Instagram, is HEMA een stabiele factor op social media. Een gedegen strategie voor de social media management, campagnes en engagement heeft ervoor gezorgd dat het oer-Hollandse merk de afgelopen jaren duizenden fans aan zich heeft weten te binden. Op een humoristische wijze koppelt HEMA haar producten aan de actualiteit. Wie kent bijvoorbeeld niet de beroemde inhakers via social media, de befaamde back-to-school campagnes en de heerlijke webcare-reacties?

pasted-image-at-2018_04_19-09_48-am

Het groeiende aantal fans op social media zorgde ook voor een groei in het aantal klantcontactmomenten via online kanalen. Webcare werd in het leven geroepen en inmiddels heeft de afdeling een volwassen plaats binnen de organisatie veroverd. Klantcontact staat hoog in het vaandel. Zo won HEMA in 2016 de CCDNA award voor meest klantgerichte offline retailer en werd bovendien in 2017 genomineerd voor De Beste Social Awards in de categorie Beste Merk. De bijzondere eenvoud van HEMA kent geen grenzen. De winkelketen is ook erg actief en heeft inmiddels meer dan 200 winkels in Spanje, Engeland, België, Duitsland, Luxemburg, Frankrijk en Oostenrijk. Dubai volgt later dit jaar als eerste land buiten Europa. 

Het groeiende belang van webcare

De afgelopen jaren is het aantal serviceberichten dat HEMA ontvangt via social media- en messaging kanalen enorm gestegen. In 2017 werd een stijging gemeten van 60% ten opzichte van 2016. En ook in 2018 blijft deze groei merkbaar. Vooral kanalen als Facebook Messenger stijgen enorm in populariteit en inmiddels behandelt HEMA zo’n 30.000 berichten per maand, waarvan gemiddeld 8000 berichten via messaging kanalen.

Vragen die aan HEMA worden gesteld variëren van vragen over producten of winkels, tot vragen over het in 2017 gelanceerde loyaliteitsprogramma ‘Meer HEMA’. Elke conversatie wordt getagd met het specifieke onderwerp, waardoor de meestgestelde vragen heel precies in kaart kunnen worden gebracht.. Hiermee kunnen structurele verbeterpunten worden geïdentificeerd.

“Webcare is voor HEMA belangrijk omdat het inzicht geeft in de beleving van producten en/of campagnes bij klanten. Via webcare krijgen we ook de ongezouten meningen, of juist complimenten over producten en campagnes. Deze informatie verzamelen we en nemen we mee als feedback om campagnes en producten te optimaliseren”, aldus Ronald.

hema-barcelona-1

Innovatieslag: chatbots binnen klantcontact

Goede klantenservice is het allerbelangrijkste vertrekpunt voor organisaties. In 2017 is HEMA verder gaan kijken naar oplossingen om klantcontact via social media en messaging kanalen te verbeteren. De groeiende aantallen in combinatie met de wens om technologisch te vernieuwen, hebben ertoe geleid dat HEMA meerwaarde zag in toepassing van chatbots. 

“Een chatbot helpt je op weg om efficiënter te werken. Hij vangt alvast de makkelijke vragen af. Zo kunnen de webcare agents zich focussen op het oplossen van de vragen.”

Doordat alle binnenkomende berichten al worden getagd met onderwerp, werd er gekozen voor een tweetal thema’s waarbij een chatbot van toepassing kon zijn, namelijk: vragen over ‘Meer HEMA’ of vragen over online orders. Bij deze vragen ontbrak vaak de benodigde informatie voor de agent, zoals een ordernummer of e-mailadres, waardoor een agent eerst de ontbrekende informatie moet opvragen bij de klant om de klant goed te kunnen helpen. Dit is voor de klant nadelig, omdat de doorlooptijd van conversaties daarmee langer duurt. Uiteraard heeft dit direct effect op de klanttevredenheid.

Een chatbot als werkvoorbereider bood uitkomsten: de chatbot kan vooraf de vraag stellen waarbij hij vraagt naar aanvullende klantinformatie. De medewerker die vervolgens aan de slag gaat met de vraag, heeft direct alle benodigde informatie en kan de klant sneller het juiste antwoord geven.

De combinatie van mens en technologie wordt hierbij optimaal benut. Gemakkelijke vragen kunnen worden geautomatiseerd, waarmee meer tijd overblijft voor de medewerkers om de complexere vragen af te handelen. Hierbij wordt niet ingeleverd op de customer experience, maar wordt de service die verleent wordt door de medewerkers alleen maar waardevoller en persoonlijker. Een chatbot geeft je daarmee de mogelijkheid om een stap extra te zetten voor de klant.

image-1

Taken definiëren

De eerste stap in de ontwikkeling van de chatbot was het doel bepalen, maar vooral ook welke taken daarbij horen. Welke vragen handelt de chatbot af? En welk doel heeft de chatbot? In dit geval was het doel om de werkdruk van de medewerkers te verlagen en klanten sneller te kunnen helpen door vooraf automatisch de ontbrekende informatie op te vragen. Daarna werd het tijd om regels te bepalen waaraan de chatbot zich moet houden. Welke vraag moet door de chatbot worden gesteld om tot het juiste antwoord te komen? En wanneer mag de chatbot in actie komen? Maar vooral ook: wanneer niet?

“We leerden de chatbot om ordernummers te herkennen. Zo is het bij een vraag over een iTunes bestelling, die een ander soort ordernummer heeft dan een reguliere online order, ook nodig om een postcode van de klant te hebben om de vraag te kunnen beantwoorden. Zo leert de chatbot welke informatie voor welke specifieke vraag nodig is”, aldus Ronald. 

“We leerden de chatbot om ordernummers te herkennen. Zo is het bij een vraag over een iTunes bestelling, die een ander soort ordernummer heeft dan een reguliere online order, ook nodig om een postcode van de klant te hebben om de vraag te kunnen beantwoorden. Zo leert de chatbot welke informatie voor welke specifieke vraag nodig is”, aldus Ronald.

Uitzonderingen

Op het moment dat een chatbot in staat is om ordernummers te herkennen, is deze ook in staat om foutieve ordernummers te herkennen. Het is dan nodig om als organisatie na te denken wat de gewenste vervolgactie is. Op het moment dat een chatbot aangeeft dat het ordernummer foutief is, maar de klant ervan overtuigd is dat dit wel klopt, is er kans op herhaling van de chatbot en dus ook op irritatie bij de klant. Dit soort keuzes worden afgevangen met zogenaamde business rules, een set aan regels die precies aangeven wat een chatbot wel en niet moet doen.

In het geval van HEMA werd gekozen om berichten met een foutief ordernummer open te laten staan voor een webcare medewerker. Hierbij stopt de actie van de chatbot nadat het (foutieve) ordernummer is ontvangen. Dit voorkomt herhaling van de chatbot en frustratie bij de klant. De medewerker kan hierbij zelf inschatten wat er nodig is om de vraag goed te kunnen beantwoorden.

hema-opent-winkel-in-londen

De resultaten

De chatbot werd intern gelanceerd door de CEO van HEMA. Onder andere om intern bewustwording te creëren voor het werk op de webcare afdeling. Na een pilot van een aantal maanden was Ronald in staat een aantal resultaten met ons te delen:

  • Via Facebook Messenger betrof 29,4% van alle berichten een vraag over een online order of ‘Meer HEMA’. Van al deze berichten werd in 17,2% van de gevallen geen ordernummer of pasnummer meegestuurd. Doordat de chatbot dit kon uitvragen, heeft dit tijd bespaard voor de webcare agents.
  • Over de gehele conversatie met klanten is een gemiddelde tijdwinst van 2 uur meetbaar geworden om het probleem van klanten op te lossen.

Daarnaast lanceerde HEMA een tweede chatbot, die berichten automatisch verwerkt waarin mensen elkaar alleen taggen, dus waarbij geen menselijke handeling of reactie nodig is. In de afgelopen periode betrof dit 11,7% van alle berichten. Handmatig beoordelen en verwerken van deze berichten door agents is hiermee niet langer nodig. 

Optimalisatie als continu proces

De chatbots van HEMA worden continu geoptimaliseerd. Door middel van handmatig beoordelen of de chatbot iets goed of fout heeft gedaan óf dat de chatbot niet in actie kwam waar het wél gewenst was, kan de chatbot beter leren inschatten wanneer hij zich mag mengen in een gesprek.

“Door zelf een test in te voeren, krijg je een beter gevoel bij wat de chatbot voor je organisatie en klanten betekent. Neem de tijd voor deze stap, want het succes van de chatbot heeft direct invloed op de klanttevredenheid.”, aldus Frank Smit, CIO van OBI4wan.

Een blik op de toekomst

Als het aan Ronald ligt is HEMA klaar om in de toekomst verder te innoveren.

“We zijn aan het kijken hoe we de chatbot kunnen uitbreiden binnen Facebook Messenger, maar onze focus ligt ook op de bredere toepassing bij onze klantenservice. Hierbij denken we bijvoorbeeld aan de FAQ op onze website.”

Als tip geeft Ronald nog mee om gewoon te beginnen met chatbots: “Ga gewoon aan de slag met chatbots. De technologie maakt het mogelijk om klantvragen sneller te beantwoorden. Experimenteer met deze technologie en kijk of het past bij wat jij als organisatie wil bieden.”