Hoe Univé’s klanten de vruchten plukken van chatbots!

Het Customer Experience team van Univé heeft als belangrijke doelstelling om effectief klantcontact te bieden en klanten met minder complexe klantvragen via de digitale weg te helpen. Op deze manier biedt de organisatie verzekerden een persoonlijke klantbeleving.

Het aantal klantvragen op WhatsApp is enorm toegenomen het afgelopen jaar. Ties en Mathijs zochten naar een manier om de groeiende volumes op WhatsApp te kunnen beheersen en om ook buiten openingstijden bereikbaar te kunnen zijn. Een chatbot biedt de mogelijkheid om snel en op het juiste kanaal te reageren.

Om in kaart te brengen wat een chatbot voor Univé kan opleveren, voerden de analisten van Spotler Engage een feasibility rapport uit. Deze haalbaarheidsanalyse brengt in kaart hoe de chatbot technologie kan bijdragen aan beheersbare klantvolumes op WhatsApp en een snellere servicetijd. Ties legt uit:

“Bij Univé vinden we het belangrijk om onze klanten snel en op de juiste manier te woord te staan. De chatbot past goed bij onze klantcontactdoelen en waarden, bijvoorbeeld om altijd bereikbaar te zijn. Onze WhatsApp en social mediakanalen zijn geïntegreerd in de webcare omgeving van Spotler Engage. De integratie van een chatbot was een logische vervolgstap bij het optimaliseren van onze service.”

Vóór implementatie van de chatbot, wilde Univé onderzoeken hoeveel vragen de chatbot naar verwachting kon beantwoorden. Het team koos ervoor om een feasibility analyse te laten uitvoeren. Het chatbot feasibility rapport is een op maat gemaakte analyse die inzicht geeft in wat een chatbot een organisatie kan opleveren. Uit de analyse kwam naar voren dat de chatbot naar schatting 12,8% van het aantal berichten kan beantwoorden en dat een bot kan zorgen voor snellere reactietijden (ook buiten openingstijden). Mathijs legt uit:

“Het rapport geeft ons een mooi en duidelijk cijfermatig overzicht en gaat heel concreet in op waar de voordelen van een chatbot voor ons zitten. Ook kregen we dankzij de analyse inzicht in het aantal berichten dat een chatbot kan afvangen en welke vragen geschikt zijn voor de chatbot.”

Vooraf werd met het team een tijdsplanning voor de implementatie van de chatbot bepaald. Samen met de experts van Spotler Engage stemden Mathijs en Ties de flows af en schreven ze de conversaties helemaal uit. De bot werd klaargezet in een testomgeving, waar de klantadviseurs de chatbot trainden met klantvragen uit het verleden. Door het verzamelen en bundelen van de klantvragen konden ze achterhalen welke vragen het vaakst werden gesteld en hoe de klant deze stelde. Ties voegt toe:

“We hebben getest of de chatbot op de gewenste manier reageerde en op basis hiervan hebben we steeds aanpassingen gedaan. Daarna hebben we de bot live gezet in de testomgeving. We merkten dat we de bot nog wel moesten trainen in die eerste periode, want je kunt niet direct op alle mogelijke vragen een pasklaar antwoord hebben. Na de – relatief korte – testperiode was de chatbot helemaal klaar voor implementatie en was chatbot ‘Vera’ geboren! Het was erg prettig dat de implementatie zo vlot verliep.”

Het hele proces heeft bij elkaar tweeënhalve maand geduurd. Van het uitschrijven van de flow en het testen door adviseurs tot de echte livegang.

Qua servicelevel is de reactietijd van Univé op WhatsApp en andere kanalen vastgesteld op een uur. Wegens toename van volumes op alle kanalen, was het een uitdaging om dit servicelevel te bereiken. Sinds de introductie van de chatbot is de gemiddelde reactietijd aanzienlijk verkort. Mathijs ziet na de eerste paar maanden dat de voorspelling over het aantal berichten dat een chatbot oppakt van het feasibility report tot op de komma nauwkeurig klopt. Na vier maanden werd inderdaad 12,8 procent van alle berichten behandeld door de chatbot!

Mathijs legt uit dat hij het eerste jaar vooral wil leren van de chatbot en niet zozeer kijkt naar cijfers. Daarnaast zijn de data kwalitatief, wat maakt dat er niet per definitie een business case van gemaakt kan worden. Niet alle voordelen zijn uit te drukken in cijfers. “We weten kwantitatief bijvoorbeeld dat van alle chatbot berichten, 15 procent buiten openingstijden wordt opgepakt. Maar wat dat betekent voor onze klanten, is vooralsnog moeilijk in waarde uit te drukken”, aldus Mathijs.

Het Customer Experience team heeft in de maanden na implementatie van de chatbot actief de klanttevredenheid gemeten en de resultaten vergeleken met gesprekken van voor de implementatie. Wat blijkt? De NPS-scores zijn gelijk in conversaties met en zonder een chatbot.

Ties legt uit dat de klant altijd op de hoogte is van het feit de chatbot nog in opleiding is, als een conversatie van start gaat. Hiermee wordt de verwachting bij de klant geschept dat een gesprek net iets anders kan verlopen. Daarnaast wordt er ook altijd een medewerker gekoppeld aan de chatbot en kan het gesprek door een medewerker worden overgenomen.

De geluiden van het serviceteam zijn erg positief. Voordat het team begon met de chatbot, vroegen de servicemedewerkers al regelmatig naar een oplossing voor het beantwoorden van standaardvragen. Dat werk wordt het team nu uit handen genomen. De chatbot wordt ingezet als werkvoorbereider en vraagt de klant informatie te delen, waardoor de klant gelijk te woord wordt gestaan en er voor de medewerkers meer ruimte is voor de inhoud van de complexere vragen.

Als je kijkt wat een chatbot nu doet binnen Univé, dan is dat geen rocketscience. Hij vraagt voornamelijk gegevens uit. Toch zorgt alleen dát al voor een impact op zowel het team als de klanttevredenheid. Het grote voordeel voor Univé is dat je veel vragen geautomatiseerd kunt beantwoorden/behandelen. Ties geeft dan ook als tip om klein te beginnen en daarvan te leren:

“Richt je op de vragen waar veel volume op zit, zoals het verwerken van een vrijwaringsbewijs. Gebruik deze inzichten vervolgens om je webcare te optimaliseren en verder op touw te zetten.”

Een praktische tip die Ties en Mathijs nog mee willen geven: “Tijdens de integratie van een chatbot werkt het goed om deze gelijk als medewerker te beschouwen. Dit kun je doen door je chatbot een naam te geven. Univé noemt haar chatbot Vera. De overgang van chatbot naar een live gesprek met een medewerker moet bovendien duidelijk zijn. Dan weet een klant altijd wat hij of zij kan verwachten.”