Process Mining en telefoniedata: een praktijk voorbeeld

In combinatie met Lean technieken heeft Process Mining haar meerwaarde bewezen voor allerlei functies, afdelingen en branches. Voorbeelden van toepassingen zijn het in kaart brengen van het gebruik van je software, de klantreis langs verschillende afdelingen of het klikgedrag op je website, om je product of dienstverlening vervolgens te kunnen verbeteren. Nog een mooi voorbeeld van hoe Process Mining ingezet kan worden is het inzichtelijk maken en analyseren van je telefoniedata. Bedrijven met veel telefonisch klantcontact hebben bergen data over het externe en interne telefoonverkeer en vaak zelfs mooie dashboards om data inzichtelijk te maken: hoe lang staan klanten gemiddeld in de wachtrij, hoe vaak worden zij doorverbonden, hoe lang duurt een gesprek gemiddeld bij medewerker X, en ga zo maar door.

Problemen kunnen hiermee gedetecteerd worden, bijvoorbeeld dat medewerker X gemiddeld sneller een telefoontje afhandelt of meer doorverbindt dan medewerker Y. Maar hoe ga je hier vervolgens mee aan de slag? Je kunt de medewerker sturen op het inkorten van zijn of haar gesprekken of een training aanbieden, maar het liefst wil je weten wat de oorzaak is van de verschillen. Als de wachttijd voor de klanten te lang is kun je de afdeling ervan langs geven, maar het liefst wil je dieper graven in de bak met beschikbare data totdat je weet wat er écht aan mankeert.

Telefoniedata

De oplossing van deze problematiek ligt in Process Mining. Met behulp van deze tool kun je telefoniedata omzetten in nuttige inzichten om op basis van data interne processen te verbeteren: Welke routes worden door de meeste calls gevolgd? Waar liggen de bottlenecks? Tussen welke medewerkers wordt veel doorgeschakeld? Natuurlijk kan de medewerker hier deels inzicht in geven, maar nog nauwkeuriger is het om de data het verhaal te laten vertellen. Om zo vervolgens te kunnen sturen op basis van feiten in plaats van op onderbuikgevoelens.

Casus

Recentelijk zijn wij door een van onze klanten gevraagd om het telefonieverkeer te analyseren en waar mogelijk te verbeteren. Deze klant, een grote serviceorganisatie, had onder meer de volgende twee ambitieuze doelen:

  • het First Time Right (FTR) percentage, het percentage klanten dat in één keer naar de juiste persoon doorverbonden wordt, verhogen naar 95%;
  • de wachttijd verlagen naar 15 seconden in 95% van de gevallen.

Process Mining is dé tool uit de Lean Six Sigma toolbox om dergelijke problemen te lijf te gaan. Wij delen graag onze aanpak en uitkomsten met jullie.

Telefoniedata

Voorbereiding

Het beschikbaar hebben van veel telefoniedata, zoals bij dit project het geval was, was een vloek en zegen tegelijk. Een zegen omdat de data het analyseren tot in detail mogelijk maakte, een vloek omdat de hoeveelheid datalabels zorgde voor grote complexiteit. Wat betekenen de zes verschillende tijdvariabelen en welke zijn relevant om de wachttijd voor de klant te berekenen? Is een nieuw deelgesprek ruggespraak (waarbij de klant in de wacht staat) of wordt de klant doorverbonden? Wat betekent het als de bellende partij niet gelogd is?

Hoe verleidelijk het ook is om zo snel mogelijk te starten met analyseren, het is key om eerst de data helemaal te begrijpen. Dit kost veel tijd, veel gesprekken met de ontwikkelaars van de telefooncentrale en de bellers, maar het voorkomt dat op basis van foute aannames met je data aan de slag gegaan wordt. De vervolgstappen zijn het opschonen en prepareren van de data voor analyse.

Analyse

Binnen Process Mining wordt specifieke software gebruikt om het verloop van processen inzichtelijk te maken. Door het inladen van de in de vorige fase geprepareerde dataset wordt direct de ‘happy flow’, de gangbare route van het telefonieverkeer, zichtbaar.

Ruim de helft van de inkomende telefonie wordt direct door de eerste medewerker afgehandeld: First Time Right. Dit is, vergeleken met andere organisaties, al een zeer hoog percentage, maar de organisatie streeft naar 95%.

Om dit FTR-percentage te verhogen zijn we juist op zoek naar patronen bij de inkomende telefonie die veel doorgeschakeld worden. Uit de data blijkt dat een specifiek team onevenredig veel telefonie doorgeschakeld krijgt. Dit zou kunnen duiden op een onduidelijk keuzemenu, waardoor bellers bij de verkeerde afdeling terecht komen. Omdat de telefoniedata uitwijst dat dit team vervolgens veel van deze belletjes ook weer doorzet naar andere teams, zou het ook kunnen betekenen dat er onduidelijkheid bestaat bij andere afdelingen welk team waarvoor verantwoordelijk is. “Ik schakel maar door naar dat team of die medewerker, die weet het vast wel” is wat we veel binnen klantcontactcentra tegenkomen. Ook kan het zijn dat doorschakel-nummers gedateerd zijn en inmiddels bij een ander team of persoon horen.

Door het brede scala aan analysemogelijkheden binnen Process Mining is tot in detail na te gaan wat de problematiek van het te lage FTR-percentage veroorzaakt. De ‘waarom’ wordt echter alleen beantwoord door in gesprek te gaan met medewerkers en daarin de uitkomsten van de analyse te verifiëren en verder te bespreken. Dit is de reden waarom wij niet geloven in Process Mining als stand-alone oplossing, maar alleen als onderdeel van een bredere verbeteraanpak. Op basis van onze analyse wordt momenteel hard aan het verhogen van de FTR gewerkt, onder meer door het verhelderen van de verantwoordelijkheden per team, vereenvoudigen van de nummerstructuur en training van de medewerkers zodat zij taken van elkaar kunnen overnemen.

Doordat Process Mining het afgelegde proces per beller zichtbaar maakt, is het eenvoudig te herleiden waar de wachttijd per telefoongesprek in gaat zitten. Onze eerste analyse wees uit dat een kwart van de inkomende telefonie binnen de streeftijd van 15 seconden werd opgenomen, ruim onder het doel van 95%. Door het graven in de beschikbare telefoniedata bleek echter dat een van de grondoorzaken het huidige telefoniesysteem is, die een groot deel van de 15 seconden al opsnoepte voordat de inkomende oproep daadwerkelijk overging op de telefoon van een medewerker. Daarnaast kwamen de pieken in oproepen niet overeen met de pieken in de beschikbaarheid van medewerkers, waardoor de telefooncentrale regelmatig onderbezet was.

 

Telefoniedata

De beste aanpak om deze oorzaken weg te nemen? Sessies met de medewerkers leverden onder andere het faciliteren van telefonische beschikbaarheid bij thuiswerken en inrichten van vaste telefoniediensten per team op. Binnen Lean Six Sigma zoeken we altijd allereerst naar de eenvoudigste en goedkoopste oplossingen voor problemen in processen. Hebben deze niet het gewenste effect, dan kunnen we doorschakelen naar de meer kostenintensieve oplossingen, zoals een ander telefoniesysteem in dit geval.

Wat betekent dit voor mijn organisatie?

Door de inzichten die het gebruik van Process Mining voor deze serviceorganisatie heeft gebracht, kunnen zij fact-based aan de slag met het behalen van hun doelstellingen op het gebied van FTR en wachttijd. Telefoniedata is moeilijk om grondig te analyseren, maar Process Mining maakt dit mogelijk! Wilt u meer inzicht dan alleen de dashboards? En ben je benieuwd wat Process Mining en Lean Six Sigma voor jouw organisatie kunnen betekenen? Wij vertellen je hier graag meer over. Je kunt hiervoor altijd contact met ons opnemen of bekijk onze trainingen eens.

Ook interessant:


Source image: techmania.nlsalesforce.com  linkedin.com casinoz.biz