Réduire l'insatisfaction client et personnaliser l'UX grâce à l'IA
@ Orange
Principales réalisations
- Anticiper les réclamations client récurrentes
- Identification en temps réel des problématiques client récurrentes
- Simplification des processus pour les conseillers téléphoniques
- personnalisation de campagnes marketing ...
... grâce à la mise en place de trois projets de Machine Learning industrialisés, automatisant des tâches du service client complexes pour des humains.
Client
Orange est le leader ou le second opérateur de télécommunications dans la plupart des pays européens, ainsi qu'en Afrique, avec un total de 266 millions de clients.
J'ai travaillé pour le service de données B2B d'Orange France pendant deux ans (2016-2018) :
- la première année en tant que Data Engineer, à développer une plateforme de Big Data.
- la seconde en tant que Data Scientist, à réaliser trois projets de Data Science basés sur les données nouvellement disponibles.
Processus & Résultats
Avec la création de la nouvelle plateforme Big Data B2B, l'équipe dans laquelle je travaillais avait ouvert de nouvelles opportunités : de multiples sources de données sur la relation client étaient pour la première fois accessibles de manière simple et centralisée, avec tous les outils nécessaires pour les analyser.
Le service client implique de nombreuses tâches répétitives et des données volumineuses et variées, difficiles à interpréter pour un humain : des cas parfaits pour des automatisations grâce au Machine Learning.
1.
Instaurer la confiance auprès des équipes commerciales en prédisant la réitération des appels au service client
Nous devions d'abord trouver du soutien parmi les équipes commerciales pour qu’elles nous confient l’automatisation de tâches avec du Machine Learning.
Nous avons donc imaginé nous-mêmes un premier cas d'application : si nous pouvions prédire quels clients étaient susceptibles de réitérer un appel au service client, des actions pourraient être prises de manière préventive pour résoudre leur problèmes et éviter l'insatisfaction.
La démonstration des premiers résultats était satisfaisante et nous nous sommes vu confier deux autres projets !
2.
Faciliter le suivi du service client en classant automatiquement les motifs d'appel
Pour identifier les problèmes récurrents rencontrés par les clients, dès leur apparition, nous avons été missionnés d'automatiser la classification des motifs d'appel à partir d'un champ de texte libre rempli par les conseillers téléphoniques.
Nous avons construit et industrialisé un algorithme en temps réel, plus fiable que la classification auparavant réalisée par les conseillers, et leur libérant du temps.
3.
Personnaliser les campagnes marketing en identifiant les profils types de clients
L'équipe marketing cherchait à cibler ses communications avec les clients en fonction de leur appétence au numérique et de leur tendance d’interaction avec les différents canaux de l'entreprise (téléphone, sites, applications, …).
Nous avons élaboré un algorithme d'apprentissage non supervisé qui permettait d’identifier des groupes pertinents d’utilisateurs aux usages similaires, et de faire évoluer cette classification automatiquement avec les usages.
Sur ces trois projets, j'ai été le principal contributeur sur ces trois projets, avec l’aide ponctuelle d’un Business Analyst qui pouvait m’aider avec son expertise des données de l’entreprise.
Méthodes et outils :
Machine Learning, Apprentissage semi-supervisé, Apprentissage non supervisé, NLP, Méthodologie Agile.
Hadoop, Hive, Scala, Spark, Spark ML, Spark MLlib, Apprentissage supervisé.
Vous souhaitez échanger sur vos problématiques ou collaborer ?