Une étude publiée par le Harvard Business Review Analytic Services offre une nouvelle perspective sur l'apprentissage machine appliqué au parcours client. Deux cas d’usage tirés du rapport démontrent la façon dont le ML peut améliorer l'expérience de la cible ultime d'une entreprise, le client. 

Le nouveau rapport de Harvard Business Review Analytic Services, en association avec CI&T, décrit une évolution vers une application plus pragmatique et plus accessible de l'apprentissage machine et de sa valeur dans le parcours du client.

« Chaque parcours client recèle un potentiel inexploité que l'apprentissage machine peut aider à révéler, explique le rapport, y compris de nouveaux modèles commerciaux, produits et services et des revenus supplémentaires ». Pour illustrer le changement de perspective qui s'impose, voici deux cas emblématiques cités dans le rapport.

Prendre la problématique par le bon bout 

Une grande compagnie d'assurance souhaitait améliorer ses capacités de détection des fraudes en matière de remboursement des frais médicaux des patients.  Elle a commencé à utiliser l'apprentissage machine pour identifier la typologie des clients les plus susceptibles de frauder. Mais quelques dirigeants se sont demandé en quoi cela aidait la grande majorité des clients, qui attendaient habituellement des semaines avant d'obtenir un remboursement.

La question est devenue donc de savoir comment mieux détecter ce qui n'est pas de la fraude afin d'accélérer les remboursements. Cette fois, la compagnie a utilisé la même technologie d'apprentissage pour identifier les clients les moins susceptibles de frauder. Grâce à ces leçons, l'entreprise a pu accélérer le remboursement des frais médicaux d'une grande partie de ses sept millions de clients en quelques jours.

Une machine proactive fluidifie le parcours client

Une autre organisation qui a identifié et cherché à résoudre les difficultés de ses clients avec l'apprentissage machine possède un réseau de laboratoires médicaux, et dont les revenus s'élèvent à 1 milliard de dollars. L'entreprise connaissait un taux d'abandon élevé lorsque les patients essayaient de programmer sur le site web des rendez-vous pour des tests en laboratoire.

Après avoir creusé la question, l'entreprise s'est rendu compte que les patients commençaient le processus en ligne, mais, incapables de déchiffrer l’écriture manuscrite de leurs médecins, ils abandonnaient le web pour téléphoner à un agent.

En utilisant les données des deux années précédentes seulement, l'entreprise a développé un modèle d'apprentissage machine qui a répertorié les corrélations entre les tests en fonction des pathologies. Elle a ensuite été en mesure de créer une application qui suggère automatiquement les tests connexes lorsque les patients commencent à taper leur premier test. En conséquence, l'entreprise a augmenté de 25 % la planification en ligne.

L'apprentissage machine est très prometteur lorsqu'il s'agit d'améliorer l'expérience client, néanmoins, il reste impératif d’introduire l’apprentissage machine dans le cadre d’un projet bien défini et spécifiquement orienté vers l’interaction avec le client. Car, « les projets d'apprentissage machine ne sont généralement pas motivés par les interactions avec les clients, mais plutôt par les besoins d'automatisation, constate le rapport ».

Source : Harvard Business Review Analytic Services