One size fits none:

Hoera voor hyperpersonalisatie?

Stel je even voor. Je hebt een factuur gemist van je energiemaatschappij en had op het moment van afschrijving niet voldoende saldo. Je bent doorgaans slecht bereikbaar via de telefoon, maar je behoort tot een groep digitale early adopters. Hoe fijn zou het dan zijn als je energiemaatschappij dit herkent én erkent? Zodat je een betaallink via Whatsapp ontvangt, in plaats van dat je meteen gebeld wordt. En als je die Whatsapp niet opent, je eerst een mailtje ter herinnering ontvangt. De juiste oplossing voor de juiste debiteur, dat is waar credit management in de komende jaren naartoe beweegt. Dat levert een hogere klanttevredenheid én een meer efficiency op. Een artikel over de voordelen van de toepassing van personalisatie bij Collections.

Traditioneel incasseren

Incasso komt vanuit een sterk op het proces gerichte praktijk: welke stappen kunnen er ingericht worden om zoveel mogelijk debiteuren alsnog tot betalen te bewegen? Met een focus op het proces, worden er stappen geautomatiseerd die bedacht zijn vanuit een ‘one size fits all’ strategie. Een email op dag 3, een sms op dag 7 en een brief op dag 15. Als je geluk hebt, misschien nog een belletje en na 30 dagen overdragen voor een minnelijk incassotraject. Hoewel deze aanpak absoluut effect heeft, blijft het wel achter op de steeds verdergaande klantfocus die organisaties ontwikkelen. De aanpak is ronduit onpersoonlijk, sluit lang niet altijd aan bij de behoefte van je klant én kost potentieel onnodig geld. In breder perspectief laten de ontwikkelingen in klantcontact zien dat sturing op klanttevredenheid zorgt voor betere resultaten*. Een ontwikkeling die gelukkig ook in credit management steeds meer voet aan de grond krijgt. Elke debiteur (en de reden voor een betalingsachterstand) is verschillend, dus waarom zou de benadering dat dan niet zijn?

Veel organisaties zijn nog zoekende naar de beste manier om de klantbeleving te verbeteren in het credit management proces. Dat de inzet van data hierin kan helpen, daar is iedereen het wel over eens. Maar de beslissingen bij collections volledig overlaten aan computers? Dat voelt voor veel organisaties nog als een brug te ver. En dat is ook begrijpelijk. In één keer de stap maken van een vaststaand proces naar een vloeibaar computergestuurd proces is groot. Wees gerust; er zijn overzichtelijke tussenstappen te maken. Stappen die ervoor zorgen dat je eerst zelf meer grip op je eigen data gaat krijgen en waarmee je inzichten verkrijgt die je gaan helpen je debiteuren persoonlijker te benaderen.

Segmenteren

Een mooie eerste stap is om op basis van al beschikbare data keuzes te gaan maken voor de benadering. Denk daarbij bijvoorbeeld aan het maken van onderscheid tussen leeftijdscategorieen en daarbij aannames doen over voorkeurscontactkanalen. Een andere boodschap opstellen voor zogeheten ‘first offenders’. Kiezen voor een andere insteek op basis van de hoogte van het openstaande bedrag. Allemaal voorbeelden van segmentatie die je vaak al kunt maken op basis van beschikbare data. Je kunt daarbij kiezen voor het testen van een hypothese en op basis van de uitkomsten vervolgens bijsturen. Ook data over het betaalproces zelf kan hierbij vervolgens sturing geven: is die mail met betaallink na 48 uur niet geopend? Dan is dat misschien een mooie trigger om dat sms-bericht eruit te sturen. Is de mail wel geopend, maar er is niet op de link geklikt? Misschien past een reminder via mail dan wel beter, na 72 uur. Wij zien dat die datagedreven aanpak al zorgt voor de eerste verbeteringen van de klantgerichtheid van je proces: wat werkt trek je door, wat niet werkt stel je bij. Dat levert een beter bereik en een hogere tevredenheid. Deze eerste succesvolle inzet van data, maakt de geest rijp voor een mooie vervolgstap.

Personaliseren

Alhoewel we met collections op basis van segmentatie afgestapt zijn van een one size fits all strategie, denken we nog steeds in groepen. Dat is al beter voor de klantbeleving, maar je gaat natuurlijk pas echt scoren bij je klanten, als je de best passende oplossingen biedt die voor specifiek voor hen gelden. Wanneer je nog niet veel weet over het betaalgedrag van je klant, omdat je dit voorheen nog niet bijhield, of omdat je klant net nieuw is, dan is segmentatie op basis van een aantal aannames een prima vertrekpunt. Daarna ga je data verzamelen. Data over de gemiddelde betalingsduur, het voorkeurskanaal waarop contact het beste verloopt, de beste tijd om iemand te bereiken, het aantal keer dat iemand in achterstand raakt, noem maar op. Vervolgens bepaal je wat welke data betekent voor je proces. Als iemand voor het eerst in achterstand raakt en als voorkeurskanaal e-mail heeft, wat betekent het dan specifiek voor de tekst in de mail voor deze persoon? En wat betekent het voor de gespreksinsteek als deze debiteur een eerste telefoontje krijgt? Wat ga je in het proces wijzigen als een debiteur structureel één dag voor het verstrijken van de termijn betaalt en jij op de achtergrond steeds al kosten aan het maken bent voor een herinneringstraject?

Door te definiëren welke data aanzet tot welke acties, ontwerp je alle bouwstenen van een incassotraject. En dan wordt de stap ineens een stuk kleiner om de machine het werk te laten doen: die kan immers beter en sneller constateren wat voor type debiteur hij voor zich heeft, waar deze zich in het traject bevindt én welke actie hieraan verbonden moet worden voor een snelle betaling en hoge klanttevredenheid. Een mooi voorbeeld is de Regelingen Robot van Mail to Pay, waarbij per debiteur gezocht wordt naar het beste betaalmoment, de best passende hoogte van het bedrag en waarbij gemaakte afspraken vervolgens geheel automatisch worden opgevolgd en aangepast indien nodig. Net als in dat voorbeeld, kan een machine namelijk op basis van data snel verandering in gedrag constateren en daarop acteren. Misschien wijzigt het inkomen van een debiteur, of de datum waarop het salaris wordt gestort door een baanwissel. Het zou zomaar kunnen betekenen dat een ander proces beter past. Of misschien raakt de debiteur gewend aan de nieuwe digitale mogelijkheden? En is een Tikkie sturen ineens een veel passender middel dan dat belletje? De inzet van machine learning helpt je om continu te blijven zoeken naar de beste vervolgstap voor een specifieke debiteur. Fact based, en uiteindelijk zonder aannames.

Maar wat is er nodig?

Om in de toekomst in staat te zijn elke klant op het juiste moment, via het juiste kanaal de juiste betalingsoplossing te bieden, moet je in staat zijn om relevante data op te slaan, te ontsluiten en te interpreteren. Dat vergt een juiste inrichting van al je systemen waarin de klantdata zich nu bevindt. Daar zijn mensen met expertise voor nodig. Mensen die de juiste conclusies kunnen verbinden aan data. Je moet in staat zijn om de juiste koppelingen te maken tussen de diverse systemen van waaruit een klant benaderd wordt of waarin data wordt opgeslagen die relevant is voor het credit management proces. Daar komt bij, dat de medewerkers die persoonlijk klantcontact voeren, nog beter in staat moeten zijn om aan te haken bij de debiteur. Ja, het systeem helpt en sorteert straks verder voor bij segmentatie. Maar daarmee ontstaan er voor de medewerker aan de telefoon nog meer nuances dan voorheen. Nuances die je in wilt zetten om elke klant weer opnieuw duidelijk te maken dat je een unieke, persoonlijke boodschap hebt. En ook nog eens op het juiste moment. Zo wint iedereen bij een persoonlijke aanpak!

Bronnen:
* NPS software leverancier Zonka schreef hierover een mooi totaaloverzicht, gebaseerd op diverse wetenschappelijke bronnen.