icon

Qualité de service dans les télécoms

Améliorer la qualité de service, augmenter le taux de renouvellement de contrat et réduire le nombre de mauvais payeurs

Challenge

Les entreprises de télécommunications maîtrisent depuis bien longtemps l’usage des données. Cependant, elles sont confrontées à un certain nombre de défis qui affectent actuellement leur rentabilité : un mauvais service client, un manque d’innovation en matière de marketing, un ralentissement des ventes et une augmentation des services de recouvrement.

Ce client du secteur des télécommunications voulait réduire le taux de désabonnement des clients et éliminer les mauvais payeurs.

Pour réduire le taux de désabonnement global, il lui fallait une meilleure qualité de service : Le client devait également connaître les raisons qui motivent les clients à appeler l’assistance et à retarder les paiements.

Le défi consistait à identifier et à détecter les variables clés du service qui ont un impact élevé sur le client pour trouver et corriger les bogues, identifier rapidement les appareils défectueux et mettre en place des indicateurs clés de performance (KPI) liés à la perception du client.

Solution

Des méthodes de Machine Learning ont été mises en place pour identifier et détecter les variables techniques ayant un fort impact sur les clients (qu’est-ce qui les incite à appeler la hotline ? À devenir un mauvais payeur ? Etc.), détecter et corriger les bugs, pré détecter les appareils défaillants et mettre en place des KPI liés au ressenti client.

Grâce à la détection de bugs et des incidents ainsi que la mise en place d’indicateurs clés de performance (KPI) très efficaces et calibrés sur les ressentis clients, l’opérateur a enregistré une nette amélioration de la qualité de service : forte réduction des appels vers la hotline (-15%), réduction du nombre des développeurs en charge des détections de bugs (-25%), amélioration du taux de satisfaction client (+10 points).

En mettant en place des process de maintenance prédictive de pré détection des équipements défaillants, l’opérateur a enregistré une forte réduction du nombre d’incidents, représentant 5 000 équipements par mois (swap prédictif).

De plus, cela a permis une diminution du taux d’attrition (perte d’abonnés) et du nombre d’impayés grâce à l’identification des facteurs techniques en cause, représentant 30% des facteurs globaux.

Pourquoi Octopeek ?

Les entreprises des telecoms doivent passer d’une expérimentation Ad Hoc de l’Intellience Artificielle à une utilisation par tous les collaborateurs pour améliorer l’efficacité opérationnelle et apporter de la valeur ajoutée.

Octopeek démocratise l’Intelligence Artificielle dans l’entreprise : elle permet la création dynamique et le provisionnement d’applications d’Intelligence Artificielle d’entreprise “tout en un”, personnalisables par les business analystes.

Cas d'usages

Connaissance client dans le secteur assurance

Identifier et cibler les clients ayant une deuxième voiture

En savoir plus

Détection de fraude dans l’assurance automobile

Détecter les fournisseurs frauduleux

En savoir plus

Diminuer le taux d’attrition dans les polices d’assurance habitation

Détecter et éviter l’attrition des clients insatisfaits

En savoir plus

Gestion du risque de crédit bancaire

Amélioration du système d’octroi de crédit chez les jeunes

En savoir plus

Intelligence économique dans le e-commerce

Matching de produit dans le secteur e-commerce

En savoir plus