Door Jörgen Burgering
Klantrelatie-expert bij OpenText

Een succesvol bedrijf vereist continue focus op klanten, en dan vooral op hun behoeften. Door klantcommunicatie te analyseren kom je erachter wat deze behoeften zijn en welke verwachtingen ermee gepaard gaan. Geen rocket science, zou je denken. Maar met een versnipperd medialandschap bestaande uit veel verschillende (online) kanalen, is een overzichtelijke analyse een uitdaging. Dus hoe meet je klantfeedback en interacties via verschillende kanalen? Textmining is het antwoord.

Waarom alle klantcommunicatie analyseren?
Eerst een stapje terug: waarom zou je alle communicatie met of over je bedrijf willen analyseren? Of je nu in de retail of een andere branche werkt; wie aan consumenten verkoopt, heeft altijd veel te winnen door klantcommunicatie te analyseren. En dan niet alleen de communicatie tussen het bedrijf en de klant, maar ook tussen klanten onderling op bijvoorbeeld social media of fora.

Door feedback van klanten te verzamelen via alle beschikbare kanalen kan je alle meningen van je klanten analyseren. Wanneer je zo’n ‘voice of customer’-analyse correct uitvoert, heb je goud in handen. Inzicht in alle klantcommunicatie stelt je namelijk in staat om precies de juiste reactie te geven op het juiste moment, je producten en diensten te verbeteren op basis van de behoeften van je klanten, de reputatie van je bedrijf te beschermen en toekomstige trends te voorspellen die van invloed zullen zijn op je bedrijfsvoering. 

Hoe dit er dan uitziet in de praktijk? Concreet kan een zo’n ‘voice of customer’-analyse antwoord geven op vragen als ‘wat zijn de meest populaire en de meest problematische functies in mijn nieuwe productrelease?’ of ‘zal een samenwerking met een beroemdheid mijn merk helpen of juist beschadigen?’.

Hoe pak je zo’n analyse aan?
Nu zal de kritische lezer denken: als zo’n ‘voice of customer’-analyse zo veel voordelen heeft, waarom heb ik er dan nog nooit van gehoord? Nou, het luisteren naar die stem van de klant vormt al vaak een eerste horde.

Door het gefragmenteerde medialandschap is het verzamelen van letterlijk álle klantcommunicatie voor veel bedrijven een kriem. Gestructureerde gegevens, zoals productidentificatienummers, prijsinformatie of zelfs gegevens uit opiniepeilingen, zijn eenvoudig op te tellen en te analyseren door software. De uitdaging zit in het analyseren van alle ongestructureerde data – en juist daarin staat wat écht interessant is. 

Klanten nemen contact op met je bedrijf via e-mail, chat en telefoon en vertellen je via deze kanalen precies wat ze denken. Klanten bezoeken bovendien sociale kanalen zoals Twitter en Facebook om andere consumenten te vertellen wat zij van uw merk vinden - goed, slecht, vriendelijk of traag. Stel je voor wat het voor je bedrijf betekent als je deze informatie kan analyseren en kan meenemen in het maken van bedrijfsbeslissingen.
De meeste kanalen zijn ongestructureerd, uitzonderingen natuurlijk daargelaten. En de meeste communicatie via zulke kanalen is geschreven in natuurlijke taal. Hoe meet en kwantificeer je gesprekken met en tussen duizenden klanten, het liefst realtime? Met artificial intelligence (AI) natuurlijk.

Textmining is de sleutel
De toepassing van AI voor het analyseren van tekst staat bekend als textmining (ook wel natuurlijke taalverwerking genoemd). Inmiddels is technologie zo ver ontwikkeld, dat machines kunnen leren om mensen, plaatsen, dingen en gebeurtenissen die in geschreven tekst worden genoemd te identificeren en structureren. Technologie heeft anno 2018 zelfs het punt bereikt dat machines een emotionele toon kunnen toewijzen aan geschreven tekst (negatief, positief of neutraal) en zelfs kunnen ‘begrijpen’ of een bepaalde tekst feiten of opinie omschrijft.

Textmining is essentieel om ongestructureerde tekstuele gegevens te analyseren, die meer context en waardevolle inzichten bevatten dan gestructureerde, transactionele gegevens omdat het de mening, intentie, emotie en conclusies van de auteurs in kaart brengt.

Realtime én op grote schaal 
Maar mensen kunnen zelf toch ook lezen, structureren en analyseren? Waarom hebben we dan machines nodig om dit voor ons te doen? Het antwoord op deze vraag is tevens de tweede horde voor 'voice of the customer'-analyses: om optimaal voordeel uit je analyses te behalen moeten deze zo snel mogelijk gebeuren – en dat is een uitdaging met een enorme hoeveelheid ongestructureerde data. 

Met een bulk aan ongestructureerde data die allemaal verzameld, gelezen, gesorteerd en geanalyseerd moeten worden, is het niet verbazingwekkend dat machines dit efficiënter zullen doen dan mensen. Want alleen machines kunnen analyses zo snel én op zulke grote schaal uitvoeren. 

Aan de slag
Snel inzicht krijgen in enorme datasets is niet het einde van de 'voice of the customer'-analyse. De verkregen inzichten moeten nog (of: namelijk) vertaald worden in praktische maatregelen. Zijn klanten ontevreden over lange levertijden? Dan is het belangrijk om in kaart te brengen waar de klanten met deze ervaring wonen, wat de levertijd was en welke logistieke route het pakket heeft afgelegd. 

De informatie moet toegankelijk, begrijpelijk en gemakkelijk in gebruik zijn, waardoor het een bruikbaar hulpmiddel wordt voor het verbeteren van de bedrijfsvoering.