Como a IA transforma o envolvimento do revendedor usando dados e análises

Introdução

No mundo acelerado do financiamento automóvel, manter-se à frente da concorrência exige inovação e eficiência. A AutoFi, uma empresa líder no sector que procura inovação, embarcou numa viagem transformadora para integrar tecnologias de ponta para melhorar o envolvimento e a satisfação dos concessionários. Este estudo de caso explora a implementação estratégica da AutoFi de soluções orientadas por IA e orquestração de dados, mostrando como o envolvimento proativo revolucionou sua abordagem.

Desafios enfrentados

A AutoFi enfrentava desafios na gestão dos seus dados provenientes de diferentes fontes, como o CRM e os tickets de suporte, o que dificultava uma compreensão holística do comportamento dos revendedores. O envolvimento proactivo dos concessionários era essencial, mas os sistemas existentes não tinham a capacidade de analisar e antecipar as necessidades dos concessionários antes de estas se tornarem problemas. A AutoFi precisava de uma forma de reunir todos os dados, compreendê-los e prever o que os revendedores poderiam precisar. O desafio não era apenas recolher os dados, mas também dar-lhes sentido. Prever os problemas, especialmente a razão pela qual os revendedores poderiam sair, era essencial para manter métricas como a taxa de churn e a retenção em níveis óptimos. Precisavam de uma solução robusta para compreender os dados e obter informações úteis que pudessem ser utilizadas por diferentes equipas comerciais.

Solução implementada

O RapidCanvas implementou uma solução para orquestrar os dados da AutoFi, centralizando os dados de várias fontes, simplificando o processo e preparando-os para a modelagem. Utilizando a limpeza inteligente de dados e a seleção de recursos e empregando algoritmos de aprendizado de máquina para modelagem preditiva, o RapidCanvas aproveitou os dados existentes para criar uma solução personalizada para as necessidades específicas da AutoFi. A transparência da plataforma na modelação e a sua capacidade de fornecer informações de uma forma compreensível foram fundamentais. A equipa da AutoFi obteve uma visão de 360 graus dos dados de comportamento dos concessionários, o que permitiu às equipas comerciais da AutoFi tomar decisões baseadas em dados de forma eficaz.

Seleção de caraterísticas 

A equipa RapidCanvas, em colaboração com a equipa AutoFi, selecionou as caraterísticas ou os pontos de dados mais relevantes. Também criaram caraterísticas novas e melhoradas a partir dos dados existentes para treinar o modelo de previsão de churn. 

O modelo foi treinado utilizando caraterísticas como: 

• Dados do revendedor: Tempo de permanência do revendedor, nível de subscrição e preferências
• Tíquetes de suporte: Frequência e sentimento expresso nos bilhetes 
• Métricas de utilização da plataforma: Cliques, leads e inventário monitorizados diariamente‍

Modelação preditiva

Omodelo de rotatividade utiliza um algoritmo de classificação de aprendizagem automática para analisar dados históricos e identificar padrões relacionados com a rotatividade dos concessionários. O modelo treinado é então usado para prever a probabilidade de rotatividade futura do revendedor, com base nos padrões aprendidos e nos fatores potenciais de rotatividade. A equipa AutoFi tem assim acesso a informações valiosas, tanto sobre os concessionários em risco de abandono como sobre as razões específicas que os levam a considerar a possibilidade de abandono.

Tabela de classificação dinâmica

‍Umatabela de classificação interactiva gerada na plataforma RapidCanvas forneceu visualizações intuitivas com informações sobre o comportamento dos revendedores, com especial incidência nos revendedores com maior risco de rotatividade. 

Utilizando um modelo heurístico, a equipa do RapidCanvas criou sinais de risco que indicam alterações no comportamento do revendedor que podem estar associadas a uma maior probabilidade de rotatividade. Por exemplo, métricas como a utilização da plataforma em comparação com a utilização média de todos os revendedores ou o resultado do negócio, ou seja, os contactos e as candidaturas submetidas, foram acompanhados de perto. Se houvesse uma queda nestes indicadores, esta era assinalada como um potencial fator de risco. Bilhetes de apoio recentes com sentimentos negativos eram outro sinal  

Combinando estas bandeiras, o modelo previu uma probabilidade elevada de churn e a existência de e representou-a na tabela de classificação, ordenada pelo número de bandeiras de risco.

Monitorização contínua do modelo

Uma vez que o comportamento dos concessionários é dinâmico e muda ao longo do tempo, o modelo é monitorizado e atualizado continuamente com novos dados para garantir que a precisão do modelo permanece óptima. Isto garante que as previsões do modelo permaneçam eficazes na previsão do comportamento do concessionário e no apoio às relações de sucesso da AutoFi com os seus concessionários. 

Resultados e benefícios

Redução da rotatividade dos concessionários

Com cada revendedor a contribuir com 30 000 dólares de ARR em média, manter mais revendedores pode poupar quase 1,5 milhões de dólares em oportunidades de receitas perdidas

Aumento da satisfação dos concessionários

Aequipa da AutoFi recebe actualizações regulares sobre as contas em risco, bem como sobre as razões pelas quais as contas estão em risco, ajudando a impulsionar um melhor envolvimento dos concessionários e a gestão das contas. Os painéis ofereceram notas detalhadas sobre a saúde da conta do revendedor e fatores de risco, equipando os representantes de engajamento do revendedor para cada conta com insights granulares antes de cada interação do revendedor.
Esse suporte personalizado baseado em insights preditivos elevou as estratégias de engajamento do AutoFi.

Sucesso da colaboração

As informações dos painéis de controlo orientados por IA foram partilhadas sem problemas entre departamentos. As equipas de marketing e de envolvimento dos concessionários utilizaram os dados para estratégias direcionadas, ampliando o impacto da solução.

Impacto explicável

Com um pipeline de dados transparente e explicável de ponta a ponta e uma análise detalhada dos diferentes fatores envolvidos na categorização dos revendedores em várias categorias, a equipe AutoFi pôde entender facilmente o processo de análise de dados liderado por IA e utilizar os insights exibidos no painel.

Conclusão

O RapidCanvas, com sua abordagem inovadora de orquestração de dados e aprendizado de máquina, revolucionou as operações da AutoFi. Ao simplificar dados complexos e fornecer insights acionáveis, o RapidCanvas tornou-se importante para o sucesso da AutoFi no competitivo cenário do financiamento automotivo. A colaboração entre a AutoFi e a RapidCanvas exemplifica como a tecnologia avançada pode impulsionar mudanças transformadoras, tornando o futuro do financiamento automóvel ainda mais excitante e promissor.