Call center : comment l’IA réduit les délais de traitement et améliore la qualité des réponses

1. Pourquoi les call centers peinent-ils à réduire leurs délais de traitement sans sacrifier la qualité ?

A. Pourquoi le DMT reste-t-il élevé malgré les process en place ?

Le Délai Moyen de Traitement (DMT) est l’un des indicateurs les plus surveillés dans les call centers, mais il est pourtant l’un des plus difficiles à faire baisser de manière pérenne. Malgré les scripts d’appel, les arbres de décision ou les bases de connaissances, le DMT a bien souvent tendance à rester au-dessus des objectifs qui sont fixés. Cela n’est la plupart du temps pas lié à un manque de compétences ou d’efforts, mais davantage à la nature même des interactions à gérer.

Par définition, chaque appel entrant est singulier. Le conseiller doit ainsi identifier rapidement le profil du client, accéder à son historique, comprendre la nature précise de sa demande, puis formuler une réponse adaptée. Les process standardisés ne permettent pas de gérer convenablement les cas complexes, car les situations hors script, les demandes qui combinent plusieurs sujets, ou encore les clients qui ont déjà contacté le service sans obtenir de réponse satisfaisante allongent mécaniquement le temps de traitement.

Il est en plus régulier que l’information soit dispersée, et quand un conseiller doit jongler entre un CRM, un logiciel de ticketing, une base documentaire et parfois des outils métiers spécifiques pour répondre à une seule demande, le temps de recherche peut représenter une part significative du DMT global. Le constat qui en ressort est donc simple, puisque ça n’est pas le conseiller qui est lent ou inefficace, mais bien l’architecture des systèmes d’information qui nuit à l’atteinte des objectifs.

B. Pourquoi accélérer les réponses peut dégrader la qualité ?

La pression sur le DMT est très vite source d’un effet pervers, car passé un certain seuil, chercher à aller plus vite détériore inévitablement la qualité des réponses délivrées. Quand la réduction du temps de traitement devient l’objectif premier, les conseillers sont poussés à abréger l’échange, à se contenter de réponses partielles ou à clôturer des demandes sans qu’elles ne soient vraiment résolues. Il en résulte inexorablement une baisse du taux de résolution au premier contact et une augmentation des contacts répétés.

Ce phénomène s’explique par la nature même du travail de conseiller, qui est de bien comprendre la demande d’un client, de s’assurer de ne pas passer à côté d’un besoin sous-jacent, et de vérifier que la réponse apportée est bien comprise. Cela demande du temps, qui ne peut pas être compressé encore et encore sans conséquence. Un conseiller qui traite cinquante appels par jour, le tout en étant contraint par les délais, ne peut pas avoir le même niveau d’écoute et de précision qu’un conseiller qui dispose de la latitude nécessaire pour traiter les choses en profondeur.

La qualité est également impactée par les erreurs qui sont commises sous la pression. Quand le rythme imposé ne permet que d’effectuer les vérifications d’usage, les informations transmises aux clients peuvent être incomplètes, voire incorrectes, ce qui nuit à la crédibilité du service et alimente l’insatisfaction. La relation client se construit sur la confiance, et celle-ci s’érode très vite quand la vitesse de traitement prend le pas sur la rigueur.

C. Pourquoi les approches traditionnelles ont atteint leurs limites ?

Les call centers ont longtemps misé sur les mêmes méthodes pour gérer les problématiques de DMT et de qualité de réponse, avec le recrutement de conseillers supplémentaires, les formations plus fréquentes, la refonte des scripts ou la réorganisation des plannings. Ces approches ont permis des améliorations ponctuelles, mais finissent toujours par se heurter aux mêmes réalités que sont la complexification des demandes et la diversification des canaux de contact.

L’augmentation des effectifs répond, par exemple, à un problème de volume sans se concentrer sur les causes réelles qui influent sur les délais de traitement. Dans le même esprit, former davantage les conseillers les fait encore plus monter en compétences, mais ne contribue pas à l’amélioration du problème de dispersion des informations. Les scripts et les arbres de décision jouent quant à eux un rôle dans la structuration du traitement des demandes simples, mais ne s’avèrent pas pertinents dès que celles-ci ne s’inscrivent pas dans les scénarios prédéfinis.

Le principal changement actuel provient ainsi du contexte dans lequel évoluent les call centers. Les clients prennent contact via des canaux multiples, et s’attendent à des réponses toujours plus rapides sur des sujets de plus en plus variés, le tout avec un volume de sollicitations qui est lui-même en augmentation. Les approches traditionnelles ont donc nettement perdu en efficacité, puisqu’elles ont été développées pour faire face à des situations et des réalités qui ne sont plus vraiment d’actualité.

2. Comment l’IA permet-elle de réduire les délais de traitement dans un call center ?

A. Comment l’IA automatise-t-elle les tâches à faible valeur ajoutée ?

Il faut bien avoir à l’esprit qu’une part non négligeable du temps passé par les conseillers en call center n’est pas consacrée à l’échange avec le client, mais à des tâches périphériques, telles que la saisie de compte-rendu, la recherche d’informations dans les systèmes, la catégorisation des demandes, ou encore l’envoi de confirmations ou de documents. Ce sont ces tâches répétitives et chronophages qui peuvent être confiées à l’IA pour libérer du temps aux conseillers, et leur permettre de se concentrer sur ce qui constitue leur cœur de métier.

La transcription et le résumé automatique des appels en sont un exemple concret. Plutôt que de rédiger manuellement un compte-rendu après chaque interaction, le conseiller peut s’appuyer sur une fonctionnalité qui génère automatiquement une synthèse, et qui est directement intégrée dans le CRM. Ce gain de temps, multiplié par l’ensemble des appels traités dans une journée, se traduit en une réduction substantielle du temps post-appel, ce que les équipes désignent sous le terme d’After Call Work (ACW).

L’IA peut également être mise à profit en amont, lors de la qualification des demandes. Les systèmes de traitement automatique du langage sont capables d’analyser le contenu d’un message, ou d’identifier l’intention d’un appel entrant, pour le router vers le bon conseiller ou le bon service. Cette automatisation de la qualification réduit les transferts inutiles, diminue le temps d’attente, et donne la garantie que chaque demande arrive entre les mains de la personne la mieux placée pour y répondre.

B. Comment l’IA assiste-t-elle les conseillers en temps réel ?

L’intelligence artificielle a également un rôle déterminant à jouer pendant les interactions. L’assistance en temps réel consiste à fournir au conseiller, au fil de la conversation, les informations et les suggestions dont il a besoin pour traiter la demande sans avoir à interrompre l’échange pour effectuer des recherches. C’est un changement de paradigme important, car plutôt que de chercher la bonne réponse, le conseiller se concentre sur la validation et la transmission de celle-ci.

Concrètement, ces systèmes analysent le contenu de la conversation en direct, et suggèrent automatiquement les articles de la base de connaissances, les procédures à suivre ou les réponses types les plus adaptées au contexte détecté. Le conseiller n’a alors plus à naviguer entre plusieurs onglets ou à mémoriser l’intégralité des procédures internes, puisque l’information remonte directement et au bon moment dans son interface de travail.

Cette assistance intelligente présente un double avantage :

• Elle réduit significativement le temps nécessaire pour trouver et formuler une réponse, ce qui pèse directement sur le DMT ;
• Elle fait office de filet de sécurité face aux situations inhabituelles ou aux demandes complexes en guidant le conseiller vers la bonne marche à suivre, même lorsqu’il est face à un cas qu’il rencontre pour la première fois.

La courbe d’apprentissage des nouveaux conseillers s’en trouve également raccourcie, ce qui constitue un bénéfice opérationnel non négligeable pour les équipes qui font face à une montée en charge de l’activité.

C. Comment l’IA contribue-t-elle à traiter plus de demandes à effectif constant ?

L’un des principaux enjeux pour les call centers est de pouvoir absorber des volumes de demandes croissants sans augmenter proportionnellement les effectifs. L’IA est justement très intéressante et pertinente pour y parvenir, puisqu’elle est vectrice de plusieurs bénéfices avec la réduction du temps par interaction, la prise en charge autonome de certaines demandes, et une meilleure répartition de la charge entre les conseillers.

Les solutions les plus intéressantes à cet effet sont les agents conversationnels, qui peuvent traiter en autonomie les demandes récurrentes et à faible complexité, comme le suivi d’une commande, la modification d’un rendez-vous ou la réponse à une question fréquente. Ils absorbent ainsi une partie des demandes entrantes sans qu’il ne soit nécessaire de mobiliser de conseiller. Les équipes peuvent alors se focaliser sur les demandes pour lesquelles une expertise humaine est indispensable, ce qui est également plus enrichissant pour elles.

Aussi, les gains sur le DMT grâce à l’automatisation des tâches périphériques et à l’assistance en temps réel se traduisent spontanément par une meilleure capacité de traitement. Un conseiller qui consacre moins de temps à chaque interaction peut, dans la même plage horaire, prendre en charge un plus grand nombre de demandes sans que cela ne se fasse au détriment de la qualité.

3. Comment l’IA améliore-t-elle la qualité des réponses dans un call center ?

A. Comment garantir des réponses plus cohérentes et personnalisées ?

Quand plusieurs dizaines de conseillers traitent les mêmes typologies de demandes, il est fréquent que les réponses varient d’un interlocuteur à l’autre. Cela n’est pas dû à un manque de professionnalisme, mais au fait que chacun s’appuie sur sa propre interprétation des procédures, sur des versions parfois différentes de la base de connaissances, ou sur des habitudes acquises au fil du temps. Cette hétérogénéité nuit à la perception de la fiabilité et de la qualité du service, et génère de la confusion chez les clients qui prennent contact plusieurs fois.

L’IA contribue ainsi à l’homogénéisation des pratiques en servant de référentiel commun et dynamique. Lorsque les suggestions de réponses sont générées à partir d’une base de connaissances commune et régulièrement mise à jour, tous les conseillers disposent du même socle d’information, indépendamment de leur ancienneté ou de leur niveau d’expertise. Les écarts au niveau des traitements se gomment, et les réponses apportées aux clients sont plus fidèles à la politique du service.

La personnalisation dépend pour sa part de l’aptitude à exploiter les données client disponibles lors de l’interaction. En combinant l’historique des contacts, les caractéristiques du profil et le contexte de la demande en cours, l’IA est en mesure de suggérer une réponse qui tient compte de la situation réelle de l’interlocuteur. Le conseiller dispose alors des éléments pour adapter son discours avec précision, ce qui renforce le niveau de qualité que le client perçoit lors de l’échange, ainsi que son sentiment d’être correctement pris en charge.

B. Comment l’IA améliore-t-elle le taux de résolution au premier contact ?

Le taux de résolution au premier contact, aussi appelé Once & Done ou FCR, est un indicateur très pertinent pour évaluer les performances d’un call center. Un FCR élevé signifie que les clients obtiennent une réponse complète et satisfaisante dès leur première prise de contact, sans avoir à rappeler ou à être redirigés vers un autre interlocuteur. C’est autant un gage de qualité que d’efficacité opérationnelle, car chaque contact répété est synonyme d’une charge supplémentaire pour les équipes.

Les raisons pour lesquelles une demande n’est pas résolue au premier contact sont souvent les mêmes :

• Le conseiller n’a pas accès à toutes les informations nécessaires ; 
• La demande est mal qualifiée dès le départ ;
• Le client est transféré vers un interlocuteur qui ne dispose pas non plus du contexte complet.

L’IA est alors très utile pour éliminer ces points de friction, d’abord avec la qualification automatique des demandes en amont qui oriente d’emblée le client vers le conseiller le plus compétent pour traiter sa requête. Ensuite, l’assistance en temps réel garantit que ce conseiller dispose, pendant l’interaction, de toutes les données et suggestions utiles pour résoudre la problématique du client.

L’intelligence artificielle est également bénéfique pour détecter les demandes à risque de non-résolution. Certains systèmes sont en effet capables d’identifier, au fil de la conversation, des signaux qui indiquent que l’interaction pourrait se conclure sans réponse satisfaisante. Ces alertes permettent de rediriger très rapidement le client vers un profil plus expérimenté ou vers un superviseur, ceci avant que celui-ci ne mette fin à la conversation sans que le problème ne soit résolu.

C. Quels KPI suivre pour mesurer l’impact de l’IA dans un call center ?

Déployer des solutions d’IA dans un call center sans définir les indicateurs qui permettent d’en mesurer les effets revient à piloter à l’aveugle. Pour évaluer concrètement ce que l’IA apporte, plusieurs KPI doivent être suivis de près et sur la durée :

• Le Délai Moyen de Traitement (DMT) est naturellement le premier indicateur à surveiller, car il est l’un des premiers révélateurs des gains liés à l’automatisation des tâches périphériques et à l’assistance en temps réel. Une baisse du DMT sans dégradation des autres indicateurs est le signe que l’IA est vectrice des effets attendus.
• L’After Call Work (ACW) pour mesurer l’impact des fonctionnalités de transcription et de résumé automatique. Une réduction de l’ACW indique que le temps post-appel est bien optimisé, ce qui soutient l’amélioration de la capacité de traitement.
• Le Once & Done (FCR) permet de vérifier que la réduction des délais ne se fait pas au détriment de la qualité. Un FCR stable ou en progression confirme que les demandes sont mieux qualifiées, mieux orientées et mieux traitées dès le premier contact.
• Le taux de transfert est un indicateur complémentaire du FCR. Sa diminution témoigne de l’efficacité de l’attribution automatisée des demandes, ainsi que des suggestions qui sont faites aux conseillers, ces derniers ayant moins besoin de passer la main à un collaborateur pour résoudre une demande.
• Le taux de satisfaction client (CSAT) reste l’indicateur de référence pour mesurer la perception des clients de la qualité de service. Il sert à valider que les améliorations sur le plan opérationnel se traduisent bien par une expérience client plus satisfaisante, et non uniquement par des gains de productivité.
• Le taux de contact répété vient compléter le CSAT en mesurant la proportion de clients qui reprennent contact après une première interaction. Sa baisse confirme que les demandes sont vraiment résolues, et pas simplement clôturées.

Pour aller plus loin :

Même si l’intelligence artificielle est une véritable révolution, et qu’elle apporte avec elle son lot de changements, elle ne doit pas pour autant être un systématisme qui va mettre à défaut ce qui constitue la base de la relation client, à savoir la dimension humaine. Pour réussir à trouver le bon équilibre, nous vous proposons un dossier complémentaire qui explique pourquoi l’IA doit rester au service du client, et non prendre le pas sur la relation humaine.