Uber verbetert customer service met process mining

Uber verbetert customer service met process mining
  • 7 oktober 2020
  • Mirjam Hulsebos

Met aanwezigheid in meer dan 600 steden in 60 landen en met diverse merken is het logisch dat Uber regelmatig vragen krijgt van klanten. Omdat Uber stad voor stad groeit, is ook de customer service stad voor stad opgezet. Dat leidde tot een grote diversiteit aan processen. Tijd om die te gaan standaardiseren op basis van een best practice. Met process mining krijgt Uber inzicht hoe die best practice eruit ziet.

De taxi’s zijn de afgelopen maanden leeg gebleven door corona en veel mensen verloren hun baan. Maaltijdbezorgdienst Uber Eats zorgde gelukkig voor een lichtpuntje. Maar ondanks al deze onzekerheid zit Uber niet stil. Het bedrijf zit midden in een herstructurering van de contactcenters, met als doel processen te uniformeren en standaardiseren teneinde klanten nog beter te woord te staan. Dat is nodig, zegt Martin Rowlson, head of process excellence bij Uber. Hij was een van de sprekers tijdens Celosphere, het digitale congres van process mining softwareleverancier Celonis. Hij vertelt: ‘Uber is heel snel gegroeid. We zitten momenteel in 60 landen met verschillende merken. Naast de taxi’s (Uber Rider en Uber Driver) en Uber Eats hebben we ook Uber Freight en Uber Jump (elektrische fietsen en scooters). Allemaal met hetzelfde achterliggende concept: het bij elkaar brengen van vraag en aanbod.’

Voice of the customer
Om het alle verschillende klantgroepen naar de zin te maken, is de afdeling Community Operations voortdurend bezig de Voice of the Customer in kaart te brengen. Doel is de technologie van Uber steeds verder te verbeteren. Community Operations houdt zich bezig met alles wat aan de dienstverlening van Uber raakt. Rowlson geeft een voorbeeld: ‘We ondersteunen onze chauffeurs met technologie om veiliger te rijden. Daarom willen we precies weten wat er gebeurt als een Uber taxi een ongeluk heeft: wat heeft de chauffeur gezien en ervaren? Hoe was het voor de klant die in de taxi zat? Had het ongeluk voorkomen kunnen worden? Kunnen we de chauffeur en de klant helpen als ze op een onveilige plek op hulp staan te wachten? We zetten hiervoor niet alleen ons contactcenter in dat mensen belt, maar onderzoeken ook wat mensen zeggen op social media.’

Community Operations werkt nauw samen met de contactcenters. Rowlson vertelt: ‘Onze customer service is langzaam gegroeid. Tot 2013 was er niet eens een afdeling voor, het was een taak voor iedereen. Maar omdat we zo snel groeiden zagen we wel dat we in iedere stad een customer service center nodig hadden.’
Die kwamen er dan ook. Deze centers hadden een hoge mate van autonomie. ‘Degene die het contactcenter in een stad opzette had de vrije hand in de keus met welke hard- en software ze gingen werken. Dat leidde tot een complex IT-landschap en tot veel variatie in processen’, constateert hij.

Uniformering noodzakelijk
Tijd voor meer uniformering. Een taak die op zijn bord kwam te liggen. En dat bracht direct al een grote uitdaging met zich mee. ‘We hadden veel te weinig data over onze processen. We gebruikten verschillende reportingtools. Als je één vraag stelde, kreeg je vijf verschillende antwoorden. Dat was een duidelijke call-to-action om te gaan standaardiseren.’
De eerste stap was inzicht krijgen in hoe de processen precies verlopen, zegt Rowlson. ‘En dan bedoelen we niet hoe we het proces ooit op papier hebben ontworpen, maar hoe het in de praktijk gaat. We wilden data die betrouwbaar is, acuraat en die op dagelijkse basis wordt geleverd.’

Omdat je niet ieder proces wekenlang kunt observeren, en dat bovendien ook niet leidt tot dagelijks nieuwe data, koos Uber voor process mining. Met die software koppel je naar alle bij een proces betrokken onderliggende applicaties en leest procesdata uit: wie voert wanneer welke handeling uit. Zo zie je precies hoe een proces in de praktijk verloopt. Uber maakte de keus voor Celonis omdat deze software out-of-the-box integraties heeft met Salesforce, SAP, SAP Ariba, Oracle en Microsoft Dynamics 360, de applicaties waar de medewerkers in de contactcenters mee werken. Rowlson: ‘Iedereen kan in dashboards zien hoe de processen op zijn afdeling of in zijn team lopen, waar hick-ups zijn, hoe de doorlooptijden zijn et cetera.’
Uber zorgt ervoor dat medewerkers die informatie te zien krijgen die hen helpen in hun dagelijks werk. ‘Dus niet hetzelfde dashboard voor iedereen, maar een dashboard op maat waarin iedere medewerker die informatie ziet die hem of haar helpt om betere beslissingen te nemen.’


Resultaten
Het heeft Uber verschillende voordelen gebracht. In de eerste plaats is er transparantie over het operationele proces. Rowlson: ‘We presenteren KPI’s op dag-, week-, en maandbasis. Daardoor weet iedere medewerker, van agent tot manager, hoe het gaat.’ Ook worden de contactcenters onderling ineens heel goed vergelijkbaar. Op basis van de grote diversiteit aan processen is een best practise proces ontworpen dat overal is uitgerold. ‘Normaal zou je veel discussie krijgen als medewerkers hun proces ineens moeten wijzigen terwijl de klanttevredenheidsscores hoog zijn. Wij kunnen op basis van data laten zien dat het nog beter kan in termen van efficiency en klanttevredenheid. We hoeven medewerkers niet te overtuigen, ze willen zelf veranderen als ze zien dat het nog beter kan.’

Ook het hoger management heeft nu veel meer inzicht in de klanttevredenheid en in de oorzaken van afwijkende KPI’s. Als ze bijvoorbeeld een bezuiniging doorvoeren en daarna loopt de wachttijd op, dan is direct die relatie inzichtelijk. ‘Je kunt dan de discussie aangaan op basis van data in plaats van op emoties’, zegt Rowlson. Uber ontdekte ook veel onbekend gedrag in processen. ‘Bijvoorbeeld een e-mailadres dat steeds een bounce gaf en daarmee de hele doorloop van dat proces blokkeerde.’

Tot slot geeft process mining Uber input voor continuous improvement. ‘Veel bedrijven doen continuous improvement-projecten. Maar zodra het project ophoudt, zakt de aandacht weer weg. Omdat wij continu sturen op data, blijft de focus erop’, zegt Rowlson. ‘Verbeteren begint toch echt bij meten.’

Keep it simple
Hoewel hij heel tevreden is over de resultaten die Uber boekt met process mining, zijn er toch ook veel dingen die hij nu anders zou aanpakken. Rowlson: ‘We zijn begonnen met veel te complexe dashboards met heel veel drill downs. Dat functioneert niet. We hebben wel geleerd dat de dashboards ‘fit for purpose’ moeten zijn. Hoe beter ze aansluiten bij het werk van een individu, hoe intensiever ze worden gebruikt. Als een proceseigenaar bijvoorbeeld de CSAT van een bepaald procesonderdeel wil weten, moet hij die met één klik kunnen vinden en niet drie lagen dieper ergens moeten zoeken.’

Waar Uber in het begin veel nadruk legde op efficiencyverbeteringen, ligt de focus nu op wat process mining kan betekenen voor een individuele medewerker. ‘Een agent is niet geïnteresseerd in kostenbeheersing. Die wil klanten blij maken. Daarom presenteren we nu veel meer informatie die daaraan relateert. We merken dat efficiencywinst dan vanzelf een gevolg wordt, simpelweg omdat een medewerker beter weet hoe hij zijn werk slim kan organiseren.’
Daarom is Uber ook opgehouden de kostenbesparingen te meten. ‘In het begin wil je dat er een positieve businesscase is. Nou, die was er al snel. Dat gaf ons ook de luxe om te focussen op informatie die medewerkers helpt om de klanttevredenheid nog verder te verhogen.’

De winst van process mining was in EMEA veel groter dan in de andere werelddelen. Logisch, vindt hij. ‘In onze regio heb je veel meer talen en ook veel meer cultuurverschillen. Daarom was het logisch dat de initiële processen veel meer differentiatie vertoonden dan in de VS, Canada en Australië.’ Uiteindelijk bleek die differentiatie ook een voordeel, want ieder land blonk wel ergens in uit. ‘We hebben daardoor heel veel ideeën opgedaan voor hoe de best practise eruit moest zien.’

Realtime ingrijpen
Enthousiast geworden door de resultaten van de dashboards kijkt Rowlson al weer vooruit naar verdere verbeteringen. ‘We willen machine learning toevoegen om te analyseren hoe processen over time verlopen, zodat we direct een signaal kunnen genereren als een proces afwijkt van de norm. Nu zien we in de dashboards wel dat een KPI ineens lager is, maar dan is het al te laat. Je wilt kunnen ingrijpen op het moment dat het gebeurt. Met machine learning leren we tot op detailniveau hoe het normale proces verloopt. Dan is het een fluitje van een cent om aan alle afwijkingen die plaatsvinden een signaal te koppelen. Op die manier maken we het actionable.’

Tot slot: hoeveel tijd heeft het gekost dit op te zetten? ‘Weinig’, zegt Rowlson. ‘Althans, als je kijkt naar de techniek. In drie maanden tijd hadden we wereldwijd alle applicaties aan Celonis gekoppeld en konden we processen inzichtelijk maken. Daarna begint het verbeteren en dat is een eeuwigdurend proces waarmee je nooit klaar bent.’

































comments powered by Disqus