OMNICANAL INTELIGENTE
6. Cómo opera el cliente tras la solución • El 28% de las interacciones se resuelve completamente de forma automatizada ( bot conversacional en voz y chat /WhatsApp), liberando el equivalente a 140 agentes FTE ( Full Time Equivalent o Equivalente a Tiem- po Completo) durante la temporada alta para gestiones de mayor valor. • Los agentes dis- ponen de una única interfaz unificada:
5. Complicaciones
4. Pasos que se dieron para resolverlo Fase 1 (semanas 1–3): Despliegue del Starter Pack . Unificación de canales (voz, chat web, email ) en la plata- forma Evolution Core con enru- tamiento inteligente basado en motivo de contacto y perfil de
y cómo se resolvieron
Heterogeneidad del PMS: La cadena operaba con tres versiones distintas del sistema de gestión de propiedades en diferentes países, cada una con un esquema de datos diferente. Se desa- rrolló una capa de normalización que unificó la consul- ta de disponibilidad y precios independientemente de la versión del PMS, sin requerir migración.
cliente. Integración bidi- reccional con el sistema de gestión de propie- dades (PMS) y el CRM existentes vía API. Fase 2 (semanas 4–8): Activación del Agent Inte- lligence Pack . Despliegue del copiloto de agente con acceso en tiempo real a disponibilidad, tarifas y políticas desde una única interfaz. Con- figuración de Knowledge AI con el catálogo de propiedades, políticas de cancelación y procedi- mientos de upselling . Fase 3 (semanas 9–14): Activación del Automa- tion & Cost Reduction Pack . Despliegue de EvoBot conversacional para los 8 motivos de contacto de bajo valor
cuando atienden una llamada o chat , visua- lizan en tiempo real el historial del cliente, la disponibilidad actualizada del PMS, las tarifas aplicables y sugerencias de up- selling contextuales basadas en el perfil del huésped. • El AHT en llama- das de reserva se ha reducido de 8,2 a 6,5 minutos (–21%), principalmente por la eliminación de la navegación entre sis- temas y la reducción del tiempo de espera al cliente. • La tasa de con- versión de reservas directas ha aumenta- do un 19%, atribuida a la mejora en la pro-
identificados, en voz (IVR conversacional) y chat / WhatsApp. El bot resuelve de forma autónoma y transfiere al agente con contexto completo cuando la consulta supera su capacidad. Fase 4 (semanas 15–18): Activación de Quality AI sobre el 100% de las interacciones: análisis de sentimiento, de- tección de oportunidades de upselling no aprovechadas y evaluación de la calidad de la propuesta de reserva. Forma- ción de supervisores en uso de dashboards de coaching . Modelo de capacidad flexible: Configuración de un pool de capacidad dinámica para picos estacionales: el bot absorbe el exceso de volumen transaccio- nal sin necesidad de contrata- ción adicional, y los agentes se focalizan en reservas complejas y clientes de alto valor.
puesta de valor del agente ( upselling asistido) y a la reducción del tiempo de respuesta en canales digitales ( chat : de 11 a 2,3 minutos de primera respuesta). • El coste por interacción ha baja- do un 26%; el bot absorbe el pico estacional sin coste variable adicio- nal, eliminando la dependencia de contrataciones temporales de última hora. • La rotación de agentes ha des- cendido del 38% al 24% anual (+22 puntos de eNPS), atribuida a la reduc- ción de tareas repetitivas y a disponer de mejores herramientas de trabajo. • La plataforma opera en los cinco países con gestión centralizada y configuraciones locales por merca- do. La siguiente fase contempla la personalización proactiva del journey basada en el historial de estancias del cliente.
Confianza del agente en el bot : Los agentes temían que la automatización redujera sus comisiones por reserva. Se rediseñó el modelo de incentivos para incluir las conversiones asistidas por bot en las que el agente había participado en fases previas del journey , alineando sus intereses con los de la automatización. Calidad del bot en consultas de política: Las políticas de cancelación variaban por tipo de tarifa, propiedad y temporada, generando respuestas incorrectas del bot en el 12% de los casos durante las primeras semanas. Se implementó un motor de reglas estructuradas complementario al modelo de lenguaje para estos casos, eliminando el error en 3 semanas. Adopción del copiloto por agentes senior: Los agentes con más experiencia percibían el copi- loto como innecesario. La evidencia de datos (AHT 23% menor y conversión 18% superior en agentes que usaban el copiloto activamente vs. los que no) fue determinante para revertir la resistencia sin necesidad de imposición.
63
Powered by FlippingBook