Lapperre zet in op het optimaliseren van het zorgtraject van hun klanten door gebruik te maken van “Machine Learning” inzichten.

In Retail worden klantenbinding en hernieuwaankopen dikwijls aangestuurd door het regelmatig aanbieden van commerciële voordelen.  

Net zoals het “zicht” bij de ogen kan ook het gehoor verder verminderen met belangrijke gevolgen zoals sociale deprivatie, leerproblemen, tinnitus, luistermoeheid, cognitieve achteruitgang. Het uitgangspunt bij Lapperre is dat in de gehoorzorg de klantencontacten en de klantenervaring na aankoop vooral gebaseerd moet zijn op een efficiënt zorgtraject van de geboden oplossing en de klant moet toelaten om optimaal van zijn gehoor en het leven te genieten.  

Op basis van de 75 jaar Audiologische expertise en zorgverlening die Lapperre aan hun klanten verlenen werd beslis om de meest efficiënte zorgtrajecten verder te onderzoeken op basis van “Machine Learning” om tot betere inzichten te komen. Hiervoor hebben zij beroep gedaan op de “Data Science” expertise van Cegeka en dat resulteerde in sommige scenario’s tot bijna 40% efficiëntieverbetering. 

Lapperre is marktleider in België van hoorapparaten en uitbater van hoorcentra. Als een klant een hoorapparaat koopt, is dat geen eenmalige aankoop. Meestal blijft gehoorverlies evolueren en passen de hersenen zich aan. Na één of twee jaar kan het hoorapparaat bijgeregeld worden en enkele jaren later heeft de klant misschien een nieuw hoorapparaat nodig. “Hoe ziet een ideaal zorgtraject eruit in termen van aantal afspraken om de klant maximaal te laten genieten van zijn hooroplossing?” Met die vragen zaten we enkele jaren geleden, omdat we onze capaciteit optimaal wilden inzetten”, zegt Dirk Schaele, Director Global Store Performance & Processes bij Sonova. 

Om die vragen te beantwoorden op basis van data, had Lapperre Data Science expertise nodig. Die vond het bedrijf bij Cegeka. “Cegeka begeleidde ons in het onderzoek, organiseerde de nodige workshops en stelde de juiste vragen om tot een analytische framewerk te komen. De statistische validatie dwong ons steeds verder om nieuwe verbanden te onderzoeken en ons datamodel te verrijken. Regelmatig kregen we de feedback dat onze processen niet voldoende aansloten en dat het resultaat statistisch niet relevant was. Dat gaf ons belangrijke inzichten in welke data en processen ontbraken”, stelt Dirk Schaele. Lapperre is op basis van deze nieuwe inzichten zijn processen gaan optimaliseren tot er voldoende statistische relevantie en een duurzame klantentevredenheid was.  

40% meer efficiëntie

Lapperre wilde bepalen welke factoren de beslissingen van klanten beïnvloeden om hun hoorapparaat te vernieuwen. Cegeka heeft maar liefst achttien variabelen getest om een model op te stellen. “Zeven van die variabelen bleken significant te zijn”, legt Dirk Schaele uit. Dat was niet alleen belangrijk om het verkoopproces efficiënter te maken, maar leverde ook interessante businesskennis op. 

Daarna kon Cegeka met machine learning een model opstellen dat Lapperre’s klanten rangschikt volgens hun “zorgbehoefte”. Het model werd getraind op data van vorige jaren en dan gevalideerd met data van het laatste jaar. Tot slot werd er dan een jaar lang in België gebruik gemaakt van deze voorspellingen om klanten uit te nodigen voor een “controlebezoek”, om zo de efficiëntie van het model te testen. 

Wat bleek? Gebruik van het model leidde in sommige scenario’s tot bijna 40% efficiëntieverbetering vergeleken met de traditionele manier van werken: klanten willekeurig of chronologisch opbellen. Iedereen was verrast over dit hoge percentage. “De klanten die we nu contacteren zijn tevreden over onze pro-activiteit en de capaciteit van onze zorgverstrekkers wordt nu ook veel beter benut”, aldus Dirk Schaele.

“De klanten die we nu contacteren zijn tevreden over onze pro-activiteit en de capaciteit van onze zorgverstrekkers wordt nu ook veel beter benut”

Dirk Schaele, Director Global Clinic Performance & Processes bij Sonova

Creatief en collaboratief proces

Een model met machine learning opstellen is een creatief en collaboratief proces. Daarbij is hulp van een ervaren partner onontbeerlijk, merkt Dirk Schaele op: “Het is veel brainstormen, en als je niemand hebt die dat proces documenteert terwijl het gaande is, mis je belangrijke inzichten. We hebben dus veel gehad aan Cegeka’s ervaring tijdens dit proces.” 

Uiteraard moet het model ook regelmatig een update krijgen. “Vroeger was de batterij van een hoorapparaat een goede voorspeller van klantentrouw. Wanneer de verwachte levensduur van een batterij verstreken was, zou je een trouwe klant normaal opnieuw zien om de batterij te vervangen. Maar sinds de introductie van herlaadbare batterijen in hoorapparaten, is dat geen bruikbare variabele meer”, legt Dirk Schaele uit. En zo is de ontwikkeling van een model voor machine learning een continu groeiproces. Lapperre verwacht om één keer per jaar het model te updaten. 

Datakwaliteit

Dirk Schaele benadrukt dat het belangrijk is om je datakwaliteit op orde te hebben voordat je begint met een traject in A.I. En dat kan even duren. Cegeka startte in 2018 met de implementatie van een dataplatform bij Lapperre, maar het bedrijf was al sinds 2013 bezig met digitale afspraken en andere data bij te houden. “Datagedreven werken is echt een leerproces. Pas na een jaar of vijf wisten we waar het ons zou leiden en pas toen hebben we een dataplatform geïmplementeerd”, stelt Dirk Schaele. 

Lapperre stelt nu het model en inzichten ook ter beschikking van zijn moederbedrijf voor  wereldwijd gebruik in de andere landen waar het actief is. “Uiteraard zijn er landelijke verschillen, zoals het wettelijk kader en gewoontes van klanten, maar ik verwacht dat we één basismodel kunnen blijven gebruiken, eventueel aangevuld met lokale variabelen”, besluit Dirk Schaele.