Czy Twoja firma wie, że klient jest niezadowolony– zanim on sam to powie? (Case Study)

Wyobraź sobie pasażera. Nazwijmy go Jan. Jan regularnie podróżuje z tą samą firmą przewozową. Ostatnio jednak coś się zmieniło. Lot był opóźniony, na pokładzie nie działało Wi-Fi, a obsługa wydawała się zmęczona. Jan nic nie powiedział. Nie wypełnił ankiety, nie złożył skargi. Po prostu następnym razem kupił bilet u konkurencji. Firma straciła lojalnego klienta i nawet o tym nie wie.

Brzmi znajomo? W dzisiejszym świecie walka o klienta to nie tylko cena i produkt. To przede wszystkim doświadczenie – Customer Experience. A co, jeśli powiedzielibyśmy Ci, że można było przewidzieć niezadowolenie Jana i zareagować, zanim odszedł? To właśnie zrobiliśmy dla jednego z naszych klientów z branży transportu pasażerskiego.

Problem biznesowy: Ciche odejścia i utracone szanse

Nasz klient, duży przewoźnik pasażerski stanął przed klasycznym wyzwaniem: rosnąca konkurencja i spadająca lojalność. Mimo inwestycji w nowoczesną flotę i marketing, wskaźniki satysfakcji, takie jak NPS (Net Promoter Score), stały w miejscu. Największym problemem byli jednak 'cisi’ niezadowoleni — klienci, którzy odchodzili bez słowa.

Firma podejmowała decyzje w oparciu o ankiety, ale te docierały tylko do niewielkiego odsetka najbardziej zaangażowanych (lub najbardziej sfrustrowanych) pasażerów. Brakowało pełnego obrazu. Potrzebowali sposobu, by zrozumieć doświadczenia każdego klienta, a nie tylko tych, którzy krzyczą najgłośniej.

Efekt Spotify i Netflix: Jak giganci personalizują doświadczenia?

Zanim przejdziemy do naszego rozwiązania, zastanówmy się, dlaczego serwisy takie jak Spotify czy Netflix tak dobrze nas znają. To nie magia to Data Science.

▸  Spotify nie pyta Cię, czy masz zły nastrój. Analizuje tempo i tonację piosenek, które ostatnio pomijasz lub dodajesz do playlist, i na tej podstawie tworzy playlistę Odkryj w tym tygodniu, która idealnie trafia w Twój gust.

▸  Netflix nie wysyła ankiet z pytaniem: Jakie filmy lubisz?. Obserwuje, co oglądasz, kiedy pauzujesz, a nawet jakie zwiastuny przewijasz. Dzięki temu rekomenduje seriale, od których nie możesz się oderwać.

▸  Amazon przewiduje, jakie produkty zamówisz, zanim sam o tym pomyślisz i optymalizuje łańcuch dostaw z wyprzedzeniem.

▸  Uber analizuje wzorce przejazdów i dynamicznie dopasowuje ceny oraz dostępność kierowców, minimalizując czas oczekiwania.

To jest właśnie budowanie doświadczeń klientów w oparciu o dane. Te firmy nie zgadują one wiedzą. A wiedza ta pozwala im tworzyć głęboko spersonalizowane i satysfakcjonujące usługi. Dlaczego branża transportowa miałaby działać inaczej?

Nasze podejście: Case Study z pogranicza Data Science i CX

Postanowiliśmy zastosować tę samą logikę. Naszym celem nie było po prostu zbudowanie modelu, ale dostarczenie firmie narzędzia do proaktywnego zarządzania CX. Wzięliśmy na warsztat anonimowe dane o podróżach ponad 100 000 pasażerów i przeprowadziliśmy kompletny projekt analityczny.

Krok 1 Zrozumienie danych (Eksploracyjna Analiza Danych)

Najpierw przyjrzeliśmy się wszystkim dostępnym informacjom: od wieku pasażera, przez klasę podróży i odległość, aż po oceny poszczególnych usług (czystość, komfort fotela, jedzenie, Wi-Fi na pokładzie). Dane obejmowały 129 880 pasażerów i 24 zmienne i bogaty materiał do analizy.

Krok 2 Czyszczenie i przygotowanie danych

Zanim model mógł się czegokolwiek nauczyć, dane musiały być kompletne i spójne. Usunęliśmy wartości odstające (np. ekstremalne opóźnienia), uzupełniliśmy braki medianą i zakodowaliśmy zmienne kategoryczne (np. klasę podróży) w formę zrozumiałą dla algorytmów.

Krok 3 Inżynieria cech (Feature Engineering)

Następnie zaczęliśmy łączyć kropki. Stworzyliśmy nowe cechy, takie jak Całkowite Opóźnienie (suma opóźnienia odlotu i przylotu), Średnia Ocena Usług Pokładowych czy Profil Pasażera Biznesowego. To pozwoliło nam spojrzeć na podróż całościowo, a nie jako na zbiór oderwanych od siebie ocen.

Krok 4 Budowa i porównanie modeli predykcyjnych

Przetestowaliśmy kilka algorytmów uczenia maszynowego: regresję logistyczną, Random Forest oraz SVM (Support Vector Machine). Każdy model był oceniany za pomocą walidacji krzyżowej i technikę, która gwarantuje, że wyniki nie są przypadkowe. Najlepiej sprawdził się SVM z jądrem RBF, który po dostrojeniu hiperparametrów osiągnął znakomite wyniki.

Wyniki: Liczby, które mówią same za siebie

95%  skuteczność predykcji satysfakcji pasażera

93,6%  F1-score — miara balansu między precyzją a czułością modelu

100 000+  pasażerów przeanalizowanych w projekcie

5  nowych cech stworzonych dzięki inżynierii danych

Co 95% skuteczności oznacza w praktyce?

Liczby są imponujące, ale co one realnie dają firmie? Ogromne możliwości operacyjne i strategiczne.

▸  Proaktywna interwencja: System może automatycznie oflagować pasażera z wysokim ryzykiem niezadowolenia (np. z powodu opóźnienia i niskiej oceny Wi-Fi) i wysłać do obsługi alert: 'Pasażer Jan Kowalski z miejsca 14C może być niezadowolony. Zaproponuj mu darmowy voucher na następną podróż.

▸  Personalizacja oferty: Zamiast wysyłać wszystkim ten sam newsletter, firma może segmentować klientów. Biznesmenom podróżującym w klasie biznes można zaproponować dostęp do saloniku, a rodzinom z dziećmi, zniżki na bagaż.

▸  Mierzalna poprawa CX: Zamiast opierać się na intuicji, firma może testować nowe inicjatywy (np. nową ofertę jedzenia) i natychmiast mierzyć ich wpływ na przewidywaną satysfakcję klienta.

▸  Optymalizacja NPS: Model identyfikuje, które elementy podróży (opóźnienie, Wi-Fi, czystość) mają największy wpływ na satysfakcję, co pozwala priorytetyzować inwestycje.

Data Science to silnik nowoczesnego Customer Experience

Ten projekt udowodnił coś, co na świecie jest już standardem: bez Data Science, zarządzanie CX jest jak błądzenie we mgle. Decyzje podejmowane na bazie danych, a nie przeczuć i pozwalają nie tylko reagować na problemy, ale przede wszystkim im zapobiegać.

To fundament prawdziwej klientocentryczności. To zdolność do zrozumienia potrzeb klienta, zanim on sam je w pełni zwerbalizuje. To przejście od reaktywnego gaszenia pożarów do proaktywnego budowania pozytywnych doświadczeń na każdym etapie podróży klienta.

Zarządzanie CX bez danych to zarządzanie w ciemności. Ankiety NPS mówią nam, co klient czuł, ale nie dlaczego. Data Science odpowiada na pytanie dlaczego i co ważniejsze , co się stanie, jeśli… To różnica między lustrem a oknem: jedno pokazuje przeszłość, drugie, przyszłość.

Chcesz zacząć budować taką wiedzę w swojej firmie?

To był nasz pierwszy, ale z pewnością nie ostatni projekt tego typu. Pokazał on, jak ogromny potencjał drzemie w danych, które większość firm już posiada, ale nie w pełni wykorzystuje.

Jeśli Twoja firma chce zacząć budować przewagę konkurencyjną w oparciu o dane i Customer Experience to napisz do nas. Zespół Klientocentryczni chętnie pomoże Wam zrozumieć Waszych klientów na nowo.

✉  Napisz do nas: biuro@klientocentryczni.pl