Cómo aplicar el análisis predictivo a la recuperación posterior a COVID
Ahora estamos en la mitad del tercer trimestre de un año que seguramente será recordado como uno de los más caóticos de la historia. A muchos de nosotros no nos gustaría nada más que simplemente avanzar rápidamente hasta 2021 o más allá.
Pero, ¿cómo llegar allí? A medida que los líderes del centro de contacto planifican la recuperación pospandémica, tanto a corto como a largo plazo, ¿a dónde pueden acudir para obtener información confiable para la toma de decisiones informada? El brote pandémico creó condiciones de mercado volátiles y un comportamiento impredecible de los clientes. ¿Qué impacto tienen las circunstancias únicas que experimentaron las empresas en 2020 en la confiabilidad de los datos recientes de los clientes y los análisis predictivos? ¿Cómo influirá en la planificación estratégica del centro de contacto pospandémico?
Para conocer las respuestas a estas preguntas, me comuniqué con varios expertos en análisis predictivo de la industria de los centros de contacto. Para este artículo, quería concentrarme en tres áreas clave para la planificación estratégica para la era posterior al COVID: recopilar y utilizar datos de clientes, recursos humanos (contratación, gestión del rendimiento y retención) y seguridad de los datos.
Los siguientes son:
Daniel Foppen, gerente principal de productos, Oracle CX Service Strategy, quienes brindan información y consejos sobre los desafíos de datos causados por el comportamiento errático de los clientes y las condiciones cambiantes del mercado durante la pandemia; Jeff Gallino, director de tecnología y fundador de CallMiner; y Alex Martinez, gerente senior de marketing de productos, OpenText.
Los centros de contacto que emergen de la crisis con escasez de personal pueden encontrar que sus perfiles de contratación anteriores no se aplican a un entorno principalmente de trabajo desde casa. Las habilidades de inteligencia emocional también tienen una mayor demanda, ya que las personas que llaman requieren más empatía y contacto humano. Me dirigí a Scott Bakken, fundador y presidente de MainTrax, por sus observaciones sobre la contratación, el rendimiento y la retención de agentes.
Finalmente, en el rápido cambio del trabajo físico al trabajo remoto, muchos centros se encontraron mal equipados para asegurar su repentina fuerza laboral desde casa. Eli Sutton, vicepresidente de operaciones globales de Teramind, ofrece sus pensamientos sobre el tema.
Datos del cliente: ¿es confiable? Mejores casos de uso para la recuperación
P. ¿Cómo pueden las empresas evaluar los datos y los modelos predictivos que pueden dejar de ser confiables debido al comportamiento errático del consumidor y las condiciones del mercado que cambian rápidamente durante el COVID-19?
Daniel Foppen, Gerente principal de productos senior, Oracle CX Service Strategy
DANIEL FOPPEN:
Los modelos predictivos se basan en patrones pasados. Pero muchos patrones han cambiado abruptamente durante los últimos seis meses durante la pandemia de COVID-19. Para adaptarse a estos cambios y evitar hacer predicciones inexactas, los sistemas de análisis predictivo o de aprendizaje automático (ML) se pueden ajustar o redirigir proporcionándoles un nuevo conjunto de datos de aprendizaje directamente desde este momento de cambio.
Dicho esto, la pregunta sigue siendo si las empresas deberían basar sus acciones estratégicas prospectivas en base a los datos, patrones y comportamiento de los últimos seis meses. Es cierto que la situación puede parecer grave hoy en países como Estados Unidos, Brasil y Rusia. Por ejemplo, en los EE. UU., La tasa de desempleo alcanza los dos dígitos, sectores enteros de la economía están estancados y es probable que los cheques de apoyo del gobierno se agoten en algún momento. Sin embargo, estamos experimentando una recesión creada por una pandemia, no una economía estructuralmente desalineada que conducirá a una depresión prolongada. Cuando observamos cómo otras economías de todo el mundo están acelerando con cautela después de suprimir el brote del virus, deberíamos planificar en consecuencia para volver gradualmente a la normalidad, especialmente a medida que las vacunas estén disponibles. Algunas industrias se recuperarán más rápido que otras industrias.
Por lo tanto, cuando piense en usar datos y modelos predictivos, recomendaría identificar diferentes escenarios y períodos de tiempo para la planificación. En el corto plazo, el comportamiento del consumidor será similar al que hemos visto en los últimos seis meses. A largo plazo, será algo similar a las épocas anteriores a COVID-19 con algunos ajustes de sentido común (por ejemplo, recogida en la acera, experiencias digitales, etc., serán más comunes que antes). La duración de la transición entre estas dos fases dependerá de la industria.
Jeff Gallino, CTO y fundador, CallMiner
JEFF GALLINO:
Los datos y la información de los clientes cambian mes, semana e incluso día, y las marcas recibieron una llamada de atención sobre su naturaleza en constante cambio durante COVID-19. La acción más crucial que puede tomar una empresa para recopilar datos confiables de los clientes es mantener el pulso al 100% de las conversaciones, 24 horas al día, 7 días a la semana, con análisis contextual en evolución aplicado en tiempo real a través de análisis predictivos.
Por ejemplo, muchas marcas solo analizan del 1% al 3% de las interacciones con sus clientes. Debido a esto, reciben una visión muy limitada y sesgada de la percepción del consumidor. Con la tecnología adecuada, las empresas pueden escuchar y analizar cada interacción, ampliando su grupo de datos para una descripción más precisa de su audiencia. Con el análisis contextual, las marcas pueden evaluar la ubicación, los factores sociales y económicos que pueden afectar las interacciones, lo cual es especialmente importante durante esta pandemia.
La clave para encontrar información procesable a través de esta gran cantidad de datos es la capacidad de examinar cantidades infinitas de ruido para descubrir tendencias, problemas comunes y preferencias cambiantes al instante. La tecnología adecuada es imperativa, ya que el volumen de análisis y el nivel de categorización van más allá de la capacidad humana.
Alex Martinez, Gerente senior de marketing de productos, OpenText
ALEX MARTINEZ:
COVID-19 cambió la forma en que las organizaciones recopilan y miran los datos de los clientes. En el mundo anterior cara a cara y transaccional, los datos de los clientes estaban disponibles y se recopilaban fácilmente. Sin embargo, ahora los datos de los clientes son escasos y los grandes actores del comercio electrónico, como Amazon, Shopify y Walmart eCommerce, los recopilan en gran medida, ya que las compras de los consumidores se han desplazado en línea en todos los sectores demográficos.
La realidad actual de quedarse en casa exige modelos predictivos y pronósticos nuevos o recalibrados, ya que los modelos antiguos pueden no ser confiables. Las empresas deben ser creativas para encontrar nuevas fuentes de datos de clientes. Esto puede requerir incentivar a los clientes para que participen en cosas como una zona digital organizacional recién creada. Aquí, la información del cliente se puede recopilar a partir de análisis en tiempo real en todos los puntos de contacto con el cliente, ya sean estructurados o no estructurados (por ejemplo, voz). Además, la incorporación de programas de Voz del cliente (VoC) puede permitir a las organizaciones identificar las últimas tendencias. Finalmente, los datos de las redes sociales se han vuelto más importantes que nunca, ya que las organizaciones ya no pueden depender solo de los datos del punto de venta.
P. ¿Qué otros tipos de comentarios o datos pueden proporcionar información oportuna sobre los comportamientos cambiantes de los clientes para ayudar a guiar la toma de decisiones?
DANIEL FOPPEN:
Primero, veamos la analítica digital. La analítica digital es la mejor herramienta para realizar un seguimiento del comportamiento de los clientes digitales en diferentes dispositivos. Se puede obtener una gran cantidad de información sobre cómo los clientes usan las aplicaciones, qué hacen cuando visitan los sitios web de las empresas, en qué hacen clic, qué les gusta, qué descargan, etc. Esto resulta especialmente revelador cuando podemos ver los datos en tiempo real, combinados con la resolución de identidad.
Es importante tener en cuenta que la mayoría de las experiencias digitales ocurren cuando el cliente no está conectado, lo que significa que son visitas web desconocidas. Se puede obtener una gran cantidad de información genérica a partir de visitas web desconocidas, pero si esas visitas se pueden vincular a una identidad, será más poderosa. Al hacerlo, una marca puede generar un único perfil de comportamiento digital de un cliente que incluye datos de diferentes dispositivos que posee el cliente, visitas a la web en esos dispositivos que conducen a compras posteriores (por ejemplo, en una tienda) o la ausencia de una compra y comportamiento digital vinculado a visitas de servicio al cliente y más.
También podemos agregar a la mezcla datos de dispositivos conectados a IoT propiedad del cliente. Piense en un sensor de IoT que indique una falla inminente y combinándolo con la información de que el cliente posee una variedad de dispositivos costosos y gasta mucho en el negocio. Para ese cliente, puede tener sentido acercarse de manera proactiva para ofrecer una pieza de repuesto o servicio.
Existen muchas más fuentes diferentes que pueden proporcionar pistas sobre la intención y el comportamiento del cliente, incluida la gestión de comentarios, las redes sociales, los mercados de datos de terceros (tecnología publicitaria), etc. Con tantas fuentes potenciales diferentes de datos de clientes, el desafío para las empresas no es solo identificar estas fuentes, sino consolidar todos estos formatos diferentes, flujos de datos estructurados y no estructurados y sistemas de fuentes, en un perfil de cliente dinámico y cohesivo. Cuando se interpretan, estos datos se pueden utilizar en tiempo real para activar y ajustar mensajes, responder a señales y personalizar interacciones a lo largo de todo el recorrido del cliente.
Los lagos de datos se han promocionado como la solución para este problema durante la última década, pero los lagos de datos se quedan cortos porque importan datos en lotes, por ejemplo, durante el fin de semana. Esto puede satisfacer las necesidades de la persona de TI, pero cuando los datos del cliente no están disponibles en (casi) tiempo real, se vuelve difícil para el profesional de CX hacer algo útil con la información del cliente, especialmente en el entorno actual que cambia rápidamente.
En Oracle, nuestro punto de vista es que la única forma viable de guiar la toma de decisiones en nuestro panorama dinámico es con una Plataforma de Inteligencia del Cliente que consolide una amplia variedad de fuentes de datos en torno a un perfil de cliente dinámico y que también haga que la información esté disponible en forma real. -hora. Al hacerlo, una empresa puede actuar de manera inteligente y ágil.
JEFF GALLINO:
Uno de los valores fundamentales de la analítica predictiva es su capacidad para extraer información valiosa que impulsa una toma de decisiones mejor y más estratégica y la mejora de procesos en toda la empresa. Esto incluye el desempeño y la experiencia de los empleados, ventas, marketing, operaciones, desarrollo de productos y más.
El análisis emocional y de sentimiento derivado de la analítica puede revelar los tipos de preguntas que hacen sus clientes, los temas que les interesan y lo que quieren de su marca. Esta información puede descubrir lo desconocido, identificar problemas de raíz y guiar a toda la empresa. Al descubrir información más rápidamente, las organizaciones pueden tomar decisiones mejores y más informadas sobre las necesidades de personal, las deficiencias de los productos, los cambios de mensajería y más. Las organizaciones más maduras ponen en práctica los conocimientos de los clientes para la estrategia, la mejora del rendimiento en toda la empresa y el valor final.
ALEX MARTINEZ:
Los datos de los clientes en el punto de venta han sido la mayor parte del conjunto de datos tradicional. Ahora, las organizaciones deben expandirse y recopilar datos de clientes de diferentes fuentes. Esto puede incluir datos de conversación que ocurren, comenzando con el centro de llamadas o el número 1-800 de ventas. Continúa con el cambio a la participación en línea que se produce a través de los umbrales generacionales debido a COVID-19.
El tipo de datos, ya sean estructurados o no estructurados, también es muy importante. Los datos estructurados de los clientes pueden ser más fáciles de capturar a través de múltiples canales, por ejemplo, a través de la revisión por pares del sitio web o las redes sociales porque el texto digital es texto digital. Los datos no estructurados, por otro lado, son más difíciles de capturar. Incluye datos en forma de información de video o voz y requiere una capa de capacidades tecnológicas adicionales para capturar esa información en un formato utilizable para ser procesada por la herramienta de análisis. Se pueden utilizar otros sistemas digitales de participación como fuente confiable. Por ejemplo, los chatbots interactivos pueden proporcionar una gran cantidad de patrones de respuesta, comentarios y sentimientos del cliente.
P. ¿Cuáles son los mejores casos de uso para el análisis predictivo en la recuperación empresarial pospandémica?
DANIEL FOPPEN:
La crisis actual ofrece muchos desafíos, pero también muchas oportunidades, para cambiar la forma en que pensamos sobre los procesos, enfoques, cultura, tecnologías y más. Alentamos encarecidamente a las empresas a reflexionar sobre los procesos ineficientes y utilizar la crisis de COVID-19 como un momento crucial para repensar la forma en que siempre se han hecho las cosas.
Por ejemplo, la pandemia ha fomentado la adaptación de nuevos modelos comerciales que colocan el servicio en su centro. Uno de los cambios más prometedores implica el servicio al cliente predictivo, que pone patas arriba el paradigma básico del servicio. La idea de servicio siempre ha sido un modelo reactivo. Un cliente tiene un problema con un producto o servicio y se comunicará con el servicio de atención al cliente para resolver el problema.
Hoy en día, sin embargo, hay tanta información disponible para las empresas que los equipos de servicio al cliente pueden predecir si un cliente tendrá un problema antes de que el cliente lo sepa. Imagínese lo increíble que se sentiría recibir una llamada, un mensaje o un correo electrónico del servicio de atención al cliente para informarle que estaba a punto de tener un problema, pero que ya se ha solucionado. Las organizaciones inteligentes están descubriendo cómo diferenciarse de sus competidores con modelos de servicios predictivos, y el análisis predictivo juega un papel muy importante para permitir esta transición.
Llevemos esa idea un paso más allá. Imagine una empresa que vende dispositivos industriales conectados a IoT a pequeñas y medianas empresas. Tradicionalmente, el proveedor vendía estos dispositivos como compras únicas con un gran manual, enviaba material de primera calidad todos los meses, recibía llamadas cuando era necesario reparar los productos y, después de unos años, le vendía a un cliente un dispositivo nuevo. Un modelo de negocio predictivo y centrado en el servicio da la vuelta a esta idea. En lugar de vender estos dispositivos, el proveedor los ofrece con una tarifa de suscripción mensual, un modelo de hardware como servicio. En lugar de imprimir un gran manual, un capacitador va al lugar para enseñar al personal. Los materiales de primera calidad se envían y reponen automáticamente cuando los sensores de IoT indican niveles bajos, y el servicio al cliente está monitoreando activamente los errores inminentes anunciados por análisis predictivos que informan sobre los datos de los sensores. Si el análisis predictivo indica una posible falla, el equipo de servicio puede enviar de manera proactiva una pieza de reemplazo y programar la instalación de un técnico. Un modelo como este es lo mejor para el cliente y el proveedor, ya que maximiza el uso y el tiempo de actividad de los dispositivos. Un ganar-ganar.
Incluso si una empresa no se ocupa de dispositivos conectados a IoT, seguimos creyendo que el análisis predictivo puede impulsar modelos comerciales innovadores similares.
Debido a la gran cantidad de datos de clientes disponibles, hay formas de obtener información similar. Por ejemplo, tome una empresa que vende dispositivos mecánicos simples con un mecanismo de bloqueo. Digamos que la compañía vendió 1 millón de estos dispositivos durante el último año y el 1% de esos clientes se comunicó con el servicio al cliente con una pregunta muy trivial de cómo desbloquear el mecanismo de bloqueo. A un estimado de $ 10 por llamada, multiplicado por 10,000 llamadas, a la empresa le cuesta $ 100,000 responder esa simple pregunta que los clientes podrían haber resuelto al mirar la sección de preguntas frecuentes en el sitio web. Entonces, ¿podría una empresa evitar estas llamadas utilizando análisis predictivos? Eso depende de los datos.
Cuando combina herramientas como el análisis de audiencia de Oracle Data Cloud, puede comparar los 10,000 clientes que llamaron con 8 mil millones de otros perfiles. Aquí, puede encontrar todos los puntos en común que le permiten a su empresa crear segmentos de clientes altamente precisos que son muy parecidos. Con estos datos de segmentación de análisis predictivo, una empresa puede llegar de manera proactiva a todos los clientes que compraron los dispositivos, quienes probablemente se pondrán en contacto con el servicio de atención al cliente para preguntar cómo desbloquear el dispositivo con la solución a esa pregunta. Este es otro ejemplo de cómo resolver el problema de un cliente antes de que sepa que tiene un problema. En Oracle estamos muy emocionados de imaginar lo que eso hará a la lealtad del cliente y cómo experiencias como esta impulsarán nuevos e innovadores modelos de negocios en el futuro.
JEFF GALLINO:
La recuperación de la pandemia será un camino largo y accidentado, y estamos seguros de experimentar una serie de cambios importantes en el comportamiento del consumidor a lo largo de esta nueva normalidad. Debido a esto, algunos de los mejores casos de uso para el análisis predictivo involucrarán la capacidad de identificar a los clientes que aún son vulnerables a raíz de la pandemia. Mediante la evaluación de la vulnerabilidad mediante la identificación de palabras clave, frases y acústica, se puede guiar a los agentes para que respondan a los niveles de estrés del consumidor de manera más apropiada y empática. Al medir la vulnerabilidad, el análisis predictivo también puede alertar a las organizaciones sobre la propensión a pagar de un cliente. La pandemia ha puesto a muchas personas en una situación financiera difícil y la recuperación no sucederá de la noche a la mañana. La capacidad de extraer información del cliente sobre pagos futuros no solo ayudará a desarrollar mejores estrategias de cobranza, sino que también ayudará a su organización a mitigar el riesgo de cumplimiento y las pérdidas para aumentar las tasas de recuperación.
En general, para lograr el mayor impacto, es fundamental utilizar tecnología que vaya más allá de descubrir tendencias basadas en búsquedas realizadas por humanos. Las mejores soluciones predictivas se basan en hipótesis iniciales para identificar automáticamente los factores desencadenantes relacionados que las marcas deben analizar y sobre los que deben actuar. Así es como las organizaciones pueden facilitar análisis de participación más eficientes y completos, lo que permite a las organizaciones impulsar rápidamente el valor en toda la empresa y las mejoras en el rendimiento final.
ALEX MARTINEZ:
Existen numerosas y cada vez mayores aplicaciones para el análisis predictivo en el mundo empresarial actual. Varias industrias tienen necesidades muy específicas. Sin embargo, hay algunos casos de uso que pueden aplicarse en múltiples industrias:
- Perfil y segmentación del cliente para una combinación mejorada y más precisa de productos y servicios.
- Identificación del comportamiento del consumidor y poder adquisitivo.
- Voice of the Customer y, posteriormente, decisiones de compra basadas en la satisfacción del cliente, los sentimientos actuales, Net Promoter Scores (NPS) y más.
- Aumento de la participación de la billetera de los clientes al identificar las preferencias, la capacidad de compra y la previsibilidad de lo que necesitan. Esto puede generar más oportunidades de venta cruzada o superior.
- Predecir el inventario de productos y las demandas de los consumidores basándose en datos de información macro y microeconómica.
- Un reenfoque en el rol humano: contratación, gestión del desempeño y retención
P. ¿Cómo están cambiando los perfiles de contratación de agentes en el entorno del centro de contacto posterior a una pandemia?
Scott Bakken, Fundador y presidente de MainTrax
SCOTT BAKKEN:
Hay pocas consideraciones posteriores a la pandemia que estamos viendo con regularidad. Hay un enfoque renovado en el compromiso y la comprensión del compromiso del candidato. ¿Dónde se originó la experiencia del cliente del candidato? ¿Existe una comprensión del servicio que proporcionará una mejor experiencia al cliente y traerá algo de humanidad a la posición que ahora requiere niveles aún mayores de empatía y autenticidad?
Curiosamente, vemos menos énfasis en el tiempo promedio de manejo y números de resolución en la primera llamada y más énfasis en las puntuaciones de promotor neto en los centros de llamadas, y el proceso de contratación está cambiando para satisfacer esas necesidades más humanas. Traer a la “persona real” de regreso al centro de llamadas y participar en la conversación con el cliente puede ser una ventaja para la pandemia. Hemos escuchado historias de agentes que están dedicando más tiempo a personas que, francamente, necesitan más interacción humana y menos eficiencia transaccional. Contratar candidatos con características emocionales identificables es un éxito en este entorno.
P. ¿Cuáles son algunos de los desafíos de retención y desempeño de los agentes que han surgido o se han identificado durante la transición del trabajo en el lugar al trabajo desde casa?
SCOTT BAKKEN:
Por tanto, existe una nueva apreciación por los agentes que trabajan desde casa (FMH). Todos sabemos que los agentes de la FMH son un grupo que, de hecho, asume la responsabilidad de sus responsabilidades. No hay nadie para resolver sus problemas y es probable que nadie se dirija hacia ellos para salvar el día. Son más técnicos. Son emprendedores. No hay colas físicas o de equipo que los guíen en su día. La autosuficiencia es parte del trato cuando eres un agente de la FMH. Pero eso es bastante diferente para los agentes enviados desde un centro físico a la FMH. La transición de un nuevo agente de la FMH está tomando tiempo y los datos sobre cómo van las cosas aún son lo suficientemente nuevos como para no creer que podamos describir la transición en términos generales. El nivel de cambio ha sido tan grande que se necesitará tiempo para determinar exactamente qué está funcionando y qué no.
Como anécdota, hemos oído hablar de colas más largas de lo normal relacionadas con el deseo de un cliente de hablar con un ser humano durante la cuarentena. Un simple saludo de “cómo estás” de un agente puede provocar una respuesta elaborada y de gran alcance. Hemos escuchado a los agentes descritos como “primeros respondedores emocionales”, ya que pueden ser el único contacto humano que un usuario puede tener durante su día y una voz humana bienvenida al otro lado de la llamada.
También hemos oído hablar de puntuaciones de eficiencia bajas en las métricas del centro de llamadas sin el pánico que puede surgir durante los tiempos normales. Saber que este es un momento loco significa aceptar que todos necesitamos tiempo para adaptarnos y ver las realidades durante un período de tiempo antes de reaccionar reflexivamente. Hay mucho que aprender y la paciencia nos servirá a todos para hacer los cambios correctos en el momento oportuno con las personas que demuestran tener el corazón para este trabajo.
P. ¿Cómo pueden los centros de contacto aprovechar el análisis predictivo para ser más ágiles y resilientes en la contratación de agentes, la gestión del rendimiento y las estrategias de retención para el entorno posterior a una pandemia?
SCOTT BAKKEN:
El análisis predictivo utiliza la comprensión de los atributos y habilidades de los agentes exitosos para determinar la probabilidad de éxito. Y existen herramientas que utilizan la emoción y el compromiso e incluso niveles de agrado en sus predicciones, como las de empresas como HireIQ. Aprovechar la entrevista virtual para determinar las habilidades duras de un candidato junto con la capacidad predictiva basada en emociones es un jonrón en este nuevo mundo.
Esta tecnología ha sido un estándar para los modelos de la FMH durante años. Ahora es aplicable a todas las contrataciones de call center. Imagine poder comprender las habilidades de un candidato en términos de ingreso de datos, mecanografía, dominio del idioma y, al mismo tiempo, determinar su compromiso emocional y energía. Los resultados predictivos pueden cambiar las reglas del juego en este nuevo mundo.
Mantener los datos seguros durante el turno de trabajo desde casa
P. ¿Cómo han impactado los cambios relacionados con COVID en las prácticas comerciales y los comportamientos de los consumidores en el riesgo de filtraciones de datos?
Eli Sutton, Vicepresidente de Operaciones Globales, Teramind
ELI SUTTON:
La ciberseguridad es uno de los desafíos más importantes para las empresas que cambian de un entorno de trabajo in situ a uno remoto. Muchos empleadores tienen controles internos que tienen en cuenta tanto la actividad de los usuarios malintencionados como los errores humanos para evitar daños no deseados o la filtración de información confidencial de la empresa.
Sin embargo, llevar ese entorno de seguridad a los hogares de los empleados puede ser un desafío, especialmente al priorizar la privacidad de los empleados. Ahí es donde Teramind se ha hecho un nombre. Teramind proporciona un enfoque amigable con la privacidad para el monitoreo de los empleados, lo que permite un control granular de las funciones de monitoreo. Por ejemplo, nuestros usuarios a menudo tienen los datos de registro del agente cuando un empleado viola una política establecida. De lo contrario, el agente no registrará ningún dato.
Curiosamente, hemos descubierto que muchas organizaciones están considerando esto como una solución a largo plazo. Muchas empresas han informado que sus empleados son mucho más felices y productivos cuando trabajan desde casa, lo que anima a las empresas a desarrollar una infraestructura de ciberseguridad a largo plazo que pueda adaptarse a una fuerza laboral híbrida.
P. ¿Cuáles son los principales tipos de delitos cibernéticos que han surgido durante la pandemia?
ELI SUTTON:
Si bien están comenzando a surgir algunos patrones de amenazas, es difícil identificar tendencias de ciberseguridad a gran escala. Algunos usuarios están manejando mal la información, otros buscan asegurar el apalancamiento robando datos de la empresa, y otros están abusando de la confianza de la empresa al tomar un descanso de tres horas para almorzar. En su mayor parte, recibo informes de empleados que están mucho más felices y agradecidos por tener la oportunidad de trabajar, donde amigos y familiares pueden estar luchando en estos tiempos de incertidumbre.
P. ¿Cómo pueden los centros de contacto aprovechar el análisis predictivo para cambiar el enfoque de seguridad de datos de reactivo a proactivo?
ELI SUTTON:
Los centros de contacto deben erigir vallas digitales para evitar la actividad malintencionada de los usuarios antes de que se convierta en un problema o cause daños. Muchas soluciones de software brindan monitoreo en tiempo cercano, lo que puede ayudar a investigar las infracciones después de que ocurran. Un mejor enfoque es implementar soluciones de monitoreo en tiempo real que eviten el comportamiento de riesgo del usuario antes de que causen daños.
Por ejemplo, con nuestra plataforma, los usuarios pueden mapear sus vulnerabilidades de trabajo remoto y establecer controles de software personalizados para evitar un evento de pérdida de datos. El software puede responder notificando a un administrador de TI o incluso bloqueando a un usuario que muestre negligencia grave o participe en una actividad maliciosa. Al revisar de manera rutinaria estas políticas y actualizar sus vallas digitales, los centros de contacto pueden prevenir una infracción antes de que ocurra.
Fuente: www.contactcenterpipeline.com
