Pensioencommunicatie

Uitgave: Pensioen Bestuur & Management (PBM) nummer 4 2019

PETER DE GOEIJ, UNIVERSITAIR HOOFDDOCENT TILBURG UNIVERSITY Rubriek: Communicatie
Geplaatst op 01-10-2019
Pensioencommunicatie Het pensioen is voor de gemiddelde Nederlander niet echt een onderwerp waar men elke dag aan denkt. Pensioen is voor de verre toekomst en dus is er nog genoeg tijd. Het is makkelijk om elke dag je banksaldo te controleren. Het controleren van de staat van je pensioen is niet gebruikelijk. Pensioen is immers complexe materie. Het is niet gemakkelijk om dat op een overzichtelijke en begrijpelijke manier te communiceren. Hoe kunnen we datascience-methoden en -technieken gebruiken om pensioencommunicatie te verbeteren?

Er bestaan verschillende ‘state-of-the-art’ datascience-methoden en -technieken die te gebruiken zijn om pensioencommunicatie te verbeteren. Dit zijn:
- Text analytics.
- Voice analytics.
- Eyetracking analytics.

Text analytics richt zich op de bron van informatie. Een voorbeeld is het analyseren van tekstuele (e-mail)communicatie tussen cliënt en pensioen/verzekeringsaanbieder.
Text analytics kan ook gebruikt worden om documenten die naar klanten gestuurd worden te analyseren. Voice analytics richt zich op het analyseren van gesprekken tussen cliënt en pensioen/verzekeringsaanbieder.
Tenslotte eytracking analytics, wat zich voornamelijk richt op de ontvangers van de informatie. Voorbeelden zijn het volgen van oogbewegingen van cliënten die informatie van pensioenproducten nalezen op webpagina’s of informatiefolders.

Text analytics

Recente innovaties in datascience-methoden – voornamelijk ‘deep learning’ en andere machine learning algoritmen – leiden op dit moment tot ongeëvenaarde ontwikkelingen in textual analytics taken, zoals het heel nauwkeurig herkennen van het sentiment van de schrijver van de tekst en het nauwkeurig en automatisch classificeren van de inhoud. Hierbij biedt text mining mogelijkheden om op grote schaal, door gebruik van grote hoeveelheden data, tekst te structureren, analyseren en categoriseren waardoor de effectiviteit van geschreven communicatie vergroot kan worden. Met behulp van deze techniek kan ook in kaart worden gebracht welke woorden je in de communicatie moet gebruiken om bepaalde groepen mensen aan te spreken. Er zijn echter wel veel data nodig om een zelflerend algoritme te ontwikkelen. Voor de Nederlandse taal is dit tot nu toe helaas beperkt beschikbaar.

Voice analytics
Klanten met vragen willen in het algemeen het liefst een persoonlijk gesprek met een medewerker die snel antwoord kan geven. Dit kan bijvoorbeeld via een telefoongesprek, dat is immers het gemakkelijkste. Een telefonist kan veel ongemakken bij klanten wegnemen. Door miscommunicatie ontstaat echter soms ook irritatie en dat werkt door in emoties in het stemgeluid. Vocale analyse van het stemgeluid is een betrouwbare methode om emoties te bespeuren in interactie. Het is echter ook belangrijk om hetgeen wat is besproken tekstueel te analyseren, maar het is zeker niet de enige variabele die klantgedrag kan voorspellen. Het interpreteren van emoties is sterk afhankelijk van de context waarin je stemgeluid analyseert. Het is in het geval van bijvoorbeeld een klantenservicegesprek niet goed mogelijk om automatisch te detecteren wie de klant is en wie de medewerker. Het apart registreren van het stemgeluid van klant en medewerker kan daarbij helpen.

Ontwikkelingen op dit gebied gaan snel en verschillende pensioenaanbieders hebben al met datascience-technieken gewerkt. Een voorbeeld van zo’n ontwikkeling is VERA. VERA is software die emoties herkent bij klanten en stelt de telefonist daarvan op de hoogte via een dashboard. Klanten die bellen zitten met vragen of hebben een probleem waar ze een oplossing voor zoeken. Dit leidt ertoe dat meestal een gesprek licht geïrriteerd begint. Tijdens het gesprek wisselt de stemming van een klant voortdurend. VERA helpt de telefonist de emotionele toestand van een klant te begrijpen. Daardoor kan het gesprek beter en sneller gestuurd worden in de richting van oplossingen van problemen en antwoorden op vragen. VERA gaat dan ook verder dan louter het herkennen van emoties. Via machine learning en artificial intelligence leert VERA van de gevoerde gesprekken. Na een reeks gesprekken kan VERA laten zien hoe de telefonist reageert op bepaalde situaties en waarom die reactie goed of niet goed uitpakt. De telefonist kan op die manier zijn/haar interactie met klanten verbeteren.

Eye-tracking
Door middel van eye-tracking kan vrij accuraat bekeken worden hoe mensen informatie op een website tot zich nemen. Infrarood eye-tracking is een zeer precieze technologie, maar ook best duur. Dit komt vooral vanwege de kosten van de infraroodscanner die gemonteerd moet worden aan een statische computermonitor. Dit heeft dus als consequentie dat eye-tracking onderzoeken die worden uitgevoerd meestal kleinschaliger zijn.
Verschillende eye-trackingonderzoeken worden ingezet voor onderzoek. Bijvoorbeeld de frequentie waarmee informatie wordt bekeken, het ‘scan pad’ dat door ogen wordt afgelegd, de intensiteit van de blik, synchroniciteit en de tijd waar de blik op blijft hangen. Deze informatie kan dan gebruikt worden om te bepalen of de layout van een informatiedocument of website duidelijk en begrijpelijk is voor klanten. Tevens kan worden onderzocht of infographics of tabellen die gebruikt worden in communicatie op een begrijpelijke manier zijn vormgegeven.

Voorbeeld van eye-scanneronderzoek
Recentelijk heeft Phuoc Vo, een Msc Finance student die ik heb begeleid, een onderzoek uitgevoerd waarbij hij eyescanners heeft gebruikt om data te verzamelen. Zijn onderzoeksvraag was: ‘waarom bepaalde infographics en tabellen in verplichte informatiedocumenten voor beleggingsfondsen ervoor zorgen dat investeerders betere investeringsbeslissingen nemen.’ Door het gebruik van eyescanners heeft hij duidelijk kunnen maken dat tabellen en infographics de aandacht trekken van degene die de documenten lezen. Maar nog veel belangrijker is dat verschillen hierin mede verklaren waarom er betere beslissingen worden genomen. Zo is het belangrijk dat bij investeringskeuzes goede vergelijkingen kunnen worden gemaakt tussen verschillende opties. Indien informatie niet geheel duidelijk is, wordt daar (te) lang bij stil gestaan en daarbij wordt minder tijd besteed aan informatie die veel belangrijker is voor die beslissingen. Tevens heeft hij inderdaad gevonden dat het bekijken van informatievolle infographics bijdragen tot het maken van betere beslissingen.

Toekomstige eye-scannertoepassingen
Op dit moment zijn er nieuwe zeer interessante ontwikkelingen gaande waarbij machine learning technieken worden gebruikt om eye-tracking mogelijk te maken via videocamera’s of webcams. Elke smartphonegebruiker heeft ook de beschikking over een webcam. Dit geld ook voor alle hedendaagse laptops. Goede software zou het mogelijk kunnen maken om oogbewegingen te onderzoeken bij klanten die videobellen. Een groot voordeel hiervan is dat op een goedkope manier snel en efficiënt onderzoek gedaan kan worden met zeer veel respondenten. Zo kan veel gemakkelijker onderzocht worden hoe de layout van een webpagina of webportal vormgegeven kan worden, zodat informatie over geboden opties en mogelijke keuzes op een efficiënte en overzichtelijke manier gecommuniceerd kan worden. Op dit moment is de kwaliteit van deze software echter veel minder nauwkeurig dan bij de dure infrarood eye-scannertechnieken, maar de ontwikkelingen gaan snel.

Besluit
Vooral in de laatste jaren zijn er heel veel ontwikkelingen gaande op datasciencegebied. Dit komt mede doordat veel bedrijven, vooral in de financiële sector, aan het experimenteren zijn met allerlei mogelijke toepassingen. Deze ontwikkelingen bieden ook veel kansen voor de pensioensector die daar naar mijn mening gebruik van moet maken door (nog meer) te experimenteren met sectorspecifieke toepassingen.