Van eenheidsworst naar maatwerk

Het begint met een visie op communicatie

In onze beleving start de communicatie van pensioenfondsen bij uw eigen visie op communicatie. Richt u zich alleen op de wettelijk verplichte communicatie? Of wilt u verder gaan en wilt u de deelnemer centraal stellen? En wat betekent het ‘centraal stellen van uw deelnemer’ dan precies? Wie is eigenlijk ‘de deelnemer’ en bestaat er wel één type deelnemer?

Daarbij helpt het om eens in andere sectoren te kijken. Je komt er dan al snel achter dat de deelnemer als consument al langere tijd gewend is om op persoonlijk niveau geïnformeerd te worden en centraal gesteld te worden. Denk aan de bonuskaart van een grote supermarkt, met persoonlijke aanbiedingen op basis van individueel koopgedrag. En ook in de non-profitsfeer zijn er voorbeelden van maatwerk te vinden. Denk bijvoorbeeld aan ziekenhuizen en andere zorgverleners die maatwerk vragenlijsten inzetten om op basis van de antwoorden het beste behandelplan voor de betreffende patiënt in te zetten. Of de GGD die bij de Covid-booster campagne data uit eerdere campagnes gebruikt om burgers te activeren met SMS-acties. Indien fondsen de lenigheid hebben om over de eigen grenzen te kijken dan zullen ze zien dat wat in andere sectoren wordt gebruikt, ook kan gelden voor de pensioensector. Wat is uw lenigheid op dit vlak?

Tot slot zal ook de context en het belang van communicatie de komende jaren voor pensioenfondsen veranderen. Het nieuwe pensioenstelsel brengt immers een verschuiving van het collectief naar het individu met zich mee. Daarmee komt automatisch ook steeds meer nadruk te liggen op individuele communicatie, niet in de laatste plaats vanuit het gedragstoezicht van de Autoriteit Financiële Markten [bron 1]. Deze externe factoren – de verwachtingen van deelnemers uit andere sectoren en de veranderende wetgeving en toezicht – versterken de behoefte aan meer data-gedreven communicatie. Bent u al zover?

Een communicatieplan op basis van data

Om als pensioenfonds uw visie op communicatie in de praktijk te brengen is inzicht nodig in de informatiebehoefte van deelnemers. Welke vragen leven er bij deelnemers? Welke deelnemers(groepen) hebben deze vragen? En via welk medium zoeken zij naar informatie? Deze inzichten kunnen het pensioenfonds helpen het communicatieplan vorm te geven en uit te voeren. In de praktijk horen wij onder andere de volgende vragen:

Hoe komen wij als pensioenfonds dan aan deze inzichten?  En waarom zijn deze nu nog onvoldoende beschikbaar?

Ongestructureerde data
Deelnemers hebben vaak contact met hun pensioenfonds via e-mail, webformulieren op de website of online portaal, via telefoongesprekken met de pensioenuitvoeringsorganisatie en financiële planners. Van deze contacten wordt wel degelijk data opgeslagen, echter gaat het hier niet om nette gestructureerde data met cijfers in bijvoorbeeld Excelbestanden, maar om ongestructureerde data zoals tekst in e-mailbestanden. Zoals u zich kunt voorstellen is tekst vele malen complexer om correct te analyseren dan cijfers en dit kan dan ook niet met gangbare analysemethoden en technieken die wel werken voor cijfers. Deze complexiteit zorgt ervoor dat veel pensioenfondsen nog onvoldoende inzicht hebben in de informatiebehoefte van hun deelnemers. 

Kunstmatige intelligentie algoritmes
Met geavanceerdere methoden kunnen ongestructureerde data tegenwoordig ook worden geanalyseerd (zie ook het kader ‘technisch intermezzo’). Een speciale klasse van kunstmatige intelligentie algoritmes kan helpen de tekst op de juiste manier te analyseren en zo de informatiebehoeften te achterhalen. Door vervolgens ook de koppeling met uw deelnemersdata te leggen krijgt u ook inzicht in welke deelnemers(groepen) deze informatie zoeken. Dit geeft u handvatten om aan verschillende deelnemers andere informatie te verstrekken en dus meer maatwerk te bieden in communicatie op basis van data. Dit kan de basis vormen van uw communicatieplan. 

Gebruikt u al data om uw communicatieplan vorm te geven?

Technisch intermezzo. Hoe werken tekstalgoritmes?
Van ongestructureerde tekst naar een wiskundige representatie door tekstalgoritmes

De afgelopen jaren hebben partijen als Google kunstmatige intelligentie algoritmes ontwikkeld om hun zoekmachines verder te verbeteren. Deze algoritmes zorgen ervoor dat de meest relevante zoekresultaten bovenaan staan en dat ook resultaten worden weergegeven die niet exact voldoen aan de zoektermen, maar wel een relevant resultaat zijn voor de zoekopdracht vanuit hun context. Denk bijvoorbeeld aan de vraag ´Hoe kan ik mijn pensioen overdragen? ´ en dat Google als zoekresultaat teruggeeft ´hoe werkt waardeoverdracht? ´.

Tekst in een wiskundig coördinatenstelsel
Onder de motorkap werken deze algoritmes door tekst te transformeren naar een wiskundig coördinatenstelsel, zodat wiskundig gemeten kan worden hoeveel tekstparagrafen qua betekenis op elkaar lijken (hoe dicht de tekstparagrafen wiskundig gezien bij elkaar liggen in het coördinatenstelsel). Daarbij vormen teksten die in het wiskundige coördinatenstelsel dicht bij elkaar liggen veelal deelnemersvragen met vergelijkbare onderwerpen. Een simpel voorbeeld: stel dat zich in uw communicatiedata de volgende drie tekstvelden bevinden:

1. Is mijn ouderdomspensioen al overgedragen?
2. Wat is de status van mijn waardeoverdracht?
3. Wanneer krijg ik mijn pensioen uitbetaald?

Als mens herkennen wij dat de eerste twee vragen te maken hebben met de waardeoverdracht van de deelnemer. Wij zouden daarom de betekenis van deze twee vragen dichterbij elkaar plaatsen dan bij vraag 3. De tekstalgoritmes transformeren deze vragen naar het (versimpelde) coördinatenstelsel dat hieronder is weergegeven. Hierin ziet u dat ook het algoritme vragen 1 en 2 dichtbij elkaar plaatst qua betekenis. Deze twee vragen behoren tot hetzelfde onderwerp, namelijk het onderwerp gerelateerd aan de status van de waardeoverdracht.

Welke deelnemers(groepen) hebben welke informatiebehoefte?
Nadat de kunstmatige intelligentie algoritmes u hebben geholpen om de informatiebehoefte van deelnemers te achterhalen, kunt u achterhalen welke deelnemers(groepen) de betreffende informatiebehoefte hebben door aan de vragen het deelnemersnummer te koppelen. Onderstaande illustratie geeft daarbij het best het resultaat weer. Voorbeeld: personen met een specifieke vraag over het partnerpensioen zijn vaak de “rode” personen (met vergelijkbare karakteristieken). Of andersom: de “rode” personen hebben vaak een vraag over het partnerpensioen.

Optimalisatie van klantcontact

De laatste stap in uw communicatie met deelnemers is de optimalisatie van het klantcontact. Zorgen voor een kostenefficiënte, maar toch klantvriendelijke en persoonlijke benadering van deelnemers is cruciaal. Zeker in het nieuwe pensioencontract, waar het pensioen individueler en transparanter wordt en naar verwachting het aantal vragen alleen maar zal toenemen. Ook hierbij kunnen data en algoritmes u helpen. Hieronder geven wij drie concrete voorbeelden van hoe data u kan helpen bij de optimalisatie van het klantcontact.

 

1. Chatbot

Waar is deze techniek relevant?
Herkent u zich in het feit dat deelnemers vragen over hun pensioen vaak stellen buiten de reguliere werktijden van de klantenservice? En dat de meeste vragen simpelweg een herhaling zijn van eerder gestelde vragen? Dat het daarom zonde is dat deze deelnemers geen antwoord krijgen op deze vragen? Voor deze situatie kan een chatbot helpen. 

Hoe werkt de techniek in de kern?
Een chatbot is een geautomatiseerde gesprekspartner op bijvoorbeeld de website van het pensioenfonds. De deelnemer kan via de chatbot een vraag stellen en de chatbot analyseert met behulp van kunstmatige intelligentie de binnenkomende vraag en vergelijkt deze met eerder gestelde vragen van deelnemers. Vervolgens wordt op basis hiervan een vergelijkbaar antwoord teruggegeven aan de deelnemer.

Wat zijn de voor-en nadelen?
Een chatbot kent de volgende voor- en nadelen.

• Voordelen:
1. 24/7 bereikbaarheid voor het stellen van vragen door deelnemers; 
2. Kan vragen beantwoorden in verschillende talen;
3. Kostenefficiënte verwerking van vragen en eenvoudig schaalbaar naar honderdduizenden chats (kosten per deelnemer nemen af met het volume);
4. Blijft leren van de door deelnemers gestelde vragen; 
5. Te plaatsen op verschillende platformen zoals uw website, maar ook portaal.

• Nadelen/aandachtspunten:
1. Een gesprek met een chatbot kan door deelnemers als onpersoonlijk ervaren worden en is geen vervanging van een menselijk gesprek.
2. Een chatbot kan geen complexe vragen over de individuele situatie van een deelnemer beantwoorden.
3. De in het verleden gestelde vragen en/of een FAQ dient beschikbaar te zijn voor de ontwikkeling van een chatbot.

Uit bovenstaande voor- en nadelen blijkt dat een chatbot zeker geen all-in-oplossing is. Wél biedt het een waardevolle aanvulling (geen vervanging) op het bestaande palet aan communicatiemiddelen met deelnemers. Een chatbot kan bijvoorbeeld van waarde zijn voor een jongere doelgroep die gewend is aan chatbots. Zij kunnen op een laagdrempelige manier, in soms een buitenlandse taal, hun vraag stellen. Daarmee houdt uw klantenservice juist meer tijd over voor tijdsintensieve vragen en persoonlijk contact.

 

2. A/B testing

Waar is deze techniek relevant?
Een veel gebruikte techniek voor communicatieverbetering van bijvoorbeeld websites, portalen en nieuwsbrieven is A/B testing. Daarmee kunt u een ander aanbod bieden aan verschillende deelnemers. Dit kan door te meten aan welke communicatie deelnemers de voorkeur geven.

Hoe werkt de techniek in de kern?
A/B testing valt het beste uit te leggen aan de hand van een voorbeeld. Stel het pensioenfonds wil ervoor zorgen dat voldoende [bron 2]In deze context is de term ‘voldoende’ gerelateerd aan de statistische significantie van de steekproef. Vullen onvoldoende deelnemers het onderzoek in, dan kunt u geen valide uitspraken doen op basis van de resultaten van de steekproef. deelnemers meedoen aan haar risicobereidheidsonderzoek. Daarvoor draait het een experiment en plaatst een oproep op het deelnemersportaal in de hoop deelnemers te verleiden mee te doen aan het onderzoek.

Daarbij krijgt een deel van de deelnemers het portaal mét de oproep (portaal versie B) te zien. Een andere controlegroep van dezelfde omvang ziet het huidige portaal zonder deze oproep (portaal versie A). Hiermee kan (statistisch) variant A met B vergeleken worden. Daarmee kan bepaald worden of een oproep op het portaal leidt tot een hogere doorklik richting het risicobereidheidsonderzoek. Als uit het experiment blijkt van wel, kan het pensioenfonds overwegen de wijziging door te voeren in het normale portaal.

Wat zijn de voor-en nadelen?
A/B testing kent de volgende voor- en nadelen.

• Voordelen:
1. Data op basis van getoond gedrag, zonder dat de deelnemer weet dat hij een andere versie krijgt aangeboden (objectief);
2. Stapsgewijze verbetering waardoor geringe kosten;
3. Eenvoudig op te zetten;
4. Ieder (goed opgezet) experiment is statistisch te toetsen en geeft daarmee betrouwbare resultaten. 

• Nadelen/aandachtspunten:
1. Voor betrouwbare resultaten zijn genoeg deelnemers nodig op bijvoorbeeld het portaal;
2. Een goede opzet van het experiment (de juiste controlegroep) is cruciaal voor inzichten.

Uit bovenstaande voor- en nadelen blijkt dat A/B testing een techniek is die bij geen enkele partij die aan serieuze digitale communicatie doet, mag ontbreken, zo ook uw pensioenfonds. In kleine stappen en op een kostenefficiënte manier optimaliseert uw fonds zo haar communicatie met deelnemers.

 

3. Slimme zoekfunctionaliteit

Waar is deze techniek relevant?
Tot slot kunnen slimme zoekfunctionaliteiten deelnemers helpen om eenvoudiger en sneller informatie te vinden op de website van hun pensioenfonds [bron 3]. Zo kan het voor een deelnemer nu niet eenvoudig zijn om bijvoorbeeld specifieke zaken van hun regeling te achterhalen. Daarvoor moet de deelnemer eerst zoeken naar het document van het juiste reglement en vervolgens in deze lastige documenten zoeken naar de juiste paragraaf. 

Hoe werkt de techniek in de kern?
Door inzet van kunstmatige intelligentie zoekfunctionaliteiten kan de deelnemer bij ‘gewoon zoeken‘ op de website direct verwezen worden naar een specifieke paragraaf in een document of de websitepagina. Door op het zoekresultaat te klikken, krijgt de deelnemer direct die specifieke paragraaf uit het document of de website te zien. Op deze manier faciliteert het pensioenfonds de deelnemer in zijn zoektocht naar informatie.

Wat zijn de voor-en nadelen?
Een zoekfunctionaliteit op basis van kunstmatige intelligentie kent de volgende voor- en nadelen.

• Voordelen:
1. Het verhoogt de vindbaarheid van informatie op uw website en daarmee de deelnemerstevredenheid;
2. Het is eenvoudig te implementeren en vraagt geen tot beperkte aanpassing van uw bestaande website;
3. Het kan u helpen om additionele data te vergaren over welke vragen deelnemers stellen;
4. U stelt uw deelnemer centraal in het zoekproces in plaats van uw website.

• Nadelen:
1. Voor het doorzoekbaar maken, dienen de website teksten en documenten beschikbaar te zijn om het te kunnen inrichten.

Het gebruiken van een slimme zoekfunctionaliteit op uw website kan de vindbaarheid van informatie voor uw deelnemers flink verhogen. Daarmee geeft u de deelnemer een middel om zelf beter de informatie te vinden waar hij/zij naar op zoek is en stelt u de vraag van de deelnemer centraal in plaats van de content op uw website. 

Samenvatting
Door de overgang naar het nieuwe pensioenstelsel neemt het belang van individuele communicatie toe. In dit artikel hebben wij drie stappen geschetst zodat u van eenheidsworst naar maatwerk kan gaan in uw communicatie. Daarmee kunt u vandaag al beginnen. Door uw huidige data te combineren met krachtige kunstmatige intelligentie algoritmes, kunnen die data u helpen uw communicatieplan vorm te geven én de uitvoering te optimaliseren. Niet alleen verbetert u daarmee uw communicatie, maar u stelt ook uw deelnemer in staat om ‘zelf’ relevante informatie te vinden. 

Kortom: geen reden meer om te wachten met data-gedreven pensioencommunicatie. Bent u al begonnen?

Dit artikel is geschreven door Mark Verschuren, partner Data bij AethiQs, Aron Jeurninck, relevantieadviseur bij AethiQs, en Alfred Kool, associate partner bij AethiQs.