¿Cómo automatizar las cobranzas? Moonflow Talk, Agente de Cobranzas impulsado con AI

Pero no hay miedo que tener. Vos dejame adelantar.

No hay miedo que tener. Exacto.

Por favor, dale, dale. Miedo tiene que tener, miedo tiene que dar una persona que puede cambiar de humor, tener un mal día, no dar abasto con todos los mensajes entrantes que tengo de los clientes. Miedo tiene que dar no gestionar de manera efectiva, eficiente El cobro.

Hola a todos, ¿cómo están? Bienvenidos a un capítulo más de Muflow Academy. Hace rato no nos veíamos, Facu, ¿cómo estás?

Sí, hace mucho, hace mucho, por lo menos por acá. Bien, bien, todo muy bien, por suerte acá tratando de cerrar un año bien movido, un año movido y con un lanzamiento muy importante hace poco.

Lanzamos Moonflow Talk. Hoy vamos a hablar de eso acá, un lanzamiento importante para la compañía. Y la idea de hoy es conversar un poco acerca de este, de esta nueva funcionalidad, y que nos cuentes un poco en principio cómo funciona.

Dale, buenísimo. Mira, cuando, cuando déjame ir un poco hacia atrás. Cuando levantamos la ronda de inversión, la primera ronda de inversión en agosto del año pasado, septiembre del año pasado, una de las cosas que le dije a los inversores es, con este dinero vamos a volver la plataforma completamente autónoma. En mayo, junio volvimos a una ronda de fondeo que no la buscamos, pero tuvimos la buena fortuna de tenerla y de sumar a un fondo muy bueno también a la compañía. Y dijimos, este año volvemos la plataforma autónoma, ¿no? Por 2024. Entonces volvimos la plataforma autónoma, volvimos la plataforma autónoma. ¿Qué quiere decir esto? Que hoy a través de Moonflow no solamente puedes automatizar todas las comunicaciones salientes multicanal, estas segmentaciones, estrategias, etcétera, llevar al cliente a un portal de retención Arriba de las estrategias de manera autónoma, y que no es motivo de esta conversación, por lo menos de lo que querías conversar hoy, que me llamaste y me dijiste vamos a hacer un video, quiero hablar con vos de Moonflow Talk, pero permitimos optimizar las estrategias de manera autónoma también con un modelo machine learning. Pero lo que sí hicimos ahora y que también lanzamos, y que querés que conversemos sobre esto, es Moonflow Talk te permite manejar de manera autónoma toda la comunicación escrita, ya sea en WhatsApp, en correo electrónico o incluso también en SMS para quienes tienen SMS bidireccional. ¿Qué quiere decir esto? No es necesario dar respuesta manual a ningún mensaje entrante. Es decir, no es menor, Se encarga de todas las comunicaciones entrantes para quienes tengan activado Moonflow Talk En su, correcto, o sea, envía un mensaje saliente, el cliente va, va al canal de autoatención en caso de que lo tenga activo o contesta el mensaje, ¿no? Y ese mensaje es tomado por un agente virtual que responde al cliente. Y ahora, si quieres, te cuento cómo funciona.

Por favor, y hablemos un poco de algo muy interesante que tiene este agente un FlowTalk, y es que es capaz de reconocer el contexto del negocio, de la cuenta por cobrar, del cliente, para poder hacer todo de una manera muy exacta.

Exacto. Lo que nosotros hacemos es lo siguiente, ¿no? Hay distintos modelos en el mercado de lenguaje natural que te permiten establecer estos diálogos, ya sea para customer service, para cobranzas, para lo que fuera, ¿ok? Para ventas, etcétera. Pero no es que uno va, enchufa el modelo y sale a funcionar, ni mucho menos, sino que el trabajo que nosotros hicimos, te diría durante varios meses, es construir prompts. Un prompt es un comando, distintos tipos de comandos para, por un lado, estructurar la información de entrada, la mensajería de entrada y la mensajería anterior que uno va intercambiando con el cliente de una manera óptima para entregársela al modelo. Por otro lado, uno le tiene que dar contexto al modelo para que pueda tener una mejor conversación con cada uno de sus clientes, porque todos son distintos, pertenecen a segmentos distintos y demás. Entonces, no alcanza con darle todas las variables que yo tengo de Dani para que el modelo dialogue con vos. Lo que estuvimos construyendo ahí es: 1, explorando variables y viendo qué variable discrimina y qué variable no discrimina; 2, construyendo variables calculadas y categorizando luego esas variables para que discrimine la manera de que entabla la conversación con un tipo de cliente que con otro. No alcanza con enviarle al modelo una variable de segmentación de estrategia, sino que tengo que tomar un montón de variables, o muchas de las variables que están disponibles de la persona o de la empresa deudora, porque el modelo funciona para cobranza de empresas a personas y para cobranza de empresas a empresas contestando correos electrónicos de manera autónoma, que es una locura cómo funciona. Entonces exploramos variables, construimos variables calculadas, categorizamos variables y le entregamos el contexto al modelo de cada uno de los clientes. Y esto no es algo incluso que sea estático. En todos los sprints que hacemos el modelo va teniendo mejoras. Entonces, es algo que vino para quedarse como una línea de desarrollo permanente. Entonces, entregamos las variables de contexto. Y eso no es todo. Lo último es definirle al modelo cuál es el objetivo que tiene con cada uno de los clientes. No es lo mismo un cliente que tiene una promesa de pago, que tiene un pago a verificar, que está 3 días antes del vencimiento, que está 15 días después. Un año después. Entonces, input, contexto y objetivos. Eso en principio es un prompt, un comando que le damos al modelo para que pueda negociar y obtener un cobro o, en el peor de los casos, una promesa de pago de manera autónoma.

Con esto que me decís, parecía fácil, parecía fácil. A eso iba, parecía muy fácil. Se puede pensar, no, simplemente es un chatbot que responde mensajes y está trabajando con cierta lógica detrás, pero hay un trabajo muy grande detrás para que esto sea capaz de verdad de encargarse del inbound de una empresa que necesita responder todo eso todo el tiempo.

Sí, pero eso no es todo. ¿Me dejas hacerlo un poco más complicado?

Por favor.

Ok. Al costado de este primer prompt, de este comando, construimos un segundo comando, un segundo prompt, que lo que hace es identificar— este primer prompt lo que hace es entablar la conversación con todas estas particularidades de cada uno de los clientes. Pero el segundo comando Lo que hace es extraer información de la conversación para automatizar procesos. ¿De qué se trata esto? Yo estoy dialogando contigo y me dices, mira Facundo, la verdad todo fantástico. Se le puede poner nombre al agente virtual porque no es un agente virtual. O sea, es un agente virtual pero para el cliente es una persona, funciona mejor que una persona. Y digo que funciona mejor porque encima uno Sí, como cliente, sobre todo en la cobranza de empresas a personas, a veces las personas maltratan un poco al cobrador, es impasible, no se enoja, nada, el agente virtual. Entonces, este segundo comando lo que hace, o este prompt, lo que hace es extraer información específica de la conversación. Entonces, por ejemplo, cuando un cliente manifiesta Por el primer comando de que efectivamente va a pagar. Este segundo comando extrae la información de esa promesa de pago que logra el comando principal. Va a pagar tanto dinero, tal fecha. Todo esto lo negocia el primer comando. Extrae esa información, por ejemplo, de una promesa de pago. Por ejemplo, de un pago a verificar. Por ejemplo, de que el cliente tiene un reclamo abierto y que por eso no está pagando. O que después de una negociación ardua con el agente virtual pide por algún motivo específico hablar con un jefe, con un supervisor. O que simplemente no quiere, no puede pagar. Y se extrae esa información y esa información se ejecuta de manera automática sobre la base de datos del software de Moonflow, ¿ok? Y automatiza todos los flujos posteriores. Entonces, si yo obtengo una promesa de pago, si el agente virtual obtiene una promesa de pago en la conversación, se extrae la información, se guarda esa promesa de pago en la base de datos, y esto lleva al cliente de manera automática al flujo correspondiente de promesa de pago.

Ahí mencionas una cosa muy importante, Facu, y quiero hacerte 2 puntos, 2 preguntas para ir cerrando. Una es esa: este agente Moonflow Talk se integra muy bien con el software de cobranzas que nosotros hemos construido ya, pero también funciona independientemente de este.

Sí, sí, es correcto. Lo que hicimos es, estamos en un piloto con un banco importante, y lo que hicimos fue apificar al agente virtual. Esto qué quiere decir? Cualquier compañía que no quiera nuestro software, ok, por el motivo que fuera, no quiere cambiar el software que tiene implementado o el motivo que fuese, puede probar y puede utilizar nuestro agente virtual de manera independiente, ok, sin necesidad de implementar Moonflow como software.

Buenísimo, buenísimo. Para cerrar, un minuto. Cuando estás al frente de un cliente y le estás explicando Moonflow Talk, cómo funciona y qué es.

Sí, no, a ver, Moonflow Talk reemplaza en gran medida, en gran medida o en su totalidad, a veces le da un poco de miedo a las empresas cuando hablamos de esto, pero reemplaza a una persona, ¿ok? Y lo reemplaza de una manera muchísimo más eficiente. Piensa, Dani, más o menos que mantener mil conversaciones puede tomar aproximadamente una semana de un gestor. Una semana de un gestor implica, de manera implícita, un costo de alrededor de $500. Salario, más la computadora, más las vacaciones, más que se enfermó y lo demás. Esto cuesta $15 en tokens. Entonces, en principio generás un ahorro del 95-97% en costos. ¿Sí? Al utilizar el modelo conversacional. Segundo, operás 24/7. O no. El modelo te permite poder parametrizar segmentos sobre los que quiero actuar y segmentos sobre los que no quiero actuar de la cartera. O quiero atender todo el día o quiero atender fuera del horario de oficina. Incluso ahora estamos trabajando, que se viene próximamente, Transcripción de audio a texto. A veces los clientes, cuando son personas físicas, mandan un audio, lo transformamos a texto y seguimos conversando. Extracción de imágenes de los vouchers de pago para imputarlos de manera directa también sobre la base de datos. Entonces, es el mejor agente de cobranzas que puedes tener. Que no se enferma, que no falta, que trabaja 24 horas, que cuesta 95-97% menos que el tiempo humano. Y que en definitiva da mucha más satisfacción al cliente. Pero no obstante, las empresas a veces tienen un poquito de miedo antes de prenderlo. Y si quieres podemos conversar un poco sobre eso. Pero es como que hoy una parte importante de nuestros clientes ya cuenta con un Flow Token encendido funcionando. Pero antes de dar el clic—

Eso es muy importante y vamos a hablar sobre eso pronto. En otro video para que estén al tanto de eso. Ok, no es en este, no es en este porque tenemos mucho de qué hablar de este tema de agentes. Ok, así que nos nos vemos en el en el próximo.

Pero no hay miedo que tener. Voy por ejemplo adelantando.

No hay miedo que tener. Exacto.

No hay ningún miedo. Dale dale dale. Miedo tiene que tener, miedo miedo tiene que dar una persona que puede cambiar de humor. Tener un mal día, no dar abasto con todos los mensajes entrantes que tengo de los clientes, no gestionar de manera efectiva, eficiente el cobro. Así que bueno, lo dejamos para la próxima entonces.

Buenísimo, nos vemos.

Un abrazo, Dani. Hasta pronto.