Un’accettatore chiude l’8% degli upsell. Il team è al 19%, target 24%.
Il management vede il caso anomalo. Reazione standard: formazione generale per tutto il team.
Sbagliato.
Un agente IA ha incrociato gli ordini di lavoro di quell’accettatore sugli ultimi 90 giorni. Ha trovato uno schema preciso: nel 35% degli appuntamenti applicabili, la rotazione pneumatici non era stata proposta. Media del team: 18% di mancata proposta.
Il fenomeno emergeva su una fascia specifica: cambio olio oltre i 30.000 km.
L’agente ha poi confrontato quei dati con i protocolli storici dell’officina. Causa trovata: una lista di controllo del 2018, ancora attiva nel sistema, che escludeva meccanicamente la raccomandazione pneumatici su ogni ordine di lavoro sotto i 300 euro.
Quello che la reportistica classificava come carenza di vendita era un errore meccanico di processo, scopribile solo incrociando i dati.
Il sistema ha generato due azioni in parallelo.
Primo: ha inviato all’accettatore un modulo di micro-formazione mirato esattamente su quel punto, senza coinvolgere il resto del team.
Secondo: ha analizzato i clienti che avevano rinviato un intervento raccomandato nel mese precedente, incrociandoli con la scadenza del loro prossimo tagliando e con la distanza geografica dai concorrenti più vicini. Quelli a rischio di churn geografico più elevato sono entrati automaticamente in una lista di richiamo prioritizzata nel CRM, gestita da un IA su WhatsApp con un testo calibrato sull’obiezione specifica che avevano fatto durante l’ultima visita.
La reportistica aggregata a fine mese non mostra dove si perde davvero il margine.
Nella tua officina, quante liste di controllo del 2018 sono ancora attive?
