AI: A gépi tanulás szerepe az ügyfélélményben

Az ügyfélszolgálat már nem csak az emberek területe. A szimulált emberi intelligenciával rendelkező gépeket végülis egyre inkább használják, hogy segítsék az emberi támogató ügynököket az ügyfelek boldogságában.

Vegye figyelembe a statisztikákat.

A Zoominfo szerint az értékesítési és marketingvezetők 80%-a azt állítja, hogy már a mesterséges intelligenciát, különösen a chatbot szoftvert használja a vásárlói tapasztalatai szerint, vagy 2020-ig tervezi ezt használni. A Juniper azt jósolja, hogy a chatbotok felelősek lesznek a költségcsökkentésért, mely évente meghaladja majd a 2022-ben a 8 milliárd dollárt.

A lényeg az, hogy nem tagadható, hogy az AI a következő években továbbra is nagy szerepet játszik az ügyfélszolgálatban, általában az ügyfélélményben. Akkor érdemes megérteni, mi is valójában. Ebben a cikkben megnézzük az AI alkalmazását, a gépi tanulást, amely különösen releváns az ügyfélélmény szempontjából.

Gépi tanulás

Az Expert System szerint a gépi tanulás “a mesterséges intelligencia olyan alkalmazása, amely lehetőséget nyújt a rendszereknek arra, hogy automatikusan megtanulhatják és javítsák a tapasztalatokat anélkül, hogy kifejezetten programoznák őket”. Alapvetően az a cél, hogy a gépek automatikusan tanulhassanak, hogy a nekik megadott adatoktól függően reagálhassanak.

Vegyük példának a chatbotokat. A chatrobotok különböző válaszokat adnak a tőlük kapott adatoktól függően. Például, ha azt kérdezi, hogy a “Napsütés”, a befektetési alapok társaságának chatbotja, hogyan kell fiókot nyitni, akkor az megfelelően tudja értelmezni a kérdését, és így válaszolhat:

Még akkor is, ha nem tesz fel kérdést (röviden: beviteli adatok), a következő választ adja:

Röviden: a chatbot helyesen értelmezte az adatok hiányát.

Alapvetően a gépi tanulás lehetővé teszi a chatborok számára, hogy ne csak tanuljanak, amikor konkrét válaszokat kell használniuk. Ez lehetővé teszi számukra a szükséges információk összegyűjtését a felhasználóktól, és lehetővé teszi számukra, hogy meghatározzák, mikor kell átadniuk a beszélgetést egy emberi ügynöknek.

Felteheti a kérdést, hogy mégis hogyan is tudják ezt pontosan megtenni? Adja meg az algoritmusokat.

Gépi tanulási algoritmusok

A gépi tanulási algoritmus olyan folyamat vagy eljáráskészletek, amelyek segítenek a modellnek reagálni, a számára megadott adatokra. Az algoritmus alapvetően meghatározza, hogyan kell az adatokat átalakítani bemenetről kimenetre. Azt is meghatározza, hogy a modell hogyan tanulja meg a leképzést az egész folyamat során.

Különböző típusú gépi tanulási algoritmusok léteznek:

• Felügyelt gépi tanulási algoritmus: Ez címkézett példák felhasználásával alkalmazhatja a tanultakat az új feladatokra az események előrejelzése érdekében. Elemez egy ismert képzési adatkészletet, majd előrejelzéseket készít a kimeneti értékekről. Összehasonlítja a helyes és a tervezett kimenetet, valamint a kimenetet, majd módosításokat végezhet.
• Felügyelet nélküli gépi tanulási algoritmus: Ha a képzéshez használt információkat nem osztályozzák és nem címkézik, akkor ez a típusú algoritmus jól jön. Nem határozza meg, hogy mi a megfelelő kimenet. Feltárja az adatokat, majd leírja a címkézetlen adatokból rejtett struktúrákat.
• Félig felügyelt gépi tanulási algoritmus: Ahogy a kifejezés is mutatja, ez az algoritmus címkézett és címkézetlen adatokat egyaránt használ a képzéshez. Azok, akik ezt a módszert használják, javíthatják a tanulás pontosságát.
• Megerősítő gépi tanulási algoritmus: Az algoritmus alapvetően lehetővé teszi a gépek számára, hogy meghatározzák az ideális viselkedést, adott körülmények között az optimális teljesítmény érdekében. Ezt megerősítő gépi tanulási algoritmusnak hívják, mert egyszerű jutalom-visszacsatolásra vagy megerősítő jelre van szükség a legjobb művelet megismeréséhez.

Ahhoz, hogy jobban megértsük, tekintsük meg hogy a gépi tanulás hogyan alkalmazható kifejezetten az ügyfélszolgálatban.

A gépi tanulás alkalmazható az ügyfelekre

A gépi tanulási alkalmazások valójában jóval több helyen jelen vannak, mint amit a legtöbb ember gondolna.

A tudatosság hiánya nem meglepő, mivel a gépi tanulás tanulmánya, ahogy van, átkerült az akadémiába. Még az iskolában sem mindenki tanulja ezt. Kérdezzen körbe és látni fogja, hogy csak azok akik specializálódtak az informatikára vagy más számítógéppel kapcsolatos-, sőt mérnöki tanfolyamokra.

De próbáljunk meg ezen változtatni a cikkel. Itt vannak a használt speciális gépi tanulási alkalmazások:

Chatbotok

A chatbotok, hasonlóan azokhoz, amelyeket a cikk első részében található példákban láthattunk, az egyik leggyakrabban használt gépi tanulási alkalmazás az ügyfélszolgálati iparban. Valójában, mivel a chatbotok mindenhol jelen vannak, a Gartner szerint az emberek óriási 67%-a már számít arra, hogy látja vagy használja őket, amikor egy vállalkozással beszélget.

A gépi tanulásnak köszönhetően a chatbotok természetesen nyelvi feldolgozással pontosan azonosíthatják az egyes beszélgetésekhez a megfelelő címkét. Ennek eredményeként a chatbot “olvassa” és megérti amit mond. Miután megértette amit mond, elküldi a megfelelő választ (lásd a fenti “Napsütés” példát), vagy elirányítja a megfelelő személyhez, aki képes kezelni a problémáját.

Minél több beszélgetést folytat a chatbotokkal, annál helyesebb lesz a válasza. Az olyan ügyfelektől kapott visszajelzések, amelyek szerint a címkézés helyes vagy helytelen, szintén lehetővé teszi a chatbotok számára a teljesítményének javítását.

Virtuális asszisztencia

A virtuális asszisztenseket gyakran összekeverik a chatbotokkal. Ők azonban nem egy és ugyan az. A chatbotok az ügynökkel való interakciót szimulálják, míg a virtuális asszisztensek az ügyfelei útjának egyes területeire koncentrálnak, hogy segítséget nyújtsanak az ügyfélnek.

Ha például a Microsoftot használja, akkor szóban megkérdezheti Cortana-t, hogy mikor kezdődik a nyár, és ő megadja Önnek a szükséges információkat.

A helyzet az, hogy Cortana nem csak ezt fogja megmutatni, amikor kérdezi:

Az emberi párbeszédmintákat utánzó természetes nyelvi feldolgozás segítségével olyan hangnemben mondja el a választ, amely az emberi hangot szimulálja, intimebb interakciókat teremtve. De hogyan működnek pontosan olyan virtuális asszisztensek, mint a Cortana, az Apple Siri, a Google Assistant és az Amazon Alexa?

Amikor aktiválja őket, a kérést az eszközvállalat tulajdonában lévő szerverekhez küldjük (ezért fontos, hogy jó internetes jel legyen). Miközben ez megtörtént, a telefon vagy az intelligens hangszóró megpróbálja kitalálni, hogy képes-e kezelni a parancsot a kiszolgálótól kapott információk nélkül. Amint a kérés eljut a szerverekre, egy algoritmus elemzi a kérés szavait és hangnemét, és egy olyan paranccsal illeszti össze, amelyeket szerinte kért.

Tehát a fenti példánkban a Cortana algoritmusa egyértelműen megfelelt a kérésének a megfelelő paranccsal. De mi történik, ha kérdez valamit, amiben az algoritmus nem biztos? Ekkor a virtuális asszisztens azt mondja, hogy “______-re gondolt?” vagy “Sajnálom, ezt nem tudom megtenni.”

E-mail ellenőrző eszközök

Ha már valaha életében e-mailes marketing kampányba fogott vagy e-mailt küldött, minden alkalommal, amikor elküldi e-mailjeit, biztos vagyok abban, hogy mindig ellenőrzi, hogy először az e-mail ellenőrző eszközt ellenőrizte el. Ezt folyamatosan csinálja, mert tudja, hogy amikor érvénytelen e-mail címekre küldenek e-maileket, azok ugrálnak. Minél magasabb a visszafordulási arány, annál alacsonyabb lesz a küldő pontszáma. Ennek eredményeként a spamszűrők csapdájába kerülhet.

De elgondolkodott már azon, hogy az e-mail ellenőrző eszköz pontosan hogyan működött? Egyszerűen fogalmazva, a kifinomult gépi tanulási algoritmusok lehetővé teszik az e-mail ellenőrző eszköz számára, hogy nyomon követhesse a nehezebben elérhető eldobható cím szolgáltatókat, és elemezze, hogy létezik-e az e-mail vagy sem.

Emberi ügyfélügynök támogatás

Azok, akik az Uber-t használják, valószínűleg egyszer már biztosan felvették a kapcsolatot a céggel. Bár még mindig az emberi ügynökök jelentenek közvetlen megoldást problémájukra, találja ki, mi engedi az embereknek ezt ilyen sebességgel és pontossággal megtenni?

A COTA, az Uber Ügyfélmegfigyelési Jegysegédje révén az emberi ügyfélszolgálati ügynökök felhatalmazást kapnak arra, hogy a legpontosabb megoldást nyújtsák a platformon naponta több ezer jegyre világszerte több mint 400 városban.

Amikor az Uber felhasználó hozzáfér az alkalmazáshoz, és megválaszolja a szembesülő kérdés típusát, a felhasználó alapvetően természetes nyelvi feldolgozással segíti a COTA-t a jegy megértésében.

Ezután a COTA átirányítja a jegyet a megfelelő csapathoz. A gépi tanulási algoritmusok segítségével meghatározza az első három rangsorolt megoldást az emberi ügyfélügynök számára. Ezután az emberi ügyfélügynök kiválasztja, hogy az ajánlott megoldások közül melyik szerinte a legmegvalósíthatóbb. Ezt a megoldást javasoljuk az ügyfél számára.

Az Uber szerint a COTA-nak köszönhetően a jobb jegyirányítás óriási 10%-kal növelte a hatékonyságot. “Az ügynökök teljesítményének javításával és a jegyfeloldási idők felgyorsításával a COTA segít az Ügyfélmegfigyelő csapatunknak abban, hogy jobban kiszolgálja felhasználóinkat, ami növeli az ügyfelek elégedettségét” – mondta Uber.

Hozzátette, hogy a COTA képes gyorsítani a jegyek megoldását, és “évente több tízmillió dollárt spórolt meg” az Uber számára.

Viselkedés/Trend elemzés eszközei

Néhány vállalat a gépi tanulással elemzi a trendeket és a viselkedési mintákat. Ez azért fontos, mert ha tudja például, hogy az ügyfelek hogyan viselkednek, akkor a szükséges kiigazításokat elvégezheti szolgáltatásaiban és termékeiben a jobb kiszolgálás érdekében. Ha elemzi a trendeket, akkor előrejelzéseket is készíthet, amelyekre alapozhatja üzleti fejlesztési döntéseit .

A Codeacademy, egy online platform, amely kódolást kínál, például a Solvvy segítségével elemzi az ügyfelek keresési trendjeit. Ezzel meg tudta találni azokat a témákat, amelyeket az ügyfelek kerestek, de nem találtak válaszokat. Az eredmény? A Codeacademy képes volt pótolni a szükséges hiányosságokat és csökkentette ügyfélszolgálati munkájának terhelését. Végül az ügyfelek jobb szolgáltatást kaptak.

Ezen példák alapján arra következtethetünk, hogy a gépi tanulás hogyan optimalizálja az ügyfélélményt. Csak néhány közülük:

Ezen példák alapján arra következtethetünk, hogy a gépi tanulás hogyan optimalizálja az ügyfélélményt. Csak néhány közülük:

• Támogatást és tanácsokat nyújt
• Megjósolja a viselkedési mintákat és trendeket
• Azonosítja az ügyfelek problémáit
• Segít javítani a munkafolyamatot
• Automatizálja az ügynök tevékenységét
• Személyre szabja az ügyfél élményt

Gépi tanulás az ügyfélélményben: kilátások

Nem tagadható, hogy a gépi tanulás már most is nagy szerepet játszik az ügyfélélményben. És egyes szakemberek szerint a kilátások még szebbek.

A Digital Information World szerint a gépi tanulás „robbanni fog”, mivel az üzleti kereslet folyamatosan növekszik. Oleksii Kharkovyna a Towards Data Science oldalán megjelent cikke szerint a gépi tanulási eszközök továbbra is „fejlődnek” és optimalizált vásárlói élményt nyújtanak. És ez egyáltalán nem valószínű.

Például a chatrobotok és a virtuális asszisztensek bár hasznosak, még nem használták ki teljes potenciáljukat. Jelenleg néhány chatbot és VA válasz ki van kapcsolva. Előfordul, hogy nincsenek válaszaik konkrét kérdésekre, vagy nem értenek konkrét kérdésekhez.

Amint a gépi tanulás folyamatosan fejlődik, a csevegőrobotoknak és a virtuális asszisztenseknek az adatbázisukban a válaszok teljes skálája és az adatok nagyobb megértése lehet.

Néhány év múlva például a Cortana válaszolhat a legbonyolultabb kérdésekre is. Olyan válaszok, mint a „Vajon _____-re gondolt?” vagy a „sajnálom, ezt nem tudom megtenni” lehet, hogy csak a múlté. Lehet, hogy Cortana gépelhet egy teljes Word-dokumentumot, amelyet hangosan felolvasott? Vagy olyan, amelynek még emberi teste is van.

A gépi tanulás jövőbeli igénye

De nemcsak a gépi tanulás fog fejlődni. Várhatóan növekszik a vevői élmény optimalizálását kívánó vállalkozások gépi tanulás iránti igénye.

A Gartner például azt jósolja, hogy 2022-re az ügyfél interakcióinak 72 százaléka egy feltörekvő technológiát fog érinteni, például egy gépi tanulási alkalmazást. Ez növekedés a 2017-ben regisztrált 11 százalékhoz képest. 2021-re azt állította, hogy az ügyfélszolgálati interakciók 15 százalékát várhatóan teljesen ezek az eszközök fogják kezelni. Ez 400 százalékos növekedés 2017-hez képest.

A kérdés akkor ez. A gépi tanulási alkalmazások felváltják-e az emberi ügynököket? Mint Gartner, P.V. Kannan és Josh Bernoff úgy gondolják, hogy ez nem így van. Az MIT Sloan Management Review számára írt cikkükben ketten elmondták, hogy az ügyfélszolgálat jövője valójában a gép-ember együttműködés.

Kannan és Bernoff szerint nem annyira a munkásoktól való megszabadulásról, hanem okosabbá tételről van szó. „Amikor a gépek rutinszerű megkereséseket kezelnek, az ügyfelek boldogabbak. És amikor a kiszolgáló személyzet bonyolultabb kérdésekre koncentrálhat – vagy arra, hogy botokkal javaslatokkal válaszoljon a kérdésekre – sokkal jobb szolgáltatást tudnak nyújtani ”- mondták.