AI навчається покращувати досвід

Цього тижня ми хочемо поділитися статтею Тіма Кулпа, який пояснює логіку, яка використовується у вирішенні проблем за допомогою штучного інтелекту, і як навчання AI використовується для покращення досвіду клієнтів.

Інструменти штучного інтелекту (AI) всюди. Ви ледве можете піти у ванну без системи AI, готової допомогти. Усі інструменти в їх пакеті обслуговування клієнтів використовують певну форму штучного інтелекту для сегментації ринку чи персоналізації. Але значення ШІ для CX не обмежується інструментами.

Насправді готові інструменти не є найкориснішим ШІ для взаємодії з клієнтами. Рефлексія, яка йде під час проектування та створення систем ШІ, сама по собі є найпотужнішим інструментом для перегляду досвіду клієнтів. Давайте розберемо три концепції усунення несправностей штучного інтелекту та подивимося, як ви можете використовувати їх, щоб вдосконалити конвеєр CX і створити виняткову взаємодію з клієнтами.

Правило ШІ 1: Зменшення проблем

Під час першої хвилі розвитку штучного інтелекту в 1950-х роках дослідники створили програмне забезпечення, яке могло імітувати те, як люди вирішують проблеми. Дизайн програми Logic Theorist ґрунтувався на розподілі завдань на менші та простіші. Розв’язуючи кожну з проблем, що входили до неї, інтелектуальна система накопичувала, поки не розв’язала найбільшу проблему. Рішення дрібних проблем, накопичених у остаточному рішенні.

Виклики CX можуть представляти себе як великі, непосильні проблеми. Завдяки зменшенню проблем ви берете велику проблему, як-от створення 360-градусного огляду клієнта на всіх платформах компанії, і зводите її до попереднього запитання: «Що вам потрібно зробити, щоб досягти цього?»

Ви скажете: «Ну… це не так просто». Але насправді це так. Давайте перевіримо логіку за допомогою нетехнічної задачі. Уявіть, що ваша мета — отримати книгу. Зменшення проблеми розбиває її на варіанти досягнення мети:

Купити книгу.

Позичи книгу.

Кожен з них вимагає додаткових кроків. У вас є гроші, щоб купити книгу? Якщо так, усе готово. Якщо ні, виникла нова проблема: «Отримати гроші». Декомпозиція проблеми дозволяє побачити багато різних способів вирішення однієї проблеми, виявляючи варіант з найменшими витратами (час, ресурси).

Давайте напишемо схему зменшення проблем для нашого 360º бачення:

• Мета: отримати 360º бачення кожного клієнта.
• Варіант: використовувати одну систему для всіх наших даних.
• Проблема: зараз ми маємо кілька систем.
• Проблема: усі системи офлайн.
• Варіант: з’єднайте всі дані між системами.
• Проблема: немає єдиних ідентифікаторів для клієнтів у всіх системах.
• Проблема: різні системи по-різному визначають клієнта.
• Варіант: запровадити систему бізнес-аналітики (BI) для створення єдиного бачення.
• Проблема: не в усіх відділах існує стандартна система BI.
• Проблема: кожен відділ має різну точку, коли людина стає клієнтом.

Використовуючи зменшення проблем, ви можете намітити потенційні рішення. Ваша команда CX допомагає вам вирішувати проблеми, але мислення ШІ показує вам, як їх вирішити.

Правило 2: Завдання та процеси, а не роботи

Напевно, ви чули: ШІ знищує робочі місця. Але це неправильний спосіб думати про ШІ. ШІ – це не робота, а завдання. У бізнесі набір завдань становить процес. Набір процесів становить роботу. Штучний інтелект змушує вас розбивати «роботу» до рівня завдання, навіть до рівня кліку, якщо ви використовуєте роботизовану автоматизацію процесів (RPA). Коли ви думаєте про свій досвід роботи з клієнтами, чи думаєте ви про рівень взаємодії, рівень завдання, рівень процесу чи рівень роботи?

Незалежно від того, яку технологію CX ви використовуєте, швидше за все, ви намітили шлях клієнта. Різні методології картографування мають різні представлення. Для наших цілей подумайте про карту подорожі як про серію етапів і емоційний контекст клієнта, який супроводжує кожен етап. Чи мають ваші фази належний рівень деталізації, щоб адекватно представити клієнта? Наприклад, відстежуючи шлях дзвінка в службу підтримки, чи включаєте ви пересадки та супутні емоційні переходи? Рівень фази може бути занадто високим, щоб дати точне уявлення про те, що насправді відбувається.

Використовуйте свій стек CX, щоб отримати належну точність даних. Можливо, вам знадобиться налаштувати систему, щоб отримувати більше даних на певних етапах. Головне — визначити точність, яка підходить для вашого бізнесу, і відповідно налаштувати свої системи (і діаграми).

Правило 3: Оновлення, а не заміни

ШІ не замінює людину. Ми в Mind Over Machines багато говоримо про це, включно з нашою системою підвищення кваліфікації та вдосконалення (WAE), оскільки працівники бояться автоматизації, доки не побачать її результатів. ШІ не може зробити все. Ви навіть не можете зробити більшість речей. ШІ може робити дуже спеціалізовані речі, яким його безпосередньо навчили. Окрім обмежень штучного інтелекту, автоматизація всіх аспектів бізнесу для економії витрат зменшує інновації та створення цінності. Якщо все завжди робиться однаково (оскільки ШІ повинен виконувати роботу), немає творчої іскри для зростання організації.

Системи CX на базі штучного інтелекту дозволяють людям створювати більш цінний досвід клієнтів із вашим брендом. І чудова новина полягає в тому, що ваші співробітники вже знають, як найкраще використовувати час, створений автоматизацією CX. Ви просто повинні запитати їх. Але будьте готові до критики вашого поточного стека CX, що ви не отримуєте рентабельність інвестицій, на яку сподівалися. Якщо ваша команда приділяє більше часу управлінню технологіями, ніж інноваціям на шляху до CX, вам потрібно перевірити, чи ваші інструменти справді сприяють розвитку бізнесу чи просто заважають.

ШІ: від молотка до ментальності

«Коли у вас є лише молоток, усе виглядає як цвях». ШІ настільки заполонив діловий світ, що ми сприймаємо ШІ лише як інструмент, молоток, який застосовний до всього. Підхід до ШІ як способу мислення дозволить вам максимізувати його цінність для вашого бізнесу. Не зациклюйтеся на нових інструментах і функціях CX. Використовуйте методи мислення та вирішення проблем інженерів зі штучного інтелекту, щоб перетворити свій клієнтський досвід із технічно важких на ефективні можливості створення цінності.