Обслуживание клиентов больше не является прерогативой людей. В конце концов, машины с симулированным человеческим интеллектом все чаще используются, чтобы помочь агентам службы поддержки сделать клиентов счастливыми.

Рассмотрим статистику.

По данным Zoominfo, 80% руководителей отделов продаж и маркетинга говорят, что они уже используют искусственный интеллект, в частности программное обеспечение для чат-ботов, в своем клиентском опыте или планируют сделать это к 2020 году. Juniper, со своей стороны, прогнозирует, что чат-боты будут нести ответственность к 2022 году позволит сэкономить более 8 миллиардов долларов в год.

Суть в том, что нельзя отрицать, что искусственный интеллект будет продолжать играть важную роль в обслуживании клиентов, в целом, в ближайшие годы. Тогда стоит иметь хорошее представление о том, что это такое на самом деле. В этой статье давайте рассмотрим применение ИИ, машинное обучение, которое особенно важно для обслуживания клиентов.

Машинное обучение

Согласно Expert System, машинное обучение — это приложение искусственного интеллекта, которое предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. По сути, цель состоит в том, чтобы позволить машинам обучаться автоматически, чтобы они могли реагировать в зависимости от предоставленных им данных.

Возьмем в качестве примера чат-ботов. Чат-боты дают разные ответы в зависимости от предоставленных им данных. Так, например, если вы спросите «Саншайн», чат-бота компании взаимных фондов, как открыть счет, он сможет правильно интерпретировать ваш вопрос и ответить следующим образом:

Даже когда вы не задаете вопрос (короче вводите данные), он дает вам такой ответ:

Короче говоря, чат-бот правильно интерпретировал отсутствие данных.

По сути, машинное обучение позволяет чат-ботам не только узнавать, когда им следует использовать определенные ответы. Это также позволяет им собирать необходимую информацию от пользователей и позволяет им определять, когда они должны передать разговор агенту-человеку.

Вы можете спросить, а как именно они могут это сделать? Введите алгоритмы.

Алгоритмы машинного обучения

Алгоритм машинного обучения — это процесс или наборы процедур, которые помогают модели реагировать на предоставленные ей данные. Алгоритм в основном определяет, как данные должны быть преобразованы из ввода в вывод. Он также указывает, как модель должна изучать сопоставление на протяжении всего процесса.

Существуют различные типы алгоритмов машинного обучения:

  • Алгоритм контролируемого машинного обучения. Он может применять полученные знания к новым данным, используя помеченные примеры, чтобы прогнозировать события. Он анализирует известный набор обучающих данных, а затем делает прогнозы относительно выходных значений. Он также может сравнивать правильный и предполагаемый вывод и вывод, а затем вносить изменения.
  • Алгоритм машинного обучения без учителя. Если информация, используемая для обучения, не классифицирована и не помечена, этот тип алгоритма пригодится. Он не определяет правильный вывод. Он исследует данные, а затем описывает скрытые структуры из немаркированных данных.
  • Алгоритм полууправляемого машинного обучения. Как следует из самого термина, этот алгоритм использует для обучения как размеченные, так и неразмеченные данные. Те, кто использует этот метод, могут повысить точность обучения.
  • Алгоритм машинного обучения с подкреплением. Алгоритм в основном позволяет машинам определять идеальное поведение с учетом определенного контекста для достижения оптимальной производительности. Он называется алгоритмом машинного обучения с подкреплением, потому что простая обратная связь с вознаграждением или сигнал подкрепления требуется, чтобы узнать, какое действие является лучшим.

Чтобы лучше понять это, давайте посмотрим, как машинное обучение может быть конкретно применено к обслуживанию клиентов.

Применение машинного обучения к клиентскому опыту

Приложения машинного обучения на самом деле более распространены, чем многие думают.

Отсутствие осведомленности неудивительно, поскольку изучение машинного обучения в его нынешнем виде было отнесено к академическим кругам. Даже в школе не все ученики изучают предмет. Спросите вокруг, и вы увидите, что только те, кто специализируется на компьютерных науках или других компьютерных и даже инженерных курсах, должны будут пройти его.

Но давайте попробуем изменить это с помощью этой статьи. Вот конкретные приложения машинного обучения, которые используются:

Чат-боты

Чат-боты, подобные тем, которые мы видели в примерах в первой части статьи, являются одним из наиболее часто используемых приложений машинного обучения в сфере обслуживания клиентов. На самом деле, поскольку чат-боты повсюду, Gartner говорит, что колоссальные 67% людей уже ожидают увидеть или использовать их при общении с бизнесом.

Благодаря машинному обучению чат-боты могут точно определять правильный тег для каждого разговора, используя обработку естественного языка. В результате чат-бот «читает» и понимает, что вы говорите. Как только он понимает, что вы говорите, он отправляет вам соответствующий ответ (см. пример «Солнечный свет» выше) или направляет вас к нужному человеку, который может решить вашу проблему.

Чем больше разговоров было у чат-бота, тем правильнее будет его ответ. Отзывы, которые он получает от клиентов, которые говорят, правильные или неправильные теги, также позволяют чат-боту улучшить свою работу.

Виртуальные помощники

Виртуальных помощников чаще всего путают с чат-ботами. Однако они не одинаковы. Чат-боты имитируют взаимодействие с агентом, в то время как виртуальные помощники сосредотачиваются на определенных областях пути клиента, чтобы помочь клиенту.

Например, если вы используете Microsoft, вы можете устно спросить Кортану, когда начинается лето, и она предоставит вам необходимую информацию.

Дело в том, что Кортана не просто покажет вам это, когда вы спросите:

Используя обработку естественного языка, которая имитирует образцы человеческой речи, она скажет вам ответ тоном, который имитирует человеческий тон, создавая более интимные взаимодействия. Но как именно работают виртуальные помощники, такие как Cortana, Siri от Apple, Google Assistant и Alexa от Amazon?

Когда вы активируете их, ваш запрос отправляется на серверы, принадлежащие компании, производящей ваше устройство (поэтому важно, чтобы у вас был хороший интернет-сигнал). Пока это делается, ваш телефон или умный динамик пытается выяснить, может ли он обработать команду без информации с сервера. Как только запрос достигает серверов, алгоритм анализирует слова и тон вашего запроса и сопоставляет его с командой, которую, по его мнению, вы задали.

Итак, в нашем примере выше алгоритм Кортаны явно сопоставил ваш запрос с правильной командой. Но что произойдет, если вы спросите что-то, в чем алгоритм не уверен? Это когда виртуальный помощник может сказать: «Вы имели в виду _____?» или «Извините, я не могу этого сделать».

Инструменты проверки электронной почты

Если вы проводите маркетинговую кампанию по электронной почте или проводите рассылку по электронной почте всю свою жизнь, каждый раз, когда вы отправляете свои электронные письма, я уверен, что вы всегда сначала проверяете их с помощью своего инструмента проверки электронной почты. Вы делаете это все время, потому что знаете, что когда электронные письма отправляются на недействительные адреса электронной почты, они возвращаются. Чем выше показатель отказов, тем ниже будет падать ваш рейтинг отправителя. В результате вы можете попасть в ловушку спам-фильтров.

Но задумывались ли вы когда-нибудь, как именно работает этот инструмент проверки электронной почты? Ну, это машинное обучение в игре. Проще говоря, сложные алгоритмы машинного обучения дают этому инструменту проверки электронной почты возможность отслеживать более неуловимых поставщиков одноразовых адресов и анализировать, существует ли электронная почта на самом деле.

Поддержка агента клиента

Те, кто пользуется Uber, наверняка когда-то обращались в компанию за поддержкой. Хотя по-прежнему агенты-клиенты напрямую решают свои проблемы, угадайте, что позволяет людям делать это с такой скоростью и точностью?

С помощью COTA, помощника по работе с клиентами Uber, агенты по обслуживанию клиентов могут предоставить наиболее точное решение для тысяч билетов, ежедневно появляющихся на платформе в более чем 400 городах по всему миру.

Когда пользователь Uber получает доступ к приложению и отвечает на вопросы о типе проблемы, с которой он или она сталкивается, пользователь в основном помогает COTA «понимать» заявку посредством обработки естественного языка.

Затем COTA направляет заявку соответствующей команде. С помощью алгоритмов машинного обучения он определяет три лучших решения для клиента-человека. Затем клиент-человек выбирает, какое из рекомендуемых решений, по его мнению, является наиболее осуществимым. Это решение было предложено заказчику.

По данным Uber, улучшенная маршрутизация билетов благодаря COTA повысила эффективность на колоссальные 10%. «Повышая производительность агентов и сокращая время обработки заявок, COTA помогает нашей команде Customer Obsession лучше обслуживать наших пользователей, что приводит к повышению удовлетворенности клиентов», — сказали в Uber.

Он добавил, что способность COTA ускорять рассмотрение заявок экономит Uber «десятки миллионов долларов каждый год».

Инструменты анализа поведения/трендов

Некоторые компании используют машинное обучение для анализа тенденций и моделей поведения. Это важно, потому что если вы знаете, как ведут себя ваши клиенты, например, вы можете внести необходимые коррективы в свои услуги и продукты, чтобы лучше обслуживать их. Если вы анализируете тенденции, вы также можете делать прогнозы, на которых основывается ваше развитие бизнеса. » решения.

Например, Codeacademy, онлайн-платформа, предлагающая программирование, использует Solvvy для анализа тенденций поиска клиентов. Сделав это, он смог найти темы, которые искали клиенты, но не нашли ответы на них. Результат? Codeacademy смогла закрыть необходимые пробелы и снизить нагрузку на свою службу поддержки клиентов. В итоге клиенты стали лучше обслуживаться.

Air Canada, со своей стороны, использовала машинное обучение для просмотра тысяч разговоров с клиентами во время онлайн-бронирования. Изучив жалобы клиентов, компания определила распространенные проблемы клиентов при бронировании билетов и устранила их. Благодаря тому, что компания улучшила клиентский опыт, она смогла сэкономить на трудозатратах на поддержку клиентов.

Основываясь на этих примерах, мы можем сделать вывод о том, как машинное обучение оптимизирует качество обслуживания клиентов. Вот лишь некоторые из них:

  • Предлагает поддержку и советы
  • Он предсказывает поведенческие модели и тенденции
  • Выявляет проблемы клиентов
  • Это помогает улучшить рабочий процесс
  • Автоматизирует деятельность агента
  • Это персонализирует клиентский опыт

Машинное обучение в клиентском опыте: перспективы

Нельзя отрицать, что машинное обучение уже играет важную роль в клиентском опыте. А перспективы еще радужнее, по мнению некоторых экспертов.

Согласно Digital Information World, машинное обучение «взорвется», поскольку бизнес-потребности продолжают расти. В статье Алексея Харьковина, опубликованной на сайте Towards Data Science, говорится, что инструменты машинного обучения будут продолжать «эволюционировать» и обеспечивать оптимизированный клиентский опыт. И это совсем не исключено.

Например, чат-боты и виртуальные помощники хоть и полезны, но еще не полностью раскрыли свой потенциал. На данный момент некоторые ответы чат-ботов и VA отключены. Иногда у них нет ответов на конкретные вопросы или они не понимают конкретных вопросов.

По мере того, как машинное обучение продолжает развиваться, чат-боты и виртуальные помощники могут иметь в своей базе данных полный спектр ответов и лучше понимать данные.

Через несколько лет у нас может быть, например, Кортана, отвечающая даже на самые сложные вопросы. Такие ответы, как «Вы имели в виду _____?» или «Извините, я не могу этого сделать» могут просто уйти в прошлое. Может быть, мы можем заставить Кортану напечатать весь документ Word, который вы читаете вслух? Или тот, у которого даже есть человеческое тело.

Будущий спрос на машинное обучение

Но не только машинное обучение будет развиваться. Ожидается, что спрос на машинное обучение со стороны предприятий, которые хотят оптимизировать работу с клиентами, будет расти.

Gartner, например, прогнозирует, что к 2022 году 72% взаимодействий с клиентами будут связаны с новыми технологиями, такими как приложения для машинного обучения. Это больше, чем 11 процентов, зарегистрированных в 2017 году. Ожидается, что к 2021 году 15 процентов взаимодействий с клиентами будут полностью обрабатываться этими инструментами. Это на 400% больше, чем в 2017 году.

Вопрос тогда в этом. Смогут ли приложения машинного обучения заменить людей-клиентов? Как и Гартнер, П.В. Каннан и Джош Бернофф считают, что это не так. В статье, написанной для MIT Sloan Management Review, они сказали, что будущее обслуживания клиентов на самом деле зависит от взаимодействия машины и человека.

По словам Каннана и Берноффа, речь идет не столько об избавлении от рабочих, сколько о том, чтобы сделать их умнее. «Когда машины обрабатывают рутинные запросы, клиенты счастливее. А когда обслуживающий персонал может сосредоточиться на более сложных вопросах — или на ответах на вопросы с помощью бота, делающего предложения — они могут предоставлять гораздо более качественные услуги», — сказали они.

Первоначально опубликовано на https://www.liveagent.com 7 апреля 2020 г.