Ο ψηφιακός μετασχηματισμός είναι από τα σημαντικότερα θέματα στις συζητήσεις ανάμεσα στους CIO. Η μετάβαση των οργανισμών στην ψηφιακή εποχή έχει αναχθεί σε πρωταρχικό στόχο των διευθυντών των τμημάτων IT, καθώς κάθε επιχείρηση προσπαθεί να ξεπεράσει τους ανταγωνιστές της στο στίβο της ψηφιακής μετάβασης.

Για την επίτευξη του ψηφιακού μετασχηματισμού δεν υπάρχει ένα συγκεκριμένο βήμα που μπορεί να κάνει μια εταιρία και με μαγικό τρόπο να περάσει από την κατάσταση που βρίσκεται σε μια πλήρως ψηφιοποιημένη μορφή. Η ψηφιακή μετάβαση περιλαμβάνει μια σειρά μικρότερων διαδοχικών βημάτων που θα οδηγήσουν τελικά στην εξέλιξη της εταιρίας. Παρόλο που τα έργα που θα χρειαστεί να πραγματοποιηθούν μπορεί να ποικίλουν ανάλογα με τον κλάδο, πολλά από αυτά περιστρέφονται γύρω από έναν κοινό παρονομαστή: Την βελτίωση του customer experience, καθώς πρόκειται για ένα από τους καθοριστικούς παράγοντες διαφοροποίησης των επιχειρήσεων που επιδιώκουν την εξέλιξη. Αυτό που υποδεικνύουν πολλοί CIO είναι πως η ουσία δεν βρίσκεται στην αποσπασματική βελτίωση του customer service, αλλά στην πλήρη αναθεώρηση του, γεγονός που προϋποθέτει την χρήση της artificial intelligence (AI)

Στον απόηχο επίσης του Google I/O 2018, του ετήσιου συνεδρίου της Google για developers, όπου και παρουσιάστηκαν οι ικανότητες του Google Duplex και του Google Assistant έχουν αρχίσει να γεννιούνται μεγάλες προσδοκίες σχετικά με τις δυνατότητες που μπορεί να προσφέρει η τεχνολογία AI στο χώρο του customer service. Σίγουρα η τεχνολογία που παρουσιάστηκε δεν μπορεί να χρησιμοποιηθεί ακόμα από κέντρα εξυπηρέτησης πελατών, αν και τελικά θα επεκταθεί και σε αυτό το χώρο. Πως όμως και μέσα από ποια κανάλια θα μπορούσε να αξιοποιηθεί πιο άμεσα η τεχνητή νοημοσύνη;

Η εξυπηρέτηση πελατών χρήζει αναθεώρησης στην ψηφιακή εποχή
Η εξυπηρέτηση πελατών την σημερινή εποχή είναι κυρίως παθητική. Ένα άτομο που έρχεται σε επαφή με το κέντρο επικοινωνίας μιας επιχείρησης, καλείται να μεταφέρει μια μεγάλη γκάμα από πληροφορίες, όπως όνομα, διεύθυνση, στοιχεία επικοινωνίας και μια περιγραφή του προβλήματος. Αν ο συγκεκριμένος υπάλληλος δεν είναι ο αρμόδιος τότε ο πελάτης παραπέμπεται στον επόμενο εκπρόσωπο και η διαδικασία ξεκινάει από την αρχή. Πλήθος προβλημάτων ανακύπτουν από αυτό, με κυρίαρχο το γεγονός ότι καταναλώνεται άσκοπα ο χρόνος του πελάτη, ενώ συγχρόνως εντείνεται η δυσαρέσκειά του.

Η βελτίωση της εξυπηρέτησης πελατών δεν επιτυγχάνεται απλώς με περιφερειακές διορθώσεις όπως είναι η μείωση του χρόνου αναμονής. Κυρίως χρειάζεται μια πλήρης αναθεώρηση του τρόπου λειτουργίας της εξυπηρέτησης πελατών με τη χρήση τεχνητής νοημοσύνης. Το AI είναι ικανό να συνδέσει τις κουκίδες ανάμεσα στις δράσεις και τις πληροφορίες που προέρχονται από το χρήστη και να αναγάγει τον υπάλληλο σε ένα είδος προφήτη στα μάτια του πελάτη, καθώς μπορεί να γνωρίζει εκ των προτέρων το λόγο της κλήσης και να προτείνει λύσεις για το εκάστοτε πρόβλημα πριν καν του ζητηθεί.

Πώς μπορεί το AI να βοηθήσει το customer service
Για την καλύτερη αποτύπωση των δυνατοτήτων που μπορεί να ξεκλειδώσει η τεχνητή νοημοσύνη, θα παρουσιάσουμε δύο παραδείγματα εξυπηρέτησης πελατών με τη χρήση AI.

    1ο παράδειγμα:

Καθοδήγηση υπαλλήλου χωρίς τη χρήση AI
Η Καίτη Δημητρίου είναι συχνή πελάτης της συγκεκριμένης αεροπορικής εταιρείας και το επερχόμενο ταξίδι της έχει ακυρωθεί λόγο κακοκαιρίας.

Η Καίτη μπαίνει στο site προς αναζήτηση άλλων πτήσεων και επεκτείνει την έρευνα της για αεροδρόμια και σε διπλανές περιοχές από αυτή του αρχικού προορισμού της. Μετά από ανεπιτυχή αναζήτηση καλεί την αεροπορική εταιρεία. Ο υπάλληλος ρωτάει το όνομα της και τον αριθμό πτήσης της, καθώς και πως μπορεί να την εξυπηρετήσει. Εκείνη εξηγεί την κατάσταση και ο υπάλληλος επαναλαμβάνει πολλά από τα βήματα που η Καίτη είχε ήδη πραγματοποιήσει στην αναζήτηση της. Μετά από μεγάλη καθυστέρηση και έγνοια, από την πλευρά της καλούσας, και αγωνία πως δεν θα προλάβει να βρει θέσεις σε άλλες πτήσεις, τελικά επιτυγχάνεται μια κράτηση σε μια άλλη πτήση που την εξυπηρετεί.


Καθοδήγηση υπαλλήλου με τη χρήση AI
Ας υποθέσουμε πως η Καίτη κάνει τις ίδιες κινήσεις μέχρι τη στιγμή που πραγματοποιεί την κλήση στο κέντρο εξυπηρέτησης. Όταν καλεί την αεροπορική εταιρία, το AI έχει συλλέξει όλες τις πληροφορίες και κατανοεί πως η πτήση της έχει ακυρωθεί και πως έχει συμπεριλάβει πλέον στην αναζήτηση της και τα κοντινά αεροδρόμια. Ο υπάλληλος επίσης γνωρίζει πως η Καίτη είναι συχνή πελάτης, οπότε επιδιώκει να εξασφαλίσει την εύρεση άλλης πτήσης και να ολοκληρώσει επιτυχώς την εξυπηρέτηση της όσο το συντομότερο δυνατόν.

Όταν ο υπάλληλος απαντάει στην κλήση, υποδέχεται την καλούσα με το όνομα της και της λέει. «Καλησπέρα κυρία Δημητρίου, σας ευχαριστούμε για την εμπιστοσύνη σας στην εταιρία μας, βλέπουμε πως προσπαθείτε να αλλάξετε την πτήση σας η οποία ακυρώθηκε. Πως μπορώ να σας βοηθήσω σε αυτό;» Η τεχνητή νοημοσύνη γνωρίζει πως η Καίτη επιθυμεί να βρει το κοντινότερο αεροδρόμιο σε αυτό του προορισμού της. Οπότε ο υπάλληλος της προτείνει άμεσα την πιο συμφέρουσα εναλλακτική λύση.

Στο παραπάνω παράδειγμα, βάσει των ενεργειών της, η τεχνητή νοημοσύνη μπορούσε να καταλάβει ποιος καλεί, τη σχέση της με την αεροπορική εταιρία, καθώς και τι προσπαθούσε να επιτύχει. Και παρείχε μια άμεση απάντηση για τον υπάλληλο χωρίς εκείνος να χρειαστεί να ψάξει ή να ρωτήσει περισσότερες πληροφορίες. Πέραν της ολοκλήρωσης της κλήσης με τον συγκεκριμένο πελάτη άμεσα, υπάρχει και το επιπρόσθετο πλεονέκτημα της μείωσης του χρόνου αναμονής για τους υπόλοιπους επιβάτες που έχουν επηρεαστεί από την ακύρωση της πτήσης.

    2ο παράδειγμα:

Έξυπνη προώθηση χωρίς AI
Ο Ιάσων Πέτρου είναι για σειρά ετών συνδρομητής σε μια διαδικτυακή μουσική πλατφόρμα ώσπου συνειδητοποιεί πως η χρέωση αυτού του μήνα είναι υψηλότερη από το ποσό που υπολόγιζε. Συνδέεται για να ελέγξει τις κινήσεις του λογαριασμού του και συνειδητοποιεί πως έχει χρεωθεί για ένα άλμπουμ το οποίο παρήγγειλε αλλά και ακύρωσε αμέσως μετά.

Αναζητεί στην ιστοσελίδα τα keywords «λανθασμένη χρέωση» αλλά χωρίς αποτέλεσμα, οπότε καλεί την τηλεφωνική εξυπηρέτηση. Εξηγεί στην εκπρόσωπο το πρόβλημα του και εκείνη τον ενημερώνει πως δεν είναι αρμόδια οπότε και τον παραπέμπει σε ένα συνάδελφο της, ο οποίος με τη σειρά του τον προωθεί σε ένα εκπρόσωπο από το τμήμα αποζημιώσεων. Ο Ιάσων εξηγεί για τρίτη φορά την κατάσταση ώσπου η αποζημίωση ολοκληρώνεται επιτυχώς.

Έξυπνη προώθηση με AI
Όταν ο Ιάσων καλεί την online μουσική εταιρία, το AI έχει ήδη αναλύσει την διαδικτυακή του αναζήτηση και προβλέπει πως ο πελάτης καλεί για να ζητήσει μια αποζημίωση για μια χρέωση που θεωρεί λανθασμένη και προωθεί την κλήση κατευθείαν στο τμήμα αποζημιώσεων. Η τεχνητή νοημοσύνη αντλεί πληροφορίες από το site, το σύστημα CRM και άλλες πηγές για να αναλύσει το ιστορικό του καταναλωτή.

Ο υπάλληλος ενημερώνεται άμεσα πως ο Ιάσων είναι ένας σταθερός πελάτης για αρκετά χρόνια και δεν έχει ξαναζητήσει αποζημίωση. Συνεπώς τον υποδέχεται με τον ακόλουθο τρόπο. «Γεια σας κύριε Πέτρου. Βλέπω πως έχετε χρεωθεί λανθασμένα. Πως μπορώ να σας βοηθήσω με αυτό;». Ο Ιάσων εξηγεί την κατάσταση και ο υπάλληλος τον ενημερώνει πως η εταιρία θα χαρεί να του επιστρέψει τα λεφτά του. Σε αυτή την περίπτωση η τεχνητή νοημοσύνη ήταν ικανή να συλλέξει πληροφορίες βασισμένες στις δραστηριότητες του Ιάσωνα και να προβλέψει τον σκοπό του τηλεφωνήματος. Τα αποτελέσματα αυτής της ανάλυσης χρησιμοποιήθηκαν για να κατευθύνουν την κλήση στον κατάλληλο εκπρόσωπο. Η τεχνητή νοημοσύνη ακολούθως ερεύνησε τους κανόνες της επιχείρησης για να συμπεράνει αν η αποζημίωση είναι αποδεκτή και να ενημερώσει τον υπάλληλο.

Οι επιχειρήσεις συλλέγουν μεγάλο αριθμό πληροφοριών σχετικά με τις συνήθειες και τις δραστηριότητες των πελατών τους. Η πρόκληση έγκειται στο ότι οι άνθρωποι δεν μπορούν να αναλύσουν τόσο μεγάλο πλήθος δεδομένων τόσο γρήγορα όσο οι μηχανές. Τα συστήματα AI μπορούν να μελετήσουν δεδομένα και να εξάγουν συμπεράσματα τα οποία βοηθούν στην πιο άμεση και πιο ακριβή διεκπεραίωση της εξυπηρέτησης των πελατών, βελτιώνοντας την αποδοτικότητα του κάθε υπαλλήλου προσφέροντας του τις κατάλληλες πληροφορίες άμεσα.

Το customer service είναι πλέον πιο σημαντικό από ποτέ και οι CIO αρχίζουν να βλέπουν το AI ως μια τεχνολογία που αλλάζει τους κανόνες του παιχνιδιού.


Η άλλη όψη του νομίσματος
Συγχρόνως όμως πρέπει δοθεί προσοχή για να αποφευχθεί η μετάβαση στην αντίπερα όχθη. Όλο και περισσότερος κόσμος τείνει να παρομοιάζει την τεχνητή νοημοσύνη με έναν από μηχανή θεό που θα πραγματοποιήσει όλες τους τις επιθυμίες. Αν μια επιχείρηση δεν εκτιμά τους πελάτες της, ανεξαρτήτως από τα ποσά που θα επενδύσει στην τεχνολογία, δεν προβλέπεται βελτίωση.

Πρωτίστως πρέπει να προσαρμοστεί η κουλτούρα της επιχείρησης και να γίνει πιο πελατοκεντρική. Σύμφωνα με την μελέτη της digital agency Wunderman το 79% των καταναλωτών δήλωσε πως οι μάρκες πρέπει να δείχνουν κατανόηση και ενδιαφέρον για αυτούς πριν αποφασίσουν να τις εμπιστευτούν. Επίσης σύμφωνα με μια έρευνα της Accenture, όταν οι πελάτες δεν είναι ευχαριστημένοι, αντιδρούν πολύ πιο γρήγορα. Παρατηρήθηκε πως το 50% σταματούν τις συναλλαγές με μια επιχείρηση αμέσως μετά από μια προβληματική αγορά ή μια άσχημη εμπορική εμπειρία. Πρέπει να τονιστεί λοιπόν η σημασία του ανθρώπινου παράγοντα. Τόσο στο επίπεδο του καταναλωτή και της σχέσης που επιδιώκει να δημιουργήσει με αυτόν η επιχείρηση, όσο και στο επίπεδο του υπαλλήλου, που θα καθοδηγήσει το πρόγραμμα τεχνητής νοημοσύνης ή θα υποδεχθεί τελικά τον πελάτη.

Οι λύσεις που προσφέρει το AI
Αφού εξασφαλιστούν οι παραπάνω ανθρωποκεντρικές παράμετροι μπορούν να εφαρμοστούν αρκετές διαφορετικές λύσεις. Οι πιο βασικοί από τους τρόπους με τους οποίους μπορεί να αξιοποιηθεί η τεχνητή νοημοσύνη στην αναβάθμιση της εξυπηρέτησης πελατών, είναι οι ακόλουθοι:

Recommendation engines. Οι recommendation engines μπορούν να βοηθήσουν τους καταναλωτές αρχικά με εξατομικευμένες προτάσεις προϊόντων, βασισμένα στο προφίλ του καταναλωτή. Επιπλέον όταν ο πελάτης κάνει αναφορά ενός προβλήματος, μπορούν να προσφέρουν επιλογές για την αντιμετώπιση του προβλήματος, βασισμένες στις προηγούμενες προτιμήσεις του.

Συσκευές IoT (Internet of Things). Χάρη στο γεγονός ότι είναι συνδεδεμένες στο Internet, οι συσκευές IoT επιτρέπουν στους υπαλλήλους εξυπηρέτησης πελατών να εντοπίζουν ακριβείς πληροφορίες για το προϊόν και να κάνουν εύκολη διάγνωση της κατάστασης του. Αυτό βοηθάει στην μείωση των διαγνωστικών λαθών και ελαχιστοποιεί τον χρόνο που χρειάζεται για να διεκπεραιωθεί η διαδικασία. Μπορούν επίσης να πραγματοποιήσουν εύκολα update και μπορεί ακόμα να είναι εφοδιασμένα με την ικανότητα να αυτοεπισκευάζονται, ώστε να μειώνουν την διάρκεια της βλάβης και να αυξάνουν την ικανοποίηση του καταναλωτή. Συσκευές όπως το Amazon Echo, μπορούν επίσης να λειτουργήσουν και ως κανάλι πωλήσεων βοηθώντας τους καταναλωτές να διαλέξουν προϊόντα πιο γρήγορα.

Chatbots: Τα κέντρα εξυπηρέτησης πελατών μπορούν να προσφέρουν 24/7 εξυπηρέτηση με την βοήθεια των chatbots. Με την χρήση του NLP (Natural Language Processing) τα chatbots μπορούν να «κατανοήσουν» τα μηνύματα τον καταναλωτών. Μπορούν να απαντήσουν στις συνήθεις ερωτήσεις και να βοηθήσουν στην καταγραφή πληροφοριών από τους καταναλωτές, μειώνοντας έτσι την ανάγκη για έναν ανθρώπινο υπάλληλο.

Επεξεργασία Email. Οι μεγάλες επιχειρήσεις τείνουν να κατακλύζονται καθημερινά από ε-mails πελατών. Αλγόριθμοι που συνδυάζουν machine learning με NLP βοηθούν στον εντοπισμό σχετικών πληροφοριών από τα e-mails και εν συνεχεία το σύστημα ή δρα μέσω άμεσων αυτοματοποιημένων διαδικασιών ή προωθεί τα e-mail σε έναν εκπρόσωπο.

Intelligent troubleshooting. Η μελέτη του ιστορικού των δεδομένων επίλυσης προβλημάτων, μπορεί να λύσει τα προβλήματα των καταναλωτών πιο αποδοτικά. Μέσω predictive analytics ένας υπάλληλος καθοδηγείται στην βέλτιστη λύση βάσει της επίλυσης παρόμοιων προβλημάτων στο παρελθόν. Επίσης, οι κλήσεις μπορούν να προωθηθούν στους κατάλληλους υπαλλήλους βάσει των προηγούμενων επιτυχιών τους στην επίλυση προβλημάτων της συγκεκριμένης φύσης. Αυτό αυξάνει την αυτοπεποίθηση των υπαλλήλων και προσφέρει μια πιο γρήγορη λύση στον καταναλωτή, εξοικονομώντας χρόνο και χρήμα. Στην ίδια βάση, κείμενα φωνητικών κλήσεων ή Interactive Voice Response (IVR) μπορούν να προγραμματιστούν ώστε να προσαρμόζονται αυτόματα σε απαντήσεις πραγματικού χρόνου.

Αυτοματοποίηση διαδικασιών: Διαδικασίες ρουτίνας όπως το onboarding των πελατών ή η επίλυση απλών προβλημάτων, μπορούν να αυτοματοποιηθούν με τη χρήση του λύσεων τύπου RPA (Robotic Process Automation). Με την μείωση των χειρονακτικών διαδικασιών και αυτοματοποίηση των επαναλαμβανόμενων δράσεων, οι υπάλληλοι του οργανισμού μπορούν να επικεντρωθούν σε πιο σύνθετες διαδικασίες.

Sentiment analysis: Με τη χρήση των τεχνολογιών NLP και machine learning, τα e-mails και οι κλήσεις μπορούν να αναλυθούν ώστε να προσδιοριστεί η προτεραιότητα της κάθε υπόθεσης και να προωθηθεί σε ένα εκπρόσωπο με τις κατάλληλες ικανότητες. Το sentiment analysis μπορεί επίσης να αναλύσει το feedback των καταναλωτών στα social media, ώστε να εξάγει στατιστικά στοιχεία σχετικά με τις αποδόσεις της εταιρίας. Τα αρνητικά σχόλια μπορούν επίσης να επισημανθούν για μια άμεση απάντηση.