Automatyzacja procesów obsługi nie musi oznaczać dehumanizacji kontaktów z klientami. W dobie komunikacji omnichannel[1], spersonalizowanej komunikacji, przetwarzaniu zmiennych i różnorodnych zbiorów danych, nie wyobrażamy sobie skutecznego prowadzenia jakichkolwiek interakcji z klientami bez wsparcia technologii. Jednak całkowita automatyzacja interakcji z klientami może doprowadzić do niebezpieczeństwa obniżenia jakości kontaktów.
Z pomocą przychodzą systemy machine learning (samouczące się) oparte na pamięci asocjacyjnej.
Zadaniem managera obsługi klienta jest świadczenie satysfakcjonujących usług, często pomimo ograniczonych zasobów. Kanały tekstowe powoli wypierają głos z call center[2]. Ogrom przesyłanych przez klientów e-maili czy korespondencja na czacie wraz z wymogiem szybkiej informacji zwrotnej stawia zarządzających przed wielkim wyzwaniem. Jak zapewnić wymagany poziom usług bez zwiększania zatrudnienia?
W dobie wszechobecnych technologii manualne wykonywanie rutynowych czynności, które mogą być zautomatyzowane, to wielka strata czasu. Z pomocą przychodzą technologie, które mają możliwość analizowania ogromnej liczby danych i jednocześnie mogą uwolnić agentów obsługi klienta od rutynowych, powtarzających i pracochłonnych czynności związanych z obsługą kanałów głosowych i tekstowych.
O ile self – service typu IVR[5] może zadziałać, to już autorespondery bywają zawodne. A przecież niezbędne jest, by zachować kontrolę nad automatyzacją i utrzymać najwyższy poziom usług w każdej interakcji z klientem.
Dotychczas wiele systemów automatyzujących prace obsługi klienta było opartych na słowach – kluczach, które – po użyciu ich przez klienta – inicjowały odpowiednie działania ze strony firmy. Ta metoda automatyzacji jest nieskuteczna, ponieważ język korespondencji, unikalne problemy klientów, forma zapytania i wiele innych rzeczy w takiej interakcji zmieniają się bardzo dynamicznie. Zautomatyzowana komunikacja oparta na słowach kluczowych napotyka przeszkody:
Wyobraźmy sobie, że jako bank mamy w kluczach słowo ‘hasło”. Przychodzi od klienta email z tym właśnie słowem. Konsultant lub system może wyszukać w formularzach czy w bazie wiedzy odpowiedzi na to słowo i wysłać automatyczną odpowiedź dotyczącą hasła. Albo słowo „pilne” system może wysłać do priorytetowej kolejki myśląc, że potrzebna jest natychmiastowa reakcja.
Jeden klient użyje słowa „hasło”, bo sam zablokował kartę i prosi o reset, inny poinformuje o kradzieży hasła i poprosi o blokadę, jeszcze inny użyje słów zastępczych i w ogóle słowa „hasło” nie wymieni. W każdym z przypadków odpowiedź i działania powinny być inne. Co możemy zrobić?
Wykorzystać dodatkowe słowo kluczowe „hasło – kradzież” czy „hasło – reset”. Ale co zrobić, gdy klient ma problem, a słów kluczowych w korespondencji brak? Nawet zwiększony zasób takich kluczy może być nieskuteczny i zbyt ogólny.
Zamiast koncertować sie na jednym lub dwóch słowach kluczowych, system wykorzystujący algorytmy pamięci asocjacyjnej może analizować całą korespondencję, porównując ją z danymi historycznymi. Wyłapuje ciągi i kombinacje słów i przetwarza je w kontekście całego komunikatu, by również wykryć niuanse i ton wypowiedzi.
Dodatkowo system „uczy” się poprzez analizę odpowiedzi zwrotnych wysłanych przez konsultanta do klienta i reakcji klienta na te odpowiedzi. Dzięki temu system cały czas – kojarząc kontekst – poprawia dokładność i precyzyjność odpowiedzi.
Jak działa automatyka wykorzystująca pamięć asocjacyjną?
Pierwszym polskim systemem wspierającym procesowanie interakcji z klientami opartym na pamięci asocjacyjnej jest platforma Unified Factory Communications. Pamięć asocjacyjna nie tylko podpowiada agentowi gotowe odpowiedzi, które może użyć , co napisać w mailu czy na/lub czacie.. Ta funkcjonalność które znacznie skraca czas interakcji z klientem . To już nie jest masowa, lecz indywidualna zautomatyzowana interakcja.
Na przykładzie korespondencji email:
– system analizuje zapytanie od klienta (temat, kombinacje słów), identyfikuje je według wzorca i przydziela do odpowiedniego konsultanta.
– w tym samym czasie system, badając zawartość zapytania analizuje całą treść, aby na jej podstawie wyświetlić konsultantowi propozycję odpowiedzi gotową do natychmiastowej wysyłki do klienta.
I tu mamy właśnie czynnik ludzki. W zależności od potrzeb konsultant może rozszerzyć lub zedytować treść zapytania i po zatwierdzeniu odpowiedź automatycznie wysyłana jest do klienta. Co ciekawe, system uczy się na bazie prowadzonej komunikacji i adaptuje nowe scenariusze na potrzeby kolejnych klientów.
“To jest automatyzacja z ludzką twarzą – powiedział Maciej Okniński – prezes Unified Factory – tworząc narzędzie nie skupialiśmy się na całkowitej automatyzacji, wręcz przeciwnie. W naszym systemie każde zapytanie jest obsługiwane przez konsultanta. Narzędzia usprawniają i podnoszą efektywność jego pracy, ale to człowiek jest jedynym gwarantem zachowania usług na wysokim poziomie jakości. A w obecnych czasach obsługa klienta jest oceniana właśnie przez pryzmat jakości.
Co daje implementacja rozwiązań opartych na technologiach “machine learning”, pokazuje przypadek Pinterest. Kiedy w zeszłym roku zaktualizowano formularz kontaktowy, około 28 tysięcy zapytań spływało miesięcznie do 5 osobowego działu obsługi. Firma używała autorespondera, ale wskaźniki satysfakcji wahały się od 25 do 40%. Poszukiwano rozwiązania, które nie zwiększyłoby liczby pracowników, a poprawiło dość slaby poziom satysfakcji klientów.
W wyniku testów wdrożono kilka rozwiązań odpowiedzialnych za usprawnienie pracy, w tym dwóch opartych na sztucznej inteligencji: aplikacji do wsparcia zapytań klientów i do tłumaczeń. Prawie 1/3 zapytań od klientów obsługiwana jest przez społeczność Pinnerów za pomocą platformy crowdsourcingowej. Pinterest poprawił 2,5 krotnie wskaźnik CSAT[3], a 87% interakcji (FCR[4]) kończy się po pierwszym kontakcie.
Wszędzie tam, gdzie mamy styczność z wielokanałową komunikacją z klientami czy prospektami, contact centers, w e-commerce warto zastosować technologie wspierane przez pamięć asocjacyjną.
Zautomatyzowanie procesu wyszukiwania informacji i przygotowanie szablonu odpowiedzi przez takie systemy znacznie zwiększają efektywność pracy agentów, ale i całej organizacji. Według Macieja Oknińskiego, dzięki zastosowaniu automatyzacji w procesach komunikacji możemy znacznie przyśpieszyć obsługę klienta przy jednoczesnym zachowaniu spersonalizowanych odpowiedzi, co skutkuje nawet 80% wzrostem efektywności obsługi klienta.
Teraz już wiemy, w jaki sposób można zaoszczędzić czas w obsłudze klienta bez utraty tego osobistego uroku bezpośredniej rozmowy, który klienci tak kochają.
