Introductie
Kunstmatige intelligentie voor klantenondersteuning (AI) en machine learning voor klantenondersteuning (ML) worden in bijna elk bedrijf besproken, en met een goede reden. Je kunt talloze artikelen vinden die zijn geschreven over de voordelen en gevaren ervan, acceptatievoorspellingen en hoe het al jaren gestaag in ons dagelijks leven sluipt als je een eenvoudige Google-zoekopdracht uitvoert. Veel mensen waren bang voor AI en machine learning (de robots zouden het overnemen!), maar ze bieden werkbare oplossingen die merken wereldwijd hebben geholpen om een reeks operaties te verbeteren.
U kunt kiezen tussen een iPhone en een Galaxy-telefoon, Alexa en Chromecast, en een Mac of een pc in de huidige omgeving. Klantenservice kan het verschil betekenen tussen het verliezen en behouden van een belangrijke klant door een bedrijf.
Uw klanten 20 minuten in de rij laten wachten is niet nuttig voor het bedrijf. Het stimuleert hen om naar een concurrent te gaan. Meer dan ooit is het voldoen aan de eisen van de consument door middel van snelle, efficiënte en naadloze klantenondersteuning de enige manier om te winnen in een wereld waarin klanten in één oogopslag naar een rivaal kunnen verhuizen. AI voor klantenservice is het antwoord.
Klantenondersteuning heeft bewezen een van de beste AI-gebruikscasussen te zijn binnen de enorme omhulling die door deze digitalisering wordt gegenereerd. Hoewel meer dan de helft van de dienstverlenende bedrijven actief op zoek is naar methoden om kunstmatige intelligentie in hun activiteiten op te nemen, weten velen niet hoe ze dat moeten doen.
Vijfenzestig procent van de consumenten zijn bezorgd dat merken AI te veel gebruiken, wat de zaken ingewikkelder kan maken als ze niet goed worden gedaan. Het is dus van cruciaal belang om een volledig begrip te hebben van het gebruik van AI en wanneer het acceptabel is.
Het verschil kennen tussen AI en machinaal leren
Kunstmatige intelligentie (AI) is een veelomvattende term die het idee versterkt dat machines menselijke probleemoplossende of denkvaardigheden kunnen nabootsen. Machine learning (ML), een subset van AI, gebruikt trainingsgegevens om algoritmische processen, voorspellingen en beoordelingen te verbeteren.
Hoe verstoren AI en ML de klantenservice-industrie?
AI verstoort de klantenservice-industrie, maakt het kosteneffectiever, vergroot de klantbetrokkenheid en versnelt het proces voor agenten. Agenten worden herhaaldelijk dezelfde basisvragen gesteld die een machine gemakkelijk kan beantwoorden. Kunstmatige intelligentie, die machine learning-algoritmen en taalverwerking combineert, is in staat om deze fundamentele verzoeken te automatiseren en agenten in realtime bij te staan, oproepen door te sturen naar de meest geschikte agenten en klantenservicepersoneel te beoordelen.
Het voordeel van het gebruik van klantenservice als AI-use case is dat er een overvloed aan trainingsgegevens is om machine learning-modellen te ontwikkelen. Zelfs als de vragen van een gebruiker niet transparant zijn, beslisboom chatbot of een andere op dialect gebaseerde AI-oplossing voor de klantenservice moet kunnen begrijpen wat ze betekenen.
Het kan dit leren door enorme hoeveelheden beschikbare gegevens te onderzoeken, zoals Yahoo! taalkundige gegevens, Twitter-hulpgegevens en andere toegankelijke gegevenssets. Bedrijven kunnen ook gegevens verzamelen die zijn afgestemd op het soort vragen dat hun chatbots beantwoorden.
Use cases
Schakelt zelfservice in
Consumenten zelf laten helpen is de ideale manier om hen te helpen. Ze krijgen direct de oplossing die ze nodig hebben en de organisatie bespaart geld op klantenondersteuning. Zowel de klant als de organisatie hebben baat bij selfservice. Doorzoekbaar kennisbankbeheersysteem en virtuele agenten zijn de twee belangrijkste oplossingen om selfservice mogelijk te maken.
Doorzoekbare gegevensbronnen zijn vergelijkbaar met bedrijfsspecifieke Google. Veel websites hebben "help"-pagina's, maar slechts een verwaarloosbaar percentage daarvan helpt echt. De reden hiervoor is dat zoekresultaten onbetrouwbaar en vaak onbruikbaar zijn.
Automatisering van taken vóór interactie
Succesvolle interacties met de klantenservice beginnen ver voor de agent-tot-klant-betrokkenheid. Het houdt in dat het probleem van de klant wordt gecategoriseerd en geanalyseerd. Vervolgens de consument matchen met de juiste agent, gebruikmakend van enorme hoeveelheden gegevens.
Geautomatiseerde probleemdetectie is het eerste digitaliseringsgebied. Het is een handmatig proces dat momenteel wordt gemechaniseerd met kunstmatige intelligentie. De praktijk van het automatisch identificeren van het soort probleem dat een klant ondervindt, staat bekend als geautomatiseerde probleemdetectie.
De informatiedistributie naar agenten is het tweede gebied van automatisering. Het moeizame proces van het accepteren van klantenservicetickets voor inkomsten en deze naar de superieure agent voor die behoefte te sturen, staat bekend als ticketroutering.
Dit proces duurt lang, is inefficiënt en veroorzaakt vertragingen in reactietijden. Algoritmen voor machine learning kunnen tickets automatisch in meerdere categorieën indelen, in dit voorbeeld tags. Een ander voordeel van sentimentanalyse is dat het boze of ontevreden consumenten kan identificeren en prioriteit kan geven aan het aanpakken van hun problemen.
De productiviteit van agenten in realtime verhogen
Tot nu toe heeft AI klanten geholpen zichzelf te helpen en agenten voorbereid om effectiever te zijn vanwege minder agent burn-out voordat ze zelfs maar met klanten in contact komen. Agenten in realtime effectiever maken en tijdens het gesprek inzichten en aanbevelingen aan agenten leveren, is het derde belangrijke gebied.
Zoals je zou verwachten, is dit moeilijk te bereiken, omdat het in realtime moet gebeuren, met informatie die tijdens het gesprek wordt verzameld, gekoppeld aan actuele gegevens en voorspellingen die worden gedaan om de efficiëntie van de agent te vergroten.
Conclusie
Met de verschuiving naar een digital-first benadering worden merken gedwongen om in een razend tempo te upgraden. Kunstmatige intelligentie helpt merken om procedures te stroomlijnen in het licht van de toegenomen eisen van klanten en een stortvloed aan vragen.
Zelfs als u met menselijke agenten spreekt, kunt u tools zoals AI . gebruiken tools voor kennisbeheer om de klantondersteuningservaring te verbeteren door direct informatie op te halen en oplossingen te bieden, waardoor de agent veel sneller op de klant kan reageren.
AI stelt klantenserviceprofessionals in staat meer tijd te besteden aan de meest gecompliceerde problemen die menselijke agenten kunnen oplossen, in plaats van dezelfde eenvoudige antwoorden te herhalen op dezelfde basisvragen die een chatbot zou kunnen uitvoeren. De gedetailleerde toepassing van AI en ML in klantenservice zal hoogstwaarschijnlijk een decennium of langer duren om te realiseren. Maar zijn kracht en belofte zijn duidelijk, en zijn traject is onvermijdelijk.
Bron: Plato Data Intelligence: Platodata.ai