هوش مصنوعی در خدمات مشتری؛ از پاسخ سریع تا تصمیم قابل اعتماد

بسیاری از مدیران هنگام شنیدن عبارت «هوش مصنوعی در خدمات مشتری» ابتدا به یک گفت‌وگوگر خودکار فکر می‌کنند که به پرسش‌های تکراری پاسخ می‌دهد. این کاربرد می‌تواند هزینه تماس را کاهش دهد، اما ارزش اصلی فناوری زمانی آشکار می‌شود که شرکت بتواند مشکل مشتری را درست تشخیص دهد، سابقه سفارش را در چارچوب مجاز ببیند و برای حل مسئله مسیر مشخصی پیشنهاد کند. سرعت پاسخ به‌تنهایی معیار موفقیت نیست. اگر ابزار در چند ثانیه جوابی نادرست درباره موجودی، قیمت یا ضمانت بدهد، شرکت ممکن است با موج شکایت، مرجوعی و هزینه اصلاح روبه‌رو شود. بنابراین طراحی درست از تعریف اختیار و کیفیت داده آغاز می‌شود، نه انتخاب نام یک مدل.

نخست مسئله خدمات را طبقه‌بندی کنید

شرکت پیش از خرید نرم‌افزار باید حجم درخواست‌های مشتری را به چند گروه تقسیم کند: پرسش‌های اطلاعاتی، پیگیری سفارش، تغییر نشانی، مشکل پرداخت، اعتراض به کیفیت و درخواست استرداد. هر گروه به داده و اختیار متفاوتی نیاز دارد. پاسخ به ساعت کاری می‌تواند کاملاً خودکار باشد، اما صدور تعهد مالی یا تغییر مفاد قرارداد نباید بدون کنترل مناسب انجام شود. برای هر گروه باید مشخص شود «پاسخ درست» چیست و چه وضعیتی به دخالت انسان نیاز دارد. این دسته‌بندی مانع می‌شود یک سامانه عمومی همه درخواست‌ها را به شکلی یکسان و پرریسک پاسخ دهد.

داده اختصاصی، مزیت واقعی است

مدل زبانی از دانش عمومی برخوردار است، اما از سیاست بازگشت کالا، وضعیت انبار و محدودیت‌های فروش یک شرکت خاص آگاه نیست مگر اینکه اطلاعات معتبر در اختیارش قرار گیرد. بهتر است پایگاه دانش داخلی شامل پرسش‌های پرتکرار، شیوه‌نامه‌های تأییدشده و داده‌های قابل انتشار مشتری ساخته شود. هر پاسخ باید به نسخه مشخصی از سیاست یا سند مرتبط باشد تا در صورت تغییر قواعد بتوان منبع تصمیم را اصلاح کرد. داده قدیمی خطرناک‌تر از نبود داده است؛ زیرا سامانه با لحنی مطمئن می‌تواند سیاست منقضی‌شده را تکرار کند.

در سازمان‌های بزرگ، یک چالش دیگر نیز وجود دارد: اطلاعات واقعی در چند نرم‌افزار پخش است. تیم فروش از یک قیمت خبر دارد، حسابداری وضعیت وصول دیگری می‌بیند و انبار موجودی را با تأخیر به‌روزرسانی می‌کند. اضافه کردن هوش مصنوعی به چنین وضعیتی بدون یکپارچه‌سازی فرایند، تناقض‌ها را فقط سریع‌تر به مشتری منتقل می‌کند. مدیر باید پیش از اتوماسیون، مالک هر نوع داده، دوره به‌روزرسانی و قاعده حل اختلاف میان سیستم‌ها را تعیین کند. فناوری روی نظم داده کار می‌کند؛ جایگزین نظم نیست.

اجازه دسترسی را لایه‌بندی کنید

کارمند مجازی نباید به همه پرونده‌ها دسترسی نامحدود داشته باشد. اطلاعات تماس، نشانی، پرداخت و سابقه خرید، داده‌هایی حساس‌اند و استفاده از آنها باید به ضرورت خدمت وابسته باشد. برای عملیات مشاهده‌ای می‌توان مجوز محدود تعریف کرد، اما برای تغییر سفارش، بازپرداخت یا افشای اطلاعات شخصی لازم است احراز هویت، ثبت رویداد و در موارد مشخص تأیید انسانی برقرار باشد. شرکت همچنین باید مدت نگهداری داده، محل پردازش و حقوق مشتری درباره استفاده از اطلاعات خود را بررسی کند. اعتماد مخاطب زمانی آسیب می‌بیند که مشتری نداند پاسخ‌دهنده چه چیزی درباره او می‌داند یا چه اقدامی می‌تواند انجام دهد.

پاسخ نادرست را از قبل پیش‌بینی کنید

هیچ ابزار مولد متنی مصون از خطا نیست. ممکن است جزئیات کالا را اشتباه ترکیب کند، زمان تحویل را بیش از حد خوش‌بینانه بگوید یا در برابر پرسشی مبهم پاسخ قطعی بدهد. راه‌حل، محدود کردن دامنه عملکرد و طراحی آستانه اطمینان است. اگر درخواست خارج از موضوع تعریف‌شده باشد یا سامانه نتواند سند معتبر پیدا کند، باید موضوع را به اپراتور انسانی ارجاع دهد. بهتر است متن ارجاع محترمانه و کوتاه باشد و مشتری مجبور نشود همه توضیحات خود را دوباره تکرار کند. کیفیت تجربه در نقطه تحویل کار از ماشین به انسان تعیین می‌شود.

سنجش موفقیت فراتر از تعداد پاسخ‌هاست

برخی داشبوردها تنها نشان می‌دهند چند گفت‌وگو به شکل خودکار پاسخ گرفته است. این معیار می‌تواند گمراه‌کننده باشد. شرکت باید نرخ حل مسئله در تماس اول، درصد ارجاع به انسان، زمان واقعی حل، تعداد شکایت بعد از پاسخ و رضایت مشتری را همزمان بسنجد. همچنین هزینه نهایی هر مشکل حل‌شده باید محاسبه شود؛ ممکن است هزینه نرم‌افزار پایین باشد، اما اصلاح خطاها فشار زیادی بر تیم پشتیبانی وارد کند. نمونه‌برداری تصادفی از گفت‌وگوهای واقعی و بازبینی دوره‌ای پاسخ‌ها برای جلوگیری از افت تدریجی کیفیت لازم است.

برای آزمون اولیه، بهتر است یک محصول یا یک دسته پرسش محدود انتخاب شود. داده‌های همان حوزه پاک‌سازی و پاسخ‌های مرجع تدوین گردد. سپس ابزار در محیط آزمایشی با ده‌ها پرسش واقعی و دشوار سنجیده شود؛ به‌خصوص سؤال‌های ناقص، چندمعنایی و مربوط به موقعیت‌های استثنایی. پس از تأیید، بخشی از مشتریان می‌توانند از سرویس استفاده کنند و نتایج با گروهی که هنوز پشتیبانی معمول دریافت می‌کند مقایسه شود. بدون طراحی آزمون، افزایش رضایت یا کاهش هزینه ممکن است به عوامل دیگری نسبت داده شود.

کارکنان را از فرایند حذف نکنید

موفق‌ترین کاربردها معمولاً کارکنان پشتیبانی را از کار تکراری آزاد می‌کنند تا روی پرونده‌های پیچیده‌تر تمرکز کنند. متخصص انسانی می‌تواند پاسخ پیشنهادی سامانه را اصلاح کند، دانش تازه تولید کند و الگوی شکایت‌های نوظهور را به مدیریت محصول گزارش دهد. این نقش به آموزش نیاز دارد؛ کارکنان باید بدانند چه زمانی به خروجی مدل اعتماد نکنند و چگونه خطای آن را ثبت کنند. اگر ابزار بدون بازخورد کارکنان طراحی شود، مقاومت سازمانی و افت کیفیت محتمل است. هوش مصنوعی باید قابلیت تیم را افزایش دهد، نه مسئولیت را مبهم کند.

نقشه اجرای چهارمرحله‌ای

در مرحله اول، یک فهرست از ده مسئله پرتکرار و پرهزینه تهیه و حجم آنها اندازه‌گیری شود. مرحله دوم، اسناد مربوط پاک‌سازی، نسخه‌بندی و برای هر پاسخ مرجع تعیین گردد. مرحله سوم، آزمایش محدود با گزارش خطا و سنجه‌های روشن انجام شود. مرحله چهارم، تنها حوزه‌هایی که واقعاً عملکرد بهتری نشان داده‌اند توسعه پیدا کنند. در پایان هر ماه باید نسبت هزینه به مسئله حل‌شده و کیفیت پاسخ بررسی شود. خرید ابزار گران‌تر یا افزودن قابلیت‌های نمایشی، جای چنین چرخه سنجشی را نمی‌گیرد.

برای بنگاه ایرانی، مزیت این رویکرد در شرایط محدودیت نیروی متخصص و رشد هزینه عملیات بیشتر آشکار می‌شود. شرکت کوچک نیز می‌تواند از یک پایگاه دانش ساده و پاسخ‌های نیمه‌خودکار شروع کند، مشروط بر اینکه داده شخصی و تعهدات مالی را با احتیاط مدیریت کند. اگر مشتری پاسخ سریع ولی اشتباه بگیرد، اعتماد از دست‌رفته گران‌تر از زمان ذخیره‌شده است. معیار نهایی موفقیت این نیست که چند نفر با ربات صحبت کرده‌اند؛ این است که چند مشکل واقعی سریع‌تر، درست‌تر و با هزینه قابل قبول حل شده است.