نحوه استفاده موفقیت آمیز از هوش مصنوعی در مدیریت مشتری
380
6 دقیقه

نحوه استفاده موفقیت آمیز از هوش مصنوعی در مدیریت مشتری

در مورد هوش مصنوعی (AI) و کارهایی که می تواند برای مشاغل، مشتریان و کارمندان آنها (و همچنین سایر بخش های جامعه) انجام دهد، مطالب زیادی نوشته شده است. اما متأسفانه، بسیاری از نوشته‌های مربوط به هوش مصنوعی بین مواردی که بیش از حد تبلیغات شده، بسیار منفی و بسیار گیج‌کننده است.

قابل درک است که چنین ترکیبی از دیدگاه ها وجود دارد، اما همچنین باعث تاسف است. قول بیش از حد یا نادیده گرفتن آنچه که هوش مصنوعی می تواند برای مشاغل انجام دهد، آنها را از استفاده مؤثرتر از آن برای ارائه خدمات بهتر به مشتریان و ایجاد ارزش باز می دارد.

برای کمک به این امر، ما می‌خواهیم شفافیت مورد نیاز را در مورد نحوه استفاده از هوش مصنوعی در مدیریت مشتری برای سود بردن هم برای کسب‌وکارها و هم برای مشتریانشان بیاوریم.

وضعیت بازی هوش مصنوعی

اولین چیزی که باید درک کنید این است که هوش مصنوعی اینجاست. این فقط پیش بینی جادوی آینده نیست. به گفته گارتنر، تقریباً یک چهارم مدیران ارشد فناوری اطلاعات می‌گویند که قبلاً آن را به کار گرفته‌اند، و برخی نظرسنجی‌ها این رقم را بالاتر می‌آورند.

ما همچنین قرار است خیلی بیشتر از آن را ببینیم. از هر ده مدیر فنی، 9 نفر به Bain گفتند که هوش مصنوعی و یادگیری ماشین را اولویت‌هایی می‌دانند که باید در خطوط تولید و تجارت خود بگنجانند، و کرونا بسیاری از شرکت‌ها را متقاعد کرده است که این پذیرش را تسریع کنند.

برای مدیریت مشتری چه معنایی دارد؟

واضح است که کاربردهای هوش مصنوعی بسیار فراتر از مدیریت مشتری است، اما این چیزی است که در اینجا روی آن تمرکز خواهیم کرد. حتی در این فضای خاص، برنامه های ممکن متعدد هستند، و ما فقط چند نمونه را در زیر بیان می کنیم.

همه آنها فرصت های روشنی را برای ارائه خدمات بهتر به مشتریان ایجاد می کنند، از حل سریعتر سؤالات یا مسائل آنها تا شخصی سازی پیشنهادات فروش.

کاهش هزینه

ربات‌های چت مبتنی بر هوش مصنوعی و پردازش زبان طبیعی (NLP) می‌توانند در برنامه‌های خودکار مراقبت از مشتری برای کنترل هزینه‌ها و در عین حال وضوح بالا برای اولین بار استفاده شوند.

طبق آخرین نظرسنجی جهانی McKinsey در مورد هوش مصنوعی، اتوماسیون مرکز تماس یکی از رایج ترین موارد استفاده در تمام فعالیت های تجاری (همراه با بهینه سازی استعدادها و اتوماسیون انبار) در کاهش هزینه های عملیاتی از طریق استقرار هوش مصنوعی است.

مسیریابی تماس موثرتر

با استفاده از ابزارهای هوش مصنوعی و منابع داده های مختلف (از داده های جمعیت شناختی تا داده های خاص مشتری)، ارائه دهندگان مدیریت مشتری می توانند پیش بینی کنند که کدام یک از نمایندگان، انواع نمایندگان یا لحن احساسی بیشترین احتمال را دارد، به عنوان مثال، ارائه وضوح سریع برای اولین بار، تبدیل فروش. ، یا ایجاد رضایت مشتری بالا یا امتیازات کم تلاش مشتری.

کاربردهای بالقوه طیف وسیعی از فرآیندهای تجاری، از جمله مراقبت از مشتری، فروش و کمک فنی را پوشش می دهد.

پیشنهادات و خدمات شخصی

هوش مصنوعی و یادگیری ماشین ، با استفاده از تجزیه و تحلیل گفتار می‌توانند طیف وسیعی از بینش‌های پیش‌بینی‌کننده را ایجاد کنند که به کسب‌وکارها ویا عوامل فردی برای ارائه پیشنهادهای شخصی‌شده قدرت می‌دهد. باز هم، برنامه های کاربردی طیف وسیعی از فرآیندهای مختلف از مراقبت از مشتری گرفته تا فروش و جمع آوری اعتبار را در بر می گیرند.

امتیاز دهی بهتر به سرنخ ها و تولید سرنخ ها برای فروش یا فروش متقابل

با استفاده از صدها متغیر از داده‌های عمومی (مثلاً داده‌های خانواده یا داده‌های جمعیتی) و داده‌های خاص مشتری، برندها می‌توانند روندها را شناسایی کرده و از آنها برای فروش فعال یا تنظیم دقیق رویکرد فروش خود به مشتریان مختلف استفاده کنند.

افزودن ابزارهای هوش مصنوعی که گفتار را تجزیه و تحلیل می‌کنند، می‌تواند به گزینه‌های برندها در اینجا بیفزاید و قابلیت پیش‌بینی در زمان واقعی را ارائه می‌دهد که تماس‌گیرندگان مراقبت از مشتری ممکن است برای رویکرد فروش متقابل یا بی‌فروش آماده باشند.

کاهش ریزش مشتری

از طریق تجزیه و تحلیل پیش‌بینی‌کننده مبتنی بر هوش مصنوعی، برندها می‌توانند بینش‌های قدرتمندی در مورد تمایل به انحراف ایجاد کنند. متغیرهای مورد استفاده در این تجزیه و تحلیل‌ها می‌توانند شامل داده‌های جمعیت‌شناختی (به عنوان مثال سن)، تاریخچه مشتری و تجزیه و تحلیل نماینده باشند، که کسب‌وکار را قادر می‌سازد تا ویژگی‌ها، رفتارها یا علائم هشداردهنده مشتری را بهتر درک کند، از جمله موارد دیگر، مربوط به نرخ‌های ریزش بالا.

افزایش عملکرد نماینده و کاهش ریزش کارکنان

رویکردهای مشابه برای همه موارد بالا همچنین می‌تواند برای غنی‌سازی آموزش و مربیگری کارکنان، ارائه بینش بهتر به کارمندان در مورد مشتریان و روندها، یا مهارت‌های مقابله با سناریوهای مختلف، یا ابزارهایی برای شخصی‌سازی پیشنهادات مشتری در زمان واقعی مورد استفاده قرار گیرد.

این به نوبه خود می تواند باعث رضایت شغلی، عملکرد و تعامل شود و به کاهش نرخ ریزش کمک کند. مدیران همچنین می توانند از بینش عملکرد عامل از هوش مصنوعی برای تکامل رویکردهای حفظ و پاداش استفاده کنند.

پس چرا دیدگاه های متفاوت درباره هوش مصنوعی وجود دارد؟

هنگامی که برنامه‌های هوش مصنوعی مانند موارد بالا به وضوح نقشه‌برداری و اثبات شده‌اند، شاید تعجب‌آور باشد که برخی از تردیدها و ابهامات در مورد هوش مصنوعی را که در تحقیقات و نظرات رسانه‌ها بسیار رایج است، مشاهده کنیم.

به عنوان مثال، همان تحقیق Bain که گفت 90٪ از مدیران فناوری هوش مصنوعی را در اولویت می‌دانند، همچنین نشان داد که از هر ده پاسخ‌دهنده تقریباً 9 نفر از رویکرد فعلی هوش مصنوعی سازمان خود راضی نیستند.

دلایل زیادی برای احتیاط یا ناامیدی مردم از رویکردهای فعلی هوش مصنوعی وجود دارد. یکی این است که آنها از هوش مصنوعی و داده ها انتظار زیادی دارند: آنها انتظار دارند که الگوریتم ها حقایق و راه حل های پنهان را آشکار کنند در حالی که در واقع بیشتر در مورد مدل سازی هستند.

برای نقل قول (ترجمه) مقاله اخیر در Mind Fintech  یک مدل ایجاد شده بر اساس یادگیری ماشینی می تواند در پیش بینی یا طبقه بندی کارآمد باشد ، اما پدیده ای را که قرار است پیش بینی یا متوجه شود توضیح نمی دهد.

کسب‌وکارهایی که این تمایز را درک می‌کنند، در موقعیت بهتری قرار دارند تا از قدرت هوش مصنوعی استفاده کنند ، آن را به‌عنوان یک توانمندساز که از استراتژی پشتیبانی می‌کند به جای اینکه جایگزینی برای استراتژی باشد، در نظر بگیرند.

بیایید مثالی از کاهش ریزش مشتری در بالا را در نظر بگیریم: هوش مصنوعی می‌تواند به شما در شناسایی و تجزیه و تحلیل گرایش انحراف کمک کند، اما لزوماً یک استراتژی نوآورانه برای مقابله با موفقیت ارائه نمی‌کند. اینجاست که انسان ها هنوز وارد می شوند.

مسائل و موانع را درک کنید

موضوع دیگری که کسب‌وکارها هنوز باید بهتر درک کنند این است که کیفیت نتایج حاصل از هوش مصنوعی به کیفیت داده‌های وارد شده بستگی دارد.

مسائل می تواند مربوط به بهداشت داده ها باشد (به عنوان مثال آیا خطا در داده ها وجود دارد)، اخلاق داده ها (به عنوان مثال اینکه آیا سوگیری در الگوریتم ها یا مجموعه داده ها وجود دارد) یا زمان بندی (مثلاً داده های قبل از کووید یا اواسط کووید ممکن است دیگر مناسب نباشند). در حالت عادی بعدی).

همچنین ممکن است مسائل مربوط به سیلوهای سازمانی وجود داشته باشد. ما قبلاً در مورد استفاده از داده های مشتری خاص و خاص برای تجزیه و تحلیل پیش بینی کننده صحبت کردیم.

در حالت ایده‌آل، این داده‌ها دیدگاهی جامع از تعاملات مشتریان با نام تجاری ارائه می‌دهد نه فقط فعالیت آنها با تیم‌های مدیریت مشتری، بلکه با سایر بخش‌های تجارت: فروش، بازاریابی، امور مالی، فروشگاه‌ها یا دفاتر خط مقدم.

کسب‌وکارهایی که در یکپارچه‌سازی بک‌اند و فرانت‌اند عقب مانده‌اند و به داده‌های مشتری به‌طور کلی نگاه نمی‌کنند، فرصتی را برای انجام بهتر هوش مصنوعی از دست می‌دهند.

آن را به درستی روی فرآیندها و افراد دریافت کنید

دو دلیل رایج دیگر برای ناامیدی از نتایج هوش مصنوعی در مورد فرآیند و افراد است.

در فرآیند، کسب‌وکارها ممکن است در مقیاسی بسیار کوچک (مثلاً تلاش برای خودکارسازی یک فرآیند واحد موجود) یا در مقیاس بسیار بزرگ (مثلاً برای اختراع مجدد کل تجارت خود) اتخاذ کنند. حکم مک کینزی می گوید: هیچ یک از این مسیرها  نمی توانند سطح یا سرعت تغییری را که شرکت ها برای رشد و شکوفایی در عصر دیجیتال نیاز دارند، ارائه دهند.

در مورد افراد، کسب‌وکارها ممکن است فاقد قابلیت‌های داخلی برای اجرای موفقیت‌آمیز هوش مصنوعی باشند. به نقل از Bain: هوش مصنوعی برای پیچیدگی است، و می تواند چالش برانگیز باشد که آن را وادار به انجام آنچه که شرکت ها به آن نیاز دارند، انجام دهد. بسیاری از مدیران باور ندارند که استعداد لازم برای تحقق آن را دارند.

راه حل این مسائل سه مورد است:

  • از کارشناسان بپرسید، آن دسته از ارائه دهندگان BPO مدیریت مشتری که در حال حاضر از ابزارها و فرآیندهای مبتنی بر هوش مصنوعی استفاده می کنند.
  • در اهداف خود واضح و هدفمند باشید، از جمله اینکه آیا به دنبال بهینه سازی هزینه ها، کاهش ریزش مشتری، ایجاد سرنخ بهتر یا هدف خاص دیگری هستید.
  • آماده باشید تا از فرآیندهای هوش مصنوعی خود با تغییرات سازمانی لازم پشتیبانی کنید، مانند ادغام بهتر بک‌اند و فرانت‌اند یا داده‌ها از سراسر عملیات‌تان.

لینک منبع:

https://www.callcentrehelper.com/ai-success-customer-management-196353.htm