Zastosowanie metod sztucznej inteligencji w projektowaniu doświadczeń klientów

W tym artykule dokładniej zajmiemy się praktycznymi aspektami analizy doświadczeń klientów, w szczególności, wykorzystywanymi metodami sztucznej inteligencji, przykładami wiodących firm w tej dziedzinie oraz ich sposobami wdrażania CX analytics. Jeśli chcielibyście zapoznać się z tematyką doświadczeń klientów, punktów kontaktu pomiędzy firmą a klientem i “podróży” klienta, zapraszam do przeczytania poprzedniej części artykułu, którą możecie znaleźć tutaj.

Chociaż znaczenie doświadczenia klienta (CX) jest uznawane jako priorytetowe przez wiele firm, dziedzina ta jest dopiero poznawana i kształtowana. Nacisk kładzie się raczej na koncepcje niż na testowane narzędzia oraz analizę. Obecne metody pomiaru CX polegają głównie na tradycyjnym gromadzeniu danych i przetwarzaniu, które nie są praktyczne z perspektywy dużych korporacji. Techniki te stały się mniej skuteczne w kontekście bogactwa generowanych i gromadzonych danych.

Różne typy i duża skala danych CX to jeden z głównych problemów, z jakimi firmy muszą się zmierzyć, ponieważ większość konwencjonalnych systemów baz danych nie jest w stanie przetworzyć ich z powodzeniem. Co więcej, większość baz danych nie jest skalowalna i opłacalna, co często prowadzi do pozostawienia danych bez szczegółowej analizy. Z pomocą przychodzą metody sztucznej inteligencji, które zapewniają nowe możliwości przetwarzania tych danych, prezentując nowatorskie informacje na temat CX.

Siła sztucznej inteligencji

Wzrost technologii cyfrowych doprowadził do zmiany sposobu oddziaływania firmy z klientami oraz konieczności odpowiedniego opomiarowania punktów kontaktu “online”. Ze względu na ograniczone możliwości w zakresie masowej obsługi klientów sztuczna inteligencja (z ang. artificial intelligence (AI)) staje się potężnym narzędziem do opracowywania CX. Z tego względu firmy rozwijają produkty z wykorzystaniem metod sztucznej inteligencji, aby skoncentrować się na monitorowaniu, analizie danych i symulacji, czyniąc je jednym z najważniejszych tematów w badaniach o analizie i przetwarzaniu danych.

Sztuczna inteligencja może jeszcze bardziej rozszerzyć zaangażowanie firm w kształtowanie doświadczeń klientów. Siła AI leży w jej możliwości symulacji zdolności mózgu do analizowania, uczenia się i podejmowania decyzji, szczególnie w przypadku bardzo skomplikowanych zbiorów danych. W rezultacie, AI może przyczynić się do wzbogacenia satysfakcji klientów i ich doświadczeń, a także pomóc organizacjom zrozumieć oczekiwania klientów.

Według badań International Data Corporation, aplikacje oparte na zaawansowanej analizie danych, takich jak AI, będą rosły o 65% szybciej niż aplikacje bez uwzględnienia analityki. W raporcie oszacowano, że połowa wszystkich konsumentów będzie regularnie brać udział w interakcjach z usługami opartymi na sztucznej inteligencji do 2018 r. Ciekawe wnioski możemy również przeczytać w corocznym raporcie opublikowanym przez firmę Salesforce “State of Marketing 2017” gdzie możemy dowiedzieć się o tym, że 68% liderów uważa, że ich konkurencyjność i skuteczność na rynku opiera się na danych związanych z doświadczeniami klientów.

Co więcej,  wykorzystanie AI wzrośnie o ponad 50% w przeciągu 2 lat, pomagając działom marketingowym w dostosowywaniu personalnych kampanii do potrzeb klientów. Jeśli jesteście zainteresowani najnowszymi trendami w marketingu i Customer Experience, serdecznie zapraszam do lektury pełnego raportu dostępnego tutaj.

Przykłady zastosowań AI

W analizie doświadczeń klienta, AI pomaga produkować i stale ulepszać nowe dane o klientach. Prowadzi to do tworzenia nowych rozwiązań w celu przyciągnięcia klientów, przewidywania ich potrzeb i preferencji oraz osiągnięcia przewagi nad konkurencją. Na przykład, centra telefoniczne poprawiają interakcje z klientami poprzez zastosowanie technik AI do szybszego przekazywania połączeń przychodzących do odpowiedniego przedstawiciela, zwiększając liczbę poprawnie rozwiązanych zgłoszeń i zmniejszając czas trwania rozmowy.

W przypadku najpotężniejszych firm świata znajdziemy mnóstwo przykładów wykorzystywania sztucznej inteligencji w analizie doświadczeń klientów. Implementacja i wykorzystywanie AI pomaga użytkownikom wykonanie prostych lub złożonych zadań. Wirtualni asystenci korzystają z systemu AI, aby pomóc użytkownikom w pytaniach lub poleceniach. Platformy korzystające ze sztucznej inteligencji to między innymi Amazon Echo, Apple Siri, Microsoft Cortana, Google Now. Ponadto każda platforma współpracuje ze społecznościami programistycznymi w celu rozszerzenia funkcjonalności w aplikacjach, właśnie na podstawie analizy doświadczeń klienta.

Amazon Echo to marka inteligentnych głośników opracowanych przez Amazon.com. Urządzenia łączą się z inteligentnym asystentem osobistym Alexą, który może być sterowany głosem. Urządzenie umożliwia m. in. odtwarzanie muzyki, tworzenie listy zadań do wykonania, ustawianie alarmów, odtwarzanie audiobooków oraz dostarczanie informacji o pogodzie, ruchu i innych danych w czasie rzeczywistym. Może również sterować kilkoma inteligentnymi urządzeniami, wykorzystując je jako centrum automatyki domowej.

Apple Siri to kolejny inteligentny asystent, wyprodukowany przez firmę Apple. Asystent korzysta z zapytań głosowych i interfejsu użytkownika, aby odpowiadać na pytania, wydawać zalecenia i wykonywać działania, przekazując żądania do usług internetowych. Oprogramowanie dostosowuje się do indywidualnych zastosowań, wyszukiwań i preferencji językowych użytkowników, a następnie zwraca wyniki, które są dopasowane do zapotrzebowań użytkownika. Siri obsługuje szeroki zakres poleceń użytkownika, w tym wykonywanie połączeń telefonicznych, sprawdzanie podstawowych informacji, planowanie wydarzeń i przypomnień, obsługę ustawień urządzenia, wyszukiwanie w Internecie, nawigowanie, wyszukiwanie informacji o rozrywce oraz możliwość współpracy z aplikacjami zintegrowanymi z systemem iOS.

Swoją propozycję inteligentnego asystenta ma również Microsoft, który stworzył Cortanę. Cortana może ustawiać przypomnienia, rozpoznawać naturalny głos bez konieczności wprowadzania danych z klawiatury i odpowiadać na pytania, korzystając z informacji z wyszukiwarki Bing. Obecnie system dostępny jest w języku angielskim, niemieckim, francuskim, hiszpańskim, portugalskim, włoskim, chińskim i japońskim, w zależności od używanych oprogramowań oraz regionów w którym jest używany.

Na koniec, produkt marki, której nie mogło zabraknąć w naszym zestawieniu – Google. Tak jak jego poprzednicy, Google Now może odpowiadać na pytania, wydawać zalecenia i wykonywać działania, przekazując żądania do Internetu. Oprócz tego, system przewiduje przyszłe oczekiwania użytkownika i dostarcza mu informacje, których może oczekiwać lub potrzebować na podstawie wyszukiwań i zapytań historycznych.

AI występuje również w systemach samouczących się do kopiowania danych, rozpoznawania wzorców, przetwarzania języka naturalnego i współdziałania z ludźmi w sposób inteligentny.

Jedną z najbardziej popularnych platform w tej dziedzinie jest IBM Watson, inteligentny system, który zdobył sławę pokonując konkurentów w popularnym amerykańskim programie telewizyjnym Jeopardy. Watson jest również wykorzystywany do analizy CX udostępniając lepsze zrozumienie preferencji klientów oraz ich zachowań. Dzięki tej analizie, platforma proponuje indywidualne rozwiązania marketingowe dopasowane do każdego klienta na bazie opinii i doświadczeń klientów online. Jako ciekawostka – IBM wykorzystuje AI również w procesie rekrutacyjnym przy selekcji CV.

Metody sztucznej inteligencji – co je wyróżnia?

O metodach sztucznej inteligencji z pewnością można napisać niejedną książkę. W dzisiejszym artykule skupimy się na dwóch metodach wykorzystywanych do analizy tekstu, np. komentarzy i opinii klientów dostępnych z Social Media – naiwny klasyfikator bayesowki ( z ang. naive Bayes classifier) oraz maszyna wektorów nośnych ( z ang. support vector machine (SVM)).

Klasyfikatory Bayesowskie są coraz częściej stosowane ze względu na ich dobre wyniki, szczególnie w klasyfikacji tekstu. Bayes upraszcza naukę, traktując atrybuty niezależnie. Poprzez atrybuty mamy tu na myśli zmienne, cechy tekstu, które chcemy przeanalizować.  Pomimo tego, że niezależność może być słabym założeniem, wyniki Bayesa są bardzo dobre. Klasyfikator z powodzeniem walczy z bardziej złożonymi technikami i udowadnia swoją skuteczność w wielu praktycznych dziedzinach obejmujących klasyfikację tekstu. Niezależność ma również duże znaczenie, gdy chcemy jednocześnie analizować wiele atrybutów, ponieważ upraszcza i przyspiesza uczenie modelu. Ponadto ma niskie wymagania dotyczące przechowywania danych i okazuje się dobrą metodą przy klasyfikacji tekstu.

Kolejną metodą, którą chciałabym dzisiaj omówić jest maszyna wektorów nośnych – jedna z najskuteczniejszych metod uczenia maszyn w klasyfikacji tekstu, która znacznie przewyższa istniejące metody. Metoda ta polega na tworzeniu przestrzeni, która oddziela obiekty należące do dwóch różnych klas. Maszyny wektorów nośnych są dobrze rozwinięte, posiadają silnie ugruntowaną teorię, a swoje dobre wyniki przedstawiają w wielu badaniach. Działają solidnie na różnych etapach uczenia się. Ponadto eliminują konieczność ręcznego ustawiania parametrów, ponieważ są w pełni zautomatyzowane. Dodatkowo, działają dobrze na dużych zbiorach danych. Jedną z najważniejszych właściwości SVM związanych z analizą doświadczeń klienta jest ich niezależność od wymiarowości przestrzeni, o której wspominaliśmy na początku. Oznacza to, że wyniki można uogólniać nawet przy istnieniu wielu licznych klas z dobrym rezultatem.

Sztuczna inteligencja tylko dla wtajemniczonych? Niekoniecznie!

Powyższe metody wybrałam również z uwagi na ich stosunkową prostotę. Metody te mogą być używane przez osoby doświadczone, ale również przez osoby, które dopiero zaczynają swoją przygodę ze sztuczną inteligencją, bądź są zainteresowane jak to właściwie wszystko działa. Dobrą wiadomością jest również to, że nie trzeba napisać żadnej linijki kodu aby móc wykorzystywać lub zacząć się uczyć metod sztucznej inteligencji. Jednym z darmowych programów, z których korzystałam i mogę polecić wszystkim początkującym jest KNIME Analytics Platform, który oparty jest na wielu wbudowanych metodach sztucznej inteligencji pomocnych w analizie danych.

Program ten polega na budowie modeli z bloków, które mają już zaimplementowane metody sztucznej inteligencji. KNIME ma również wiele dostępnych tutoriali oraz bardzo aktywne forum na którym można znaleźć wiele informacji i ciekawych wskazówek. Przykład prostego modelu z wykorzystaniem Bayesa dołączam poniżej.

Dodatkowo, nasz model w KNIME może być połączony z graficznymi programami, które pozwolą nam przedstawić wyniki końcowe w bardziej przejrzysty i zrozumiały dla nas sposób np. Tableau.

Źródło: https://www.linkedin.com/pulse/tableau-software-data-visualization-analytics-user-marina-handschin/

Podsumowanie

Jak można zauważyć, dziedzina customer experience i sztucznej inteligencji jest ogromna, tak samo jak jej siła i potencjał. Wykorzystywanie metod sztucznej inteligencji w analizie doświadczeń klientów nadal jest dość nowym tematem, jednak prężnie rozwijającym się.

Customer experience to koncepcja ciągle badana, lecz bardzo istotna w budowaniu strategii firm. Warto więc śledzić najnowsze trendy, ponieważ mogą one pomóc w lepszym zrozumieniu klientów oraz ich potrzeb, co jest głównym elementem budowania marki.

Bibliografia

Abrahamson, E. (2004) ‘Managing the Total Customer Experience’, MIT Sloan Management Review, pp. 26–32.

Brodie, R. J. et al. (2011) ‘Customer Engagement’, Journal of Service Research, pp. 252–271.

Brosekhan, A. A. B. et al. (2013) ‘Consumer Buying Behaviour – A Literature Review’, Journal of Business and Management, pp. 8–16.

Chen, H. and Storey, V. C. (2012) ‘Business Intelligence and analytics: from big data to big impact’, pp. 1165–1188.

Chen, Z. and Dubinsky, A. J. (2003) ‘A Conceptual Model of Perceived Customer Value in E-Commerce: A Preliminary Investigation’, pp. 323–347.

Corneo, G. and Jeanne, O. (1997) ‘Snobs, bandwagons, and the origin of social customs in consumer behavior’, Journal of Economic Behavior & Organization, pp. 333–347.

Cronin, P. et al. (2008) ‘Undertaking a Literature Review’, British Journal of Nursing, pp. 38–43.

Dent, J. (2013) ‘Customer Journey Mapping: A Walk In Customers’ Shoes’, pp. 52–56.

Gentile, C. et al. (2007) ‘How to Sustain the Customer Experience:. An Overview of Experience Components that Co-create Value With the Customer’, European Management Journal, pp. 395–410.

Grewal, D. et al. (2009) ‘Customer Experience Management in Retailing: An Organizing Framework’, Journal of Retailing, pp. 1–14.

Holbrook, M. B. and Hirschman, E. C. (1982) ‘The Experiential Aspects of Consumption: Consumer Fantasies, Feelings, and Fun’, Journal of Consumer Research, pp. 132–141.

Klaus, P. and Maklan, S. (2013) ‘Towards a better measure of customer experience.’, International Journal of Market Research, pp. 227–246.

Kuksov, D. and Xie, Y. (2007) ‘Pre- and Post-Purchase Management of Customer Satisfaction’, pp. 1–32.

Kumar, V. et al. (2010) ‘Undervalued or Overvalued Customers: Capturing Total Customer Engagement Value’, Journal of Service Research, pp. 297–310.

Lavalle, S. et al. (2011) ‘Big Data, Analytics and the Path From Insights to Value’, MIT Sloan Management Review, pp. 21–32.

Lemon, K. N. and Verhoef, P. C. (2016) ‘Understanding Customer Experience and the Customer Journey’, Journal of Marketing, pp. 1–62.

Meyer, C. and Schwager, A. (2007) ‘Understanding Customer Experience’, Harvard Business School, pp. 1–11.

Pine, B. J. and Gilmore, J. H. (1999) 'The experience economy: work is theatre & every business a stage’, Harvard Business Press.

Puccinelli, N. M. et al. (2009) ‘Customer Experience Management in Retailing: Understanding the Buying Process’, Journal of Retailing, pp. 15–30.

Schmitt, B. (1999) ‘Experiential Marketing’, pp. 53–67.

Spiess, J. et al. (2014) ‘Using Big Data to Improve Customer Experience and Business Performance’, Bell Labs Technical Journal, pp. 3–17.

Verhoef, P. C. et al. (2009) ‘Customer Experience Creation: Determinants, Dynamics and Management Strategies’, Journal of Retailing, pp. 31–41.

Vesset et al., D. (2016) ‘IDC FutureScape: Worldwide Analytics, Cognitive/AI, and Big Data 2017 Predictions’, pp. 1–17.

Zaki, M. et al. (2016) ‘The fallacy of the net promoter score : customer loyalty predictive model’, pp. 1–25.

https://www.mycustomer.com/experience/engagement/the-past-present-and-future-of-ai-in-customer-experience