Печалби:
- Възможност за обяснение на структурата на данните за управление на взаимоотношенията с клиенти (CRM) и ролята на изкуствения интелект в сегментирането и анализа на отлив.
- Възможност за използване на изкуствен интелект за създаване на прозрения, резюмета и чернови на отговори от клиентски текстове, като същевременно се спазват ограниченията за поверителност
- Способност за отговорно ограничаване на използването на AI в CRM чрез разпознаване на рисковете от лични данни, пристрастия и автоматизирани решения
Управлението на взаимоотношенията с клиентите (CRM) е система и подход, който събира всички взаимодействия на организацията с нейните клиенти (продажби, поддръжка, маркетинг, комуникационна история) на едно място. Примери за това са Salesforce, Microsoft Dynamics, HubSpot и естествени решения. Сърцето на CRM е предоставянето на „360-градусов изглед“ на всеки клиент: кой какво е купил, кога се е свързал с него, какво оплакване има. Тези данни насочват както продажбите, така и обслужването. Тези данни обаче също са до голяма степен лични данни, които пряко обграждат използването на изкуствен интелект с поверителност и граници на KVKK.
MIS специалистът използва изкуствен интелект в CRM по две оси. Първият е анализът: анализи като сегментиране, прогнозиране на отлив, стойност на клиента през целия живот. Второто е обработка на текст: обобщаване на заявките за поддръжка, класифицирането им, създаване на чернови на отговор. И в двете основното правило е едно и също: поверителността се оценява, преди да се дадат лични данни на AI инструмент; Автоматизираните решения, които пряко засягат клиента, изискват човешки надзор и право на възражение.
Сегментиране и анализ на отлив
Сегментирането е процес на групиране на клиенти въз основа на общи характеристики: големи харчещи, нови клиенти, пасивни клиенти. Доброто сегментиране гарантира доставяне на правилното съобщение до правилната група. Анализът на напускането се опитва да предвиди кои клиенти са изложени на риск от напускане (изоставяне на покупки, анулиране на абонамента им). Прозрението за отлив директно се включва в приходите, тъй като задържането на клиент често е много по-евтино от придобиването на нов.
AI може да създаде чернови и интерпретации на тези анализи; Трябва обаче да се вземат предвид два капана. Първият е пристрастие: моделът разглежда исторически данни; Ако в миналото е обръщано малко внимание на определена група, моделът може да разбере, че тази група е „недостойна“ и несправедливата дискриминация се засилва. Второто е автоматично решение: оставянето на решение като „този клиент ще бъде загубен, нека спрем комуникацията“ само на модела е проблематично както от етична, така и от правна гледна точка. Решението е на човека, предложението е на модела.
Съвет: Преди да използвате резултатите от модела на отлив или сегментиране, попитайте „към коя група може да е несправедливо това разграничение?“ Задайте въпроса. Можете дори да накарате изкуствения интелект да зададе този въпрос; но крайната оценка за справедливостта принадлежи на човека.
Поглед от клиентски текстове: поверителност
Най-богатите, но най-чувствителните данни на CRM са свободен текст: заявки за поддръжка, бележки за обаждания, имейли. AI е много мощен при обобщаването им, категоризирането им и генерирането на чернови на отговор. Тези текстове обаче може да съдържат имена, телефонни номера, адреси или дори здравна или финансова информация. Ето защо анонимизирането (премахване или маскиране на полета, които идентифицират човек) се прилага преди подаването на текста към AI инструмент. Използването на „Клиент А“ вместо „Ахмет Йълмаз, клиентски номер 0532...“ запазва поверителността, без да губи представа.
Изготвянето на отговор също изисква внимание: генерираният от AI отговор е течен, но може да съдържа фалшиво обещание („парите ви ще бъдат възстановени след 24 часа“). Всеки отговор на клиента трябва да бъде проверен от упълномощения представител преди да бъде изпратен. AI пише чернова, човек изпраща.
Три мини калъфа: с числата
Случай 1 — Поверителността, защитена чрез анонимизиране. В една банка 20 000 заявки за поддръжка ще бъдат разделени на категории. Текстовете първо бяха изчистени от имена, идентификационни номера и номера на сметки, форматирани във формат „Клиент X“ и след това дадени на AI. Точността на класификацията беше 91% и в инструмента не бяха въведени лични данни. Ако беше даден необработеният текст, би имало риск както от нарушение на KVKK, така и от изтичане.
Случай 2 — Подсилване на предразсъдъците. В един телеком моделът на оттегляне систематично маркира клиентите в регион с малко кампании в миналото като „ниска стойност“ и не бяха изпратени оферти до този регион; Загубата се увеличи. Проблемът не беше в модела, а в минали предубедени данни и прилагането им без съмнение. След преглед решението беше поставено под човешки надзор и зонирането беше коригирано.
Случай 3 — Грешен ангажимент за отговор на AI. В компания за електронна търговия AI създаде отговор „вашият продукт определено ще бъде доставен утре“ на оплакване на клиент; Времето за доставка обаче беше 3-5 дни. Представителят коригира черновата и я изпрати. Ако черновата не беше проверена, грешният ангажимент щеше да създаде както недоволство на клиентите, така и риск за репутацията. Черновата на AI никога не отива директно до клиента.
Слаба подкана / Силна подкана
Слаба подкана:
Обобщете тези оплаквания на клиентите и напишете отговор [сурови текстове: включително име, телефон]
Това дава лични данни на инструмента такива, каквито са, и носи риск от фалшиво обвързване.
Мощна подкана:
Вашата роля: Вие сте анализатор на клиентското изживяване. Обработете следните АНОНИМОЗИРАНИ заявки за поддръжка: - Сортирайте всяка заявка в категория (връщане, технически, таксуване, други). - Извличане на общи теми и 3 най-често срещани проблема. - Ако бъде поискана чернова на отговор: маркирайте [ПОТВЪРЖДЕНИЕ НА АГЕНТИ] всяко изречение, СЪДЪРЖАЩО ангажимент (дата, сума, връщане); Не давайте твърди обещания. - Ако видите лични данни в текста, предупреждавайте, а не действайте. Заявки (анонимни): [Клиент A: ..., Клиент B: ...]
Мощната подкана налага работа с анонимни данни, маркиране на ангажименти и предупреждение срещу изтичане на лични данни.
Четири копируеми шаблона
1) Класификация на търсенето:
Сортирайте следните анонимни заявки за поддръжка в тези категории: [списък]. Дайте категорията и обосновка с едно изречение за всяка заявка. Когато се съмнявате, пишете [НЕСИГУРНО]. Заявки: [текст]
2) Извличане на тема/прозрения:
От отзивите на анонимни клиенти по-долу извлечете 5-те най-добри теми, приблизителната честота на всяка от тях и примерен цитат. Добавяне на коментари, които не се основават на данни. Отзиви: [текст]
3) Чернова на отговор (отворена за потвърждение):
ПОДГОТОВЕТЕ учтив отговор на анонимната жалба по-долу. Етикетирайте всяко изречение с [ПОТВЪРЖДЕНИЕ], което съдържа дата, сума или обещание за връщане. Окончателна продължителност; Използвайте безопасен език като „ще ви информираме възможно най-скоро“. Жалба: [текст]
4) Контрол на справедливостта на сегмента:
Проучете следните критерии за сегментиране: Коя група клиенти може да бъде систематично в неравностойно положение? Избройте възможните източници на пристрастия и предложения за контрол. Критерии: [текст]
Сравнителна диаграма: Използване на AI в CRM
Мисия
Ролята на AI
Поради конфиденциалност
окончателно решение
Класификация на търсенето
автоматичен етикет
Анонимизиране
Прегледна проба
Извличане на тема
проницателна скица
Анонимизиране
Коментари на анализатори
прогнозиране на отлив
Резултат/предложение
легитимна цел
човек решава
Проект на отговор
чернова на текст
С изключение на личните данни
Изпраща представител
Сегментно решение
Предложение
правосъден контрол
Бизнес единица + надзор
Често срещани грешки
- Предоставяне на лични данни на автомобила в необработен вид. Директното обработване на текста, съдържащ име, телефонен номер и TR ID, е нарушение на KVKK и риск от изтичане.
- Изпращане на AI отговор директно до клиента. Фалшивите ангажименти и тоналните грешки създават рискове за репутацията; Потвърждението от представител е задължително.
- Оставяне на решението за оттегляне/сегмент на модела. Автоматичното решение засилва пристрастието; Предложението е на модела, решението е на човека.
- Приемане на минали данни без съмнение. Моделът на минала дискриминация се преподава като "правилен"; Необходим е правосъден контрол.
- Тълкуване на показателя без контекст. Преди да кажете „удовлетвореността е намаляла“, трябва да попитате в кой сегмент, в кой период и защо.
Внимание: Клиентските данни един ден са поверителността на истинския човек. Само защото резултатът е „полезен“ не оправдава обработването на данните на това лице без защита. Анонимизирането и ограничаването на целта са предпоставки, а не формалности, които трябва да се пропуснат в името на бързината.
В обобщение
CRM е система, която събира взаимодействието с клиентите на едно място и съдържа голямо количество лични данни. AI генерира мощна стойност при сегментиране, анализ на отлив и обработка на текст; Поверителността на личните данни обаче е на първо място: анонимизирането, ограничаването на целта и съответствието с KVKK са от съществено значение. Решенията за оттегляне и сегментиране носят риск от пристрастия; Предложението принадлежи на модела, решението принадлежи на човека. Отговорите на AI до клиента няма да бъдат изпращани без потвърждение от агент. AI ускорява прозрението, носи отговорност и справедливост на хората.
Задача за приложение
Настройте сценарий за анализ на отлив за абонаментна услуга. (1) Поставете 5 анонимни клиентски профила (разходи, последно взаимодействие, брой оплаквания). (2) Имайте сегментиране и тълкуване на риска, произведени с мощна подкана. (3) Заявка с проверка за справедливост коя група може да е несправедлива спрямо поне един от сегментите, произведени от модела. (4) Накарайте AI да състави отговор на анонимна жалба и да отбележи изреченията, които съдържат ангажименти. (5) Напишете, че сте използвали анонимни данни вместо необработени данни и кои полета сте маскирали.
контролен списък
- [ ] Анонимизирах личните данни, преди да ги дам на инструмента.
- [ ] Оцених ограничението на целта и съответствието с KVKK.
- [ ] Поставих под въпрос пристрастието и справедливостта в решението за отлив/сегмент.
- [ ] Оставих решението на хората; моделът създаде само предложения.
- [ ] Не изпратих чернови на отговор на AI без потвърждение от агент.
- [ ] Отбелязах и изреченията, съдържащи ангажименти.