Κέρδη:
- Ικανότητα επεξήγησης της δομής των δεδομένων διαχείρισης πελατειακών σχέσεων (CRM) και του ρόλου της τεχνητής νοημοσύνης στην τμηματοποίηση και την ανάλυση απόκλισης.
- Δυνατότητα χρήσης τεχνητής νοημοσύνης για την παραγωγή πληροφοριών, περιλήψεων και προσχέδια απαντήσεων από κείμενα πελατών, με ταυτόχρονη τήρηση των ορίων εμπιστευτικότητας
- Δυνατότητα υπεύθυνου περιορισμού της χρήσης τεχνητής νοημοσύνης στο CRM αναγνωρίζοντας τους κινδύνους προσωπικών δεδομένων, μεροληψίας και αυτοματοποιημένων αποφάσεων
Η διαχείριση πελατειακών σχέσεων (CRM) είναι ένα σύστημα και μια προσέγγιση που συγκεντρώνει όλες τις αλληλεπιδράσεις ενός οργανισμού με τους πελάτες του (πωλήσεις, υποστήριξη, μάρκετινγκ, ιστορικό επικοινωνίας) σε ένα μέρος. Τα Salesforce, Microsoft Dynamics, HubSpot και εγγενείς λύσεις είναι παραδείγματα. Η καρδιά του CRM είναι να παρέχει μια «προβολή 360 μοιρών» για κάθε πελάτη: ποιος αγόρασε τι, πότε επικοινώνησε μαζί του, τι παράπονο έχει. Αυτά τα δεδομένα κατευθύνουν τόσο τις πωλήσεις όσο και τις υπηρεσίες. Ωστόσο, αυτά τα δεδομένα είναι επίσης σε μεγάλο βαθμό προσωπικά δεδομένα, τα οποία περιβάλλουν άμεσα τη χρήση της τεχνητής νοημοσύνης με το απόρρητο και τα όρια KVKK.
Ο ειδικός στο MIS χρησιμοποιεί τεχνητή νοημοσύνη στο CRM σε δύο άξονες. Το πρώτο είναι τα analytics: αναλύσεις όπως η τμηματοποίηση, η πρόβλεψη απόκλισης, η αξία διάρκειας ζωής του πελάτη. Το δεύτερο είναι η επεξεργασία κειμένου: σύνοψη αιτημάτων υποστήριξης, ταξινόμηση τους, παραγωγή προσχεδίων απαντήσεων. Και στα δύο, ο βασικός κανόνας είναι ο ίδιος: το απόρρητο αξιολογείται πριν από την παροχή προσωπικών δεδομένων σε ένα εργαλείο τεχνητής νοημοσύνης. Οι αυτοματοποιημένες αποφάσεις που επηρεάζουν άμεσα τον πελάτη απαιτούν ανθρώπινη επίβλεψη και δικαίωμα αντίρρησης.
Τμηματοποίηση και Ανάλυση Churn
Η τμηματοποίηση είναι η διαδικασία ομαδοποίησης πελατών βάσει κοινών χαρακτηριστικών: υψηλοί δαπανητές, νέοι πελάτες, αδρανείς πελάτες. Η καλή τμηματοποίηση διασφαλίζει την παράδοση του σωστού μηνύματος στη σωστή ομάδα. Η ανάλυση Churn προσπαθεί να προβλέψει ποιοι πελάτες κινδυνεύουν να διακοπούν (εγκατάλειψη αγορών, ακύρωση της συνδρομής τους). Το Churn insight επηρεάζει άμεσα τα έσοδα, καθώς η διατήρηση ενός πελάτη είναι συχνά πολύ φθηνότερη από την απόκτηση ενός νέου.
Η τεχνητή νοημοσύνη μπορεί να παράγει προσχέδια και ερμηνείες αυτών των αναλύσεων. Ωστόσο, δύο παγίδες πρέπει να ληφθούν υπόψη. Το πρώτο είναι μεροληψία: το μοντέλο εξετάζει ιστορικά δεδομένα. Εάν έχει δοθεί λίγη προσοχή σε μια συγκεκριμένη ομάδα στο παρελθόν, το μοντέλο μπορεί να μάθει ότι η ομάδα ως «ανάξια» και η άδικη διάκριση ενισχύεται. Το δεύτερο είναι μια αυτόματη απόφαση: το να αφήνεις μια απόφαση όπως "αυτός ο πελάτης θα χαθεί, ας σταματήσουμε την επικοινωνία" μόνο στο μοντέλο είναι προβληματική τόσο ηθικά όσο και νομικά. Η απόφαση ανήκει στο άτομο, η πρόταση ανήκει στο μοντέλο.
Συμβουλή: Προτού χρησιμοποιήσετε αποτελέσματα μοντέλων απόκλισης ή τμημάτων, ρωτήστε "για ποια ομάδα μπορεί να είναι άδικη αυτή η διάκριση;" Κάντε την ερώτηση. Μπορείτε ακόμη και να κάνετε την τεχνητή νοημοσύνη να κάνει αυτή την ερώτηση. αλλά η τελική εκτίμηση της δικαιοσύνης ανήκει στον άνθρωπο.
Πληροφορίες από Κείμενα πελατών: Απόρρητο
Τα πλουσιότερα αλλά πιο ευαίσθητα δεδομένα του CRM είναι το δωρεάν κείμενο: αιτήματα υποστήριξης, σημειώσεις κλήσεων, email. Η τεχνητή νοημοσύνη είναι πολύ ισχυρή στο να τις συνοψίζει, να τις κατηγοριοποιεί και να δημιουργεί προσχέδια απαντήσεων. Ωστόσο, αυτά τα κείμενα μπορεί να περιέχουν ονόματα, αριθμούς τηλεφώνου, διευθύνσεις ή ακόμα και πληροφορίες για την υγεία ή τα οικονομικά. Αυτός είναι ο λόγος για τον οποίο η ανωνυμοποίηση (αφαίρεση ή κάλυψη πεδίων που προσδιορίζουν ένα άτομο) εφαρμόζεται πριν από την τροφοδοσία του κειμένου σε ένα εργαλείο τεχνητής νοημοσύνης. Η χρήση του "Customer A" αντί του "Ahmet Yilmaz, αριθμός πελάτη 0532..." διατηρεί την εμπιστευτικότητα χωρίς να χάνεται η γνώση.
Η σύνταξη μιας απάντησης απαιτεί επίσης προσοχή: η απάντηση που δημιουργείται από την τεχνητή νοημοσύνη είναι ρευστή, αλλά μπορεί να περιέχει μια ψευδή υπόσχεση ("τα χρήματά σας θα επιστραφούν σε 24 ώρες"). Κάθε απάντηση στον πελάτη πρέπει να ελέγχεται από τον εξουσιοδοτημένο αντιπρόσωπο πριν αποσταλεί. Η τεχνητή νοημοσύνη γράφει προσχέδιο, ο άνθρωπος στέλνει.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Το απόρρητο προστατεύεται από την ανωνυμοποίηση. Σε μια τράπεζα, 20.000 αιτήματα υποστήριξης θα χωρίζονταν σε κατηγορίες. Τα κείμενα διαγράφηκαν πρώτα από ονόματα, αριθμούς ταυτότητας και αριθμούς λογαριασμού, μορφοποιήθηκαν σε μορφή "Πελάτης Χ" και στη συνέχεια δόθηκαν στο AI. Η ακρίβεια ταξινόμησης ήταν 91% και δεν μπήκαν προσωπικά δεδομένα στο εργαλείο. Εάν δοθεί το ακατέργαστο κείμενο, θα υπήρχε κίνδυνος τόσο παραβίασης του KVKK όσο και διαρροής.
Περίπτωση 2 — Ενίσχυση της προκατάληψης. Σε μια τηλεπικοινωνία, το μοντέλο απόκλισης επισήμανε συστηματικά τους πελάτες σε μια περιοχή με μικρή εκστρατεία στο παρελθόν ως «χαμηλής αξίας» και δεν εστάλησαν προσφορές σε αυτήν την περιοχή. Η απώλεια αυξήθηκε. Το πρόβλημα δεν ήταν με το μοντέλο, αλλά με προκατειλημμένα δεδομένα του παρελθόντος και την εφαρμογή του χωρίς αμφισβήτηση. Μετά από επανεξέταση, η απόφαση τέθηκε υπό ανθρώπινη επίβλεψη και διορθώθηκε η χωροθέτηση.
Περίπτωση 3 — Λανθασμένη δέσμευση απόκρισης AI. Σε μια εταιρεία ηλεκτρονικού εμπορίου, η τεχνητή νοημοσύνη παρήγαγε μια απάντηση «το προϊόν σας θα παραδοθεί σίγουρα αύριο» σε ένα παράπονο πελάτη. Ωστόσο, ο χρόνος αποστολής ήταν 3-5 ημέρες. Ο εκπρόσωπος διόρθωσε το προσχέδιο και το έστειλε. Εάν το προσχέδιο δεν είχε ελεγχθεί, η λανθασμένη δέσμευση θα είχε δημιουργήσει τόσο δυσαρέσκεια στους πελάτες όσο και κίνδυνο φήμης. Το προσχέδιο AI δεν πηγαίνει ποτέ απευθείας στον πελάτη.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Συνοψίστε αυτά τα παράπονα πελατών και γράψτε μια απάντηση.[ακατέργαστα κείμενα: συμπεριλαμβανομένου ονόματος, τηλεφώνου]
Αυτό δίνει προσωπικά δεδομένα στο εργαλείο ως έχει και ενέχει τον κίνδυνο ψευδούς δέσμευσης.
Ισχυρή προτροπή:
Ο ρόλος σας: Είστε αναλυτής εμπειρίας πελατών. Επεξεργαστείτε τα ακόλουθα ΑΝΩΝΥΜΟΖΗΜΕΝΑ αιτήματα υποστήριξης:- Ταξινόμηση κάθε αιτήματος σε κατηγορία (επιστροφή, τεχνική, χρέωση, άλλο).- Εξαγωγή κοινών θεμάτων και 3 πιο συνηθισμένων ζητημάτων.- Εάν σας ζητηθεί προσχέδιο απάντησης: επισημάνετε [ΕΒΕΒΑΙΩΣΗ ΠΡΑΚΤΟΡΩΝ] κάθε πρόταση ΠΕΡΙΕΧΕΙ δέσμευση (ημερομηνία, ποσό, επιστροφή). Μην δίνετε σταθερές υποσχέσεις. - Εάν βλέπετε προσωπικά δεδομένα στο κείμενο, προειδοποιήστε και όχι ενεργήστε. Αιτήματα (ανώνυμα): [Πελάτης Α: ..., Πελάτης Β: ...]
Η ισχυρή προτροπή επιβάλλει την εργασία με ανώνυμα δεδομένα, τη σήμανση δεσμεύσεων και την προειδοποίηση για διαρροή προσωπικών δεδομένων.
Τέσσερα αντιγράψιμα πρότυπα
1) Ταξινόμηση ζήτησης:
Ταξινομήστε τα ακόλουθα ανώνυμα αιτήματα υποστήριξης σε αυτές τις κατηγορίες: [λίστα]. Δώστε αιτιολόγηση κατηγορίας και μίας πρότασης για κάθε αίτημα. Σε περίπτωση αμφιβολίας, γράψτε [ΑΒΕΒΑΙΟ]. Αιτήματα: [κείμενο]
2) Εξαγωγή θέματος/ενόρασης:
Από τα σχόλια ανώνυμων πελατών παρακάτω, εξάγετε τα 5 κορυφαία θέματα, την κατά προσέγγιση συχνότητα καθενός και ένα παράδειγμα προσφοράς. Προσθήκη σχολίων που δεν βασίζονται σε δεδομένα. Σχόλια: [κείμενο]
3) Προσχέδιο απάντησης (ανοιχτό για επιβεβαίωση):
ΣΧΕΤΕ μια ευγενική απάντηση στην ανώνυμη καταγγελία παρακάτω. Επισημάνετε κάθε πρόταση με [ΕΠΙΒΕΒΑΙΩΣΗ] που περιέχει ημερομηνία, ποσό ή υπόσχεση επιστροφής. Οριστική διάρκεια; Χρησιμοποιήστε ασφαλή γλώσσα όπως "θα σας ενημερώσουμε το συντομότερο δυνατό". Παράπονο: [κείμενο]
4) Έλεγχος δικαιοσύνης τμημάτων:
Εξετάστε τα ακόλουθα κριτήρια τμηματοποίησης: Ποια ομάδα πελατών θα μπορούσε να βρίσκεται συστηματικά σε μειονεκτική θέση; Καταγράψτε πιθανές πηγές μεροληψίας και προτάσεις ελέγχου. Κριτήρια: [κείμενο]
Διάγραμμα σύγκρισης: Χρήση τεχνητής νοημοσύνης στο CRM
Αναζήτηση
Ο ρόλος του AI
Λόγω εμπιστευτικότητας
τελική απόφαση
Ταξινόμηση ζήτησης
αυτόματη ετικέτα
Ανωνυμοποίηση
Δείγμα επανεξέτασης
Εξαγωγή θέματος
σκίτσο διορατικότητας
Ανωνυμοποίηση
Σχόλια αναλυτών
πρόβλεψη ανατροπής
Βαθμολογία/πρόταση
θεμιτό στόχο
αποφασίζει ο άνθρωπος
Προσχέδιο απάντησης
προσχέδιο κειμένου
Εκτός από προσωπικά δεδομένα
Στέλνει αντιπρόσωπο
Απόφαση τμήματος
Πρόταση
δικαστικός έλεγχος
Επιχειρηματική μονάδα + επίβλεψη
Συνήθη λάθη
- Παροχή προσωπικών δεδομένων στο όχημα σε ακατέργαστη μορφή. Η άμεση επεξεργασία του κειμένου που περιέχει το όνομα, τον αριθμό τηλεφώνου και το TR ID αποτελεί παραβίαση του KVKK και κίνδυνο διαρροής.
- Αποστολή της απάντησης AI απευθείας στον πελάτη. Οι ψευδείς δεσμεύσεις και τα τονικά λάθη δημιουργούν κινδύνους για τη φήμη. Η επιβεβαίωση αντιπροσώπου είναι υποχρεωτική.
- Αφήνοντας την απόφαση ανατροπής/τμήματος στο μοντέλο. Η αυτόματη απόφαση ενισχύει την προκατάληψη. Η πρόταση είναι του μοντέλου, η απόφαση είναι του ανθρώπου.
- Αποδοχή προηγούμενων δεδομένων χωρίς αμφιβολία. Το πρότυπο των προηγούμενων διακρίσεων διδάσκεται ως «σωστό». Ο δικαστικός έλεγχος είναι απαραίτητος.
- Ερμηνεία της μέτρησης χωρίς πλαίσιο. Πριν πείτε "η ικανοποίηση έχει μειωθεί", θα πρέπει να ρωτήσετε σε ποιο τμήμα, σε ποια περίοδο και γιατί.
Προσοχή: Τα δεδομένα πελατών αποτελούν μια μέρα το απόρρητο ενός πραγματικού προσώπου. Ακριβώς επειδή μια έξοδος είναι "χρήσιμη" δεν δικαιολογεί την επεξεργασία των δεδομένων αυτού του ατόμου χωρίς προστασία. Η ανωνυμοποίηση και ο περιορισμός του σκοπού είναι προαπαιτούμενα και όχι διατυπώσεις που πρέπει να παραβλεφθούν για λόγους ταχύτητας.
Συνοπτικά
Το CRM είναι ένα σύστημα που συλλέγει την αλληλεπίδραση με τον πελάτη σε ένα μέρος και περιέχει μεγάλο όγκο προσωπικών δεδομένων. Η τεχνητή νοημοσύνη παράγει ισχυρή αξία στην τμηματοποίηση, την ανάλυση εκτροπής και την επεξεργασία κειμένου. Ωστόσο, το απόρρητο των προσωπικών δεδομένων έρχεται πρώτη: η ανωνυμοποίηση, ο περιορισμός του σκοπού και η συμμόρφωση με το KVKK είναι απαραίτητα. Οι αποφάσεις απόκλισης και τμηματοποίησης ενέχουν τον κίνδυνο μεροληψίας. Η πρόταση ανήκει στο μοντέλο, η απόφαση ανήκει στον άνθρωπο. Οι απαντήσεις AI στον πελάτη δεν θα αποστέλλονται χωρίς επιβεβαίωση αντιπροσώπου. Η τεχνητή νοημοσύνη επιταχύνει τη διορατικότητα, φέρνει ευθύνη και δικαιοσύνη στους ανθρώπους.
Εργασία εφαρμογής
Ρυθμίστε ένα σενάριο ανάλυσης ανατροπής για μια συνδρομητική υπηρεσία. (1) Προσαρμόστε 5 ανώνυμα προφίλ πελατών (δαπάνες, τελευταία αλληλεπίδραση, αριθμός παραπόνων). (2) Δημιουργήστε μια ερμηνεία κατάτμησης και κινδύνου με ισχυρή προτροπή. (3) Ερώτηση με έλεγχο δικαιοσύνης ποια ομάδα μπορεί να είναι άδικη σε τουλάχιστον ένα από τα τμήματα που παράγονται από το μοντέλο. (4) Ζητήστε από το AI να συντάξει μια απάντηση σε μια ανώνυμη καταγγελία και να σημειώσει τις προτάσεις που περιέχουν δεσμεύσεις. (5) Γράψτε ότι χρησιμοποιήσατε ανώνυμα δεδομένα αντί για ανεπεξέργαστα δεδομένα και ποια πεδία καλύψετε.
λίστα ελέγχου
- [ ] Ανωνυμοποίησα προσωπικά δεδομένα πριν τα δώσω στο εργαλείο.
- [ ] Αξιολόγησα τον περιορισμό σκοπού και τη συμμόρφωση με το KVKK.
- [ ] Αμφισβήτησα τη μεροληψία και τη δικαιοσύνη στην απόφαση ανατροπής/τμήματος.
- [ ] Άφησα την απόφαση στους ανθρώπους. το μοντέλο παρήγαγε μόνο προτάσεις.
- [ ] Δεν έστειλα προσχέδια απαντήσεων AI χωρίς επιβεβαίωση αντιπροσώπου.
- [ ] Σημείωσα επίσης τις προτάσεις που περιέχουν δεσμεύσεις.