Kasu:
- Oskus selgitada kliendisuhete halduse (CRM) andmete struktuuri ja tehisintellekti rolli segmenteerimisel ja churn analüüsil.
- Võimalus kasutada tehisintellekti klientide tekstidest arusaamade, kokkuvõtete ja vastuste mustandite tegemiseks, järgides samal ajal konfidentsiaalsuspiiranguid
- Võimalus vastutustundlikult piirata tehisintellekti kasutamist CRM-is, teadvustades isikuandmete, erapoolikuste ja automatiseeritud otsuste riske
Kliendisuhete haldamine (CRM) on süsteem ja lähenemine, mis koondab ühte kohta kogu organisatsiooni suhtluse klientidega (müük, tugi, turundus, suhtluse ajalugu). Näiteks Salesforce, Microsoft Dynamics, HubSpot ja natiivsed lahendused. CRM-i keskmes on 360-kraadise ülevaate pakkumine igast kliendist: kes mida ostis, millal temaga ühendust võttis, millised kaebused tal on. Need andmed suunavad nii müüki kui ka teenindust. Kuid ka need andmed on suures osas isikuandmed, mis ümbritsevad tehisintellekti kasutamist otseselt privaatsuse ja KVKK piiridega.
MIS-i spetsialist kasutab tehisintellekti CRM-is kahel teljel. Esimene neist on analüütika: analüüsid, nagu segmenteerimine, kaotuse prognoosimine, kliendi eluaegne väärtus. Teine on tekstitöötlus: tugitaotluste kokkuvõtete tegemine, liigitamine, vastusekavandite valmistamine. Mõlema puhul on põhireegel sama: privaatsust hinnatakse enne isikuandmete andmist tehisintellekti tööriistale; Otseselt klienti mõjutavad automatiseeritud otsused nõuavad inimlikku järelevalvet ja õigust esitada vastuväiteid.
Segmenteerimine ja töölõigu analüüs
Segmenteerimine on klientide rühmitamine ühiste tunnuste alusel: suured kulutused, uued kliendid, uinuvad kliendid. Hea segmenteerimine tagab õige sõnumi edastamise õigele rühmale. Tühistamisanalüüs püüab ennustada, millistel klientidel on loobumise oht (ostudest loobumine, tellimuse tühistamine). Käivitamise ülevaade mõjutab otseselt tulusid, kuna kliendi hoidmine on sageli palju odavam kui uue hankimine.
Tehisintellekt võib koostada nende analüüside mustandeid ja tõlgendusi; Siiski tuleb arvestada kahe lõksuga. Esimene on eelarvamus: mudel vaatab ajaloolisi andmeid; Kui teatud rühmale on minevikus vähe tähelepanu pööratud, võib mudel mõista, et see rühm on "väärimatu" ja ebaõiglane diskrimineerimine tugevneb. Teine on automaatne otsus: sellise otsuse nagu "see klient läheb kaotsi, lõpetame suhtlemise" jätmine pelgalt mudelile on problemaatiline nii eetiliselt kui ka juriidiliselt. Otsus kuulub inimesele, ettepanek mudelile.
Näpunäide. Enne tühjenemise või segmendi mudeli tulemuste kasutamist küsige: "millise rühma suhtes võib see eristamine ebaõiglane olla?" Esitage küsimus. Võite isegi panna tehisintellekt selle küsimuse esitama; kuid ülim hinnang õiglusele kuulub inimesele.
Ülevaade klientide tekstidest: privaatsus
CRM-i kõige rikkalikumad, kuid tundlikumad andmed on vabatekst: tugitaotlused, kõnemärkmed, meilid. AI on väga võimas nende kokkuvõtete tegemisel, kategoriseerimisel ja vastuste mustandite genereerimisel. Need tekstid võivad aga sisaldada nimesid, telefoninumbreid, aadresse või isegi tervise- või finantsteavet. Seetõttu rakendatakse enne teksti AI-tööriistale söötmist anonüümsust (isikut tuvastavate väljade eemaldamist või maskeerimist). "Kliendi A" kasutamine "Ahmet Yilmaz, kliendi number 0532..." asemel säilitab konfidentsiaalsuse ilma ülevaadet kaotamata.
Ka vastuse koostamine nõuab hoolt: tehisintellekti loodud vastus on sujuv, kuid võib sisaldada valelubadust ("teie raha tagastatakse 24 tunni pärast"). Iga vastust kliendile peab enne saatmist volitatud esindaja kontrollima. AI kirjutab mustandit, inimene saadab.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – privaatsus on kaitstud anonüümseks muutmisega. Pangas jagataks 20 000 tugitaotlust kategooriatesse. Esmalt puhastati tekstidest nimed, ID- ja kontonumbrid, vormindati need vormingusse "Klient X" ja anti seejärel tehisintellektile. Klassifitseerimise täpsus oli 91% ja isikuandmeid tööriista ei sisestatud. Toorteksti andmisel oleks oht nii KVKK rikkumiseks kui ka lekkeks.
Juhtum 2 – eelarvamuste tugevdamine. Ühes telekommunikatsioonis märgistas churn-mudel süstemaatiliselt kliendid piirkonnas, kus varem oli vähe kampaaniaid tehtud, kui „madala väärtusega” ja sellele piirkonnale ei saadetud ühtegi pakkumist; Kahju suurenes. Probleem ei olnud mudelis, vaid minevikus kallutatud andmetes ja nende küsitlemata rakendamises. Pärast ülevaatamist pandi otsus inimjärelevalve alla ja tsoneerimine parandati.
3. juhtum – tehisintellekti vastuse vale kohustus. Ühes e-kaubanduse ettevõttes koostas tehisintellekt kliendi kaebusele vastuse "teie toode tarnitakse kindlasti homme"; Tarneaeg oli aga 3-5 päeva. Esindaja parandas eelnõu ja saatis selle. Kui eelnõu oleks jäänud kontrollimata, oleks vale kohustus tekitanud nii klientide rahulolematust kui ka maineriski. AI mustand ei lähe kunagi otse kliendile.
Nõrk viip / Tugev viip
Nõrk viip:
Tehke nendest klientide kaebustest kokkuvõte ja kirjutage vastus.[Toortekstid: sealhulgas nimi, telefon]
See annab tööriistale isikuandmed nii nagu nad on ja sellega kaasneb valekohustuse oht.
Võimas viip:
Teie roll: olete kliendikogemuse analüütik. Töötlege järgmisi ANONÜMISEERITUD tugitaotlusi:- Sorteerige iga taotlus kategooriatesse (tagastamine, tehniline, arveldamine, muu).- Eraldage levinud teemad ja 3 kõige levinumat probleemi.- Kui teilt küsitakse vastuse mustandit: märgend [AGENTS KINNITUS] iga lause, MIS SISALDAB kohustust (kuupäev, summa, tagastus); Ärge andke kindlaid lubadusi. - Kui näete tekstis isikuandmeid, hoiatage, mitte tegutsege. Taotlused (anonüümsed): [Klient A: ..., Klient B: ...]
Võimas viip sunnib töötamist anonüümsete andmetega, märgib kohustusi ja hoiatab isikuandmete lekke eest.
Neli kopeeritavat malli
1) Nõudluse klassifikatsioon:
Sorteerige järgmised anonüümsed tugitaotlused nendesse kategooriatesse: [loend]. Esitage iga taotluse kategooria ja ühelauseline põhjendus. Kui kahtlete, kirjutage [ebakindel]. Taotlused: [tekst]
2) Teema/ülevaate väljavõte:
Allolevast anonüümsest klientide tagasisidest eraldage 5 populaarseimat teemat, nende ligikaudne sagedus ja tsitaadi näide. Kommentaaride lisamine, mis ei põhine andmetel. Tagasiside: [tekst]
3) Vastuse mustand (avatud kinnitamiseks):
KOOSTAGE viisakas vastus allolevale anonüümsele kaebusele. Märgistage iga lause [KINNITUS], mis sisaldab kuupäeva, summat või tagastamislubadust. Lõplik kestus; Kasutage turvalist keelekasutust, näiteks "me teavitame teid niipea kui võimalik". Kaebus: [tekst]
4) Segmendi õigluse kontroll:
Uurige järgmisi segmenteerimiskriteeriume: Milline kliendirühm võib olla süstemaatiliselt ebasoodsas olukorras? Loetlege võimalikud eelarvamuste allikad ja juhtnöörid. Kriteeriumid: [tekst]
Võrdlusdiagramm: AI kasutamine CRM-is
Quest
AI roll
Konfidentsiaalsuse tõttu
lõplik otsus
Nõudluse klassifikatsioon
auto silt
Anonüümseks muutmine
Vaata näidis üle
Teema väljavõte
ülevaate visand
Anonüümseks muutmine
Analüütikute kommentaarid
churn ennustus
Hinne/soovitus
legitiimne eesmärk
mees otsustab
Vastuse mustand
teksti mustand
Välja arvatud isikuandmed
Saadab esindaja
Segmendi otsus
Soovitus
õigluse kontroll
Äriüksus + järelevalve
Levinud vead
- Isikuandmete edastamine sõidukile selle töötlemata kujul. Nime, telefoninumbrit ja TR ID-d sisaldava teksti vahetu töötlemine on KVKK rikkumine ja lekkeoht.
- AI vastuse saatmine otse kliendile. Valed kohustused ja toonivead loovad maineriski; Esindaja kinnitus on kohustuslik.
- Jätta churn/segment otsuse mudeli teha. Automaatne otsustamine tugevdab eelarvamusi; Ettepanek on modelli, otsus on inimese.
- Varasemate andmete vastuvõtmine küsimusteta. Mineviku diskrimineerimise mustrit õpetatakse kui "õiget"; Õiguskontroll on vajalik.
- Mõõdiku tõlgendamine ilma kontekstita. Enne kui öelda "rahulolu on vähenenud", tuleks küsida, millises segmendis, mis perioodil ja miks.
Ettevaatust: kliendiandmed on ühel päeval reaalse inimese privaatsus. See, et väljund on "kasulik", ei õigusta selle isiku andmete töötlemist ilma kaitseta. Anonüümseks muutmine ja eesmärgi piiramine on eeldused, mitte formaalsused, mida kiiruse huvides vahele jätta.
Kokkuvõttes
CRM on süsteem, mis kogub kliendiga suhtlemist ühte kohta ja sisaldab suurel hulgal isikuandmeid. AI loob võimsat väärtust segmenteerimisel, churn analüüsil ja tekstitöötlusel; Isikuandmete privaatsus on siiski esikohal: anonüümseks muutmine, eesmärgi piiramine ja KVKK järgimine on hädavajalikud. Lõpetamise ja segmendi otsustega kaasneb kallutatuse oht; Ettepanek kuulub mudelile, otsus kuulub inimesele. Kliendile tehisintellekti vastuseid ei saadeta ilma agendi kinnituseta. AI kiirendab arusaamist, toob inimestele vastutuse ja õigluse.
Rakenduse ülesanne
Seadistage tellimisteenuse jaoks lüngaanalüüsi stsenaarium. (1) Sobitage 5 anonüümset kliendiprofiili (kulu, viimane suhtlus, kaebuste arv). (2) Laske segmenteerimine ja riskide tõlgendus luua võimsa viipega. (3) Uurige õigluse kontrolliga, milline rühm võib olla ebaõiglane vähemalt ühe mudeli loodud segmendi suhtes. (4) Laske tehisintellektil koostada anonüümsele kaebusele vastus ja märkige ära laused, mis sisaldavad kohustusi. (5) Kirjutage, et kasutasite töötlemata andmete asemel anonüümseid andmeid ja millised väljad maskeerisite.
kontrollnimekiri
- [ ] Muutsin isikuandmed enne tööriistale andmist anonüümseks.
- [ ] Hindasin eesmärgi piirangut ja KVKK vastavust.
- [ ] Ma seadsin kahtluse alla erapoolikuse ja õigluse loobumise/segmendi otsuses.
- [ ] Jätsin otsustamise inimeste hooleks; mudel andis ainult soovitusi.
- [ ] Ma ei saatnud AI vastuste mustandeid ilma agendi kinnituseta.
- [ ] Märkisin ära ka kohustusi sisaldavad laused.