سود:
- توانایی توضیح ساختار داده های مدیریت ارتباط با مشتری (CRM) و نقش هوش مصنوعی در تجزیه و تحلیل تقسیم بندی و انحراف.
- امکان استفاده از هوش مصنوعی برای تولید بینش، خلاصه و پیش نویس پاسخ از متون مشتری، با رعایت محدودیت های محرمانه
- توانایی محدود کردن مسئولانه استفاده از هوش مصنوعی در CRM با تشخیص خطرات داده های شخصی، سوگیری و تصمیم گیری های خودکار
مدیریت ارتباط با مشتری (CRM) سیستم و رویکردی است که تمامی تعاملات سازمان با مشتریان خود (فروش، پشتیبانی، بازاریابی، تاریخچه ارتباطات) را در یک مکان جمع آوری می کند. Salesforce، Microsoft Dynamics، HubSpot و راه حل های بومی نمونه هایی هستند. قلب CRM ارائه "نمای 360 درجه" از هر مشتری است: چه کسی چه چیزی خریده است، چه زمانی با آنها تماس گرفته است، چه شکایتی دارد. این داده ها هم فروش و هم خدمات را هدایت می کند. با این حال، این داده ها نیز عمدتاً داده های شخصی هستند که به طور مستقیم استفاده از هوش مصنوعی را با حریم خصوصی و مرزهای KVKK احاطه می کنند.
متخصص MIS از هوش مصنوعی در CRM در دو محور استفاده می کند. اولین مورد تجزیه و تحلیل است: تجزیه و تحلیل هایی مانند تقسیم بندی، پیش بینی ریزش، ارزش طول عمر مشتری. دوم پردازش متن است: خلاصه کردن درخواست های پشتیبانی، طبقه بندی آنها، تولید پیش نویس های پاسخ. در هر دو، قانون اساسی یکسان است: حریم خصوصی قبل از دادن اطلاعات شخصی به ابزار هوش مصنوعی ارزیابی می شود. تصمیمات خودکار که مستقیماً بر مشتری تأثیر می گذارد مستلزم نظارت انسانی و حق اعتراض است.
تقسیم بندی و تجزیه و تحلیل
تقسیم بندی فرآیند گروه بندی مشتریان بر اساس ویژگی های مشترک است: مصرف کنندگان زیاد، مشتریان جدید، مشتریان خفته. تقسیم بندی خوب، ارسال پیام مناسب را به گروه مناسب تضمین می کند. تجزیه و تحلیل Churn سعی می کند پیش بینی کند که کدام مشتریان در معرض خطر ریزش هستند (ترک خرید، لغو اشتراک خود). کاهش بینش مستقیماً به درآمد کمک می کند، زیرا حفظ مشتری اغلب بسیار ارزان تر از به دست آوردن مشتری جدید است.
هوش مصنوعی میتواند پیشنویسها و تفسیرهایی از این تحلیلها تولید کند. با این حال، دو تله باید در نظر گرفته شود. اولی سوگیری است: مدل به داده های تاریخی نگاه می کند. اگر در گذشته توجه کمی به یک گروه خاص شده باشد، مدل ممکن است یاد بگیرد که این گروه به عنوان "بی ارزش" و تبعیض ناعادلانه تقویت می شود. دومی یک تصمیم خودکار است: واگذاری تصمیمی مانند "این مشتری از بین می رود، بیایید ارتباط را متوقف کنیم" به تنهایی به مدل، هم از نظر اخلاقی و هم از نظر قانونی مشکل ساز است. تصمیم متعلق به شخص است، پیشنهاد متعلق به مدل است.
نکته: قبل از استفاده از نتایج مدل Churn یا segment، بپرسید "این تمایز ممکن است برای کدام گروه ناعادلانه باشد؟" سوال را بپرسید. حتی می توانید هوش مصنوعی را وادار به پرسیدن این سوال کنید. اما ارزیابی نهایی عدالت متعلق به انسان است.
بینش از متون مشتری: حریم خصوصی
غنیترین اما حساسترین داده CRM متن رایگان است: درخواستهای پشتیبانی، یادداشتهای تماس، ایمیلها. هوش مصنوعی در خلاصه کردن آنها، دسته بندی آنها و ایجاد پیش نویس پاسخ بسیار قدرتمند است. با این حال، این متون ممکن است حاوی نام، شماره تلفن، آدرس یا حتی اطلاعات بهداشتی یا مالی باشد. به همین دلیل است که قبل از وارد کردن متن به ابزار هوش مصنوعی، ناشناس سازی (حذف یا پوشاندن فیلدهایی که فرد را شناسایی می کند) اعمال می شود. استفاده از "مشتری الف" به جای "احمت یلماز، شماره مشتری 0532..." محرمانه بودن را بدون از دست دادن بینش حفظ می کند.
تهیه پیش نویس پاسخ نیز نیازمند دقت است: پاسخ ایجاد شده توسط هوش مصنوعی روان است اما ممکن است حاوی یک وعده دروغ باشد ("پول شما ظرف 24 ساعت بازپرداخت می شود"). هر پاسخ به مشتری باید قبل از ارسال توسط نماینده مجاز بررسی شود. هوش مصنوعی پیش نویس می نویسد، انسان می فرستد.
سه مورد کوچک: با اعداد
مورد 1 - حریم خصوصی با ناشناس کردن محافظت می شود. در یک بانک، 20000 درخواست پشتیبانی به دستههایی تقسیم میشوند. متون ابتدا از اسامی، شماره شناسه و شماره حساب پاکسازی شدند، به فرمت «مشتری X» قالببندی شدند و سپس به هوش مصنوعی داده شدند. دقت طبقه بندی 91 درصد بود و هیچ داده شخصی وارد ابزار نشد. اگر متن خام داده می شد، خطر نقض KVKK و نشت وجود داشت.
مورد 2 - تقویت تعصب. در یکی از مخابرات، مدل انحراف به طور سیستماتیک مشتریان منطقهای را که در گذشته کمپین کمپینی داشتند، بهعنوان «ارزش کم» علامتگذاری کرد و هیچ پیشنهادی به آن منطقه ارسال نشد. ضرر افزایش یافت. مشکل در مدل نبود، بلکه با دادههای مغرضانه گذشته و استفاده از آن بدون سؤال بود. پس از بررسی، تصمیم تحت نظارت انسان قرار گرفت و منطقه بندی اصلاح شد.
مورد 3 - تعهد اشتباه پاسخ هوش مصنوعی. در یک شرکت تجارت الکترونیک، هوش مصنوعی پاسخی به شکایت مشتری «محصول شما قطعاً فردا تحویل داده خواهد شد» ارائه کرد. با این حال، زمان حمل و نقل 3-5 روز بود. نماینده پیش نویس را تصحیح و ارسال کرد. اگر پیش نویس کنترل نشده بود، تعهد اشتباه هم نارضایتی مشتری و هم خطر شهرت را ایجاد می کرد. پیش نویس AI هرگز مستقیماً به مشتری نمی رود.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این شکایات مشتریان را خلاصه کنید و پاسخی بنویسید.[متون خام: از جمله نام، تلفن]
این دادههای شخصی را همانطور که هست به ابزار میدهد و خطر تعهد نادرست را به همراه دارد.
اعلان قدرتمند:
نقش شما: شما یک تحلیلگر تجربه مشتری هستید. درخواست های پشتیبانی ناشناس زیر را پردازش کنید: - هر درخواست را بر اساس دسته بندی (بازگشت، فنی، صورتحساب، و غیره) مرتب کنید. - موضوعات رایج و 3 مشکل رایج را استخراج کنید. - اگر از شما درخواست شد پیش نویس پاسخ: هر جمله حاوی تعهد (تاریخ، مبلغ، بازگشت) را تگ کنید. قول قاطع نده. - در صورت مشاهده اطلاعات شخصی در متن، هشدار دهید، نه اقدام. درخواست ها (ناشناس): [مشتری A: ...، مشتری B: ...]
اعلان قدرتمند کار با داده های ناشناس، علامت گذاری تعهدات و هشدار در برابر نشت داده های شخصی را اعمال می کند.
چهار قالب قابل کپی
1) طبقه بندی تقاضا:
درخواستهای پشتیبانی ناشناس زیر را در این دستهها مرتب کنید: [لیست]. برای هر درخواست دسته و یک جمله را توجیه کنید. وقتی شک دارید، بنویسید [نامشخص]. درخواست ها: [متن]
2) استخراج موضوع/بینش:
از بازخورد مشتری ناشناس زیر، 5 موضوع برتر، تعداد تقریبی هر کدام و یک نقل قول را استخراج کنید. افزودن نظراتی که بر اساس داده ها نیستند. بازخوردها: [متن]
3) پیش نویس پاسخ (برای تأیید باز است):
پیش نویس یک پاسخ مودبانه به شکایت ناشناس زیر. هر جمله را با [تأیید] که حاوی تاریخ، مبلغ یا وعده بازگشت است برچسب بزنید. مدت زمان قطعی؛ از زبان امنی مانند "در اسرع وقت به شما اطلاع خواهیم داد" استفاده کنید. شکایت: [متن]
4) کنترل انصاف بخش:
معیارهای تقسیم بندی زیر را بررسی کنید: کدام گروه مشتری می تواند بطور سیستماتیک در مضیقه باشد؟ منابع احتمالی سوگیری و پیشنهادات کنترل را فهرست کنید. معیارها: [متن]
نمودار مقایسه: استفاده از هوش مصنوعی در CRM
تلاش
نقش هوش مصنوعی
به دلیل محرمانه بودن
تصمیم نهایی
طبقه بندی تقاضا
برچسب خودکار
ناشناس کردن
بررسی نمونه
استخراج تم
طرح بینش
ناشناس کردن
نظرات تحلیلگر
پیش بینی ریزش
امتیاز/پیشنهاد
هدف مشروع
انسان تصمیم می گیرد
پیش نویس پاسخ
پیش نویس متن
به جز اطلاعات شخصی
نماینده می فرستد
تصمیم بخش
پیشنهاد
کنترل عدالت
واحد تجاری + نظارت
اشتباهات رایج
- دادن اطلاعات شخصی به وسیله نقلیه به صورت خام. پردازش مستقیم متن حاوی نام، شماره تلفن و شناسه TR یک نقض KVKK و خطر نشت است.
- ارسال پاسخ هوش مصنوعی به طور مستقیم برای مشتری. تعهدات نادرست و خطاهای آهنگی باعث ایجاد خطرات اعتباری می شود. تایید نماینده الزامی است.
- سپردن تصمیم به ریزش/بخش به مدل. تصمیم گیری خودکار تعصب را تقویت می کند. پیشنهاد با مدل است، تصمیم با انسان است.
- پذیرش داده های گذشته بدون سوال الگوی تبعیض گذشته به عنوان "صحیح" آموزش داده می شود. کنترل عدالت ضروری است.
- تفسیر متریک بدون زمینه قبل از گفتن «رضایت کم شده» باید بپرسید در کدام بخش، در کدام دوره و چرا.
احتیاط: اطلاعات مشتری یک روز حریم شخصی یک شخص واقعی است. صرفاً به این دلیل که یک خروجی "مفید" است، پردازش داده های آن شخص را بدون محافظت توجیه نمی کند. ناشناس سازی و محدودیت هدف پیش نیاز هستند، نه تشریفاتی که به خاطر سرعت باید نادیده گرفته شوند.
به طور خلاصه
CRM سیستمی است که تعاملات مشتری را در یک مکان جمع آوری می کند و حاوی حجم زیادی از داده های شخصی است. هوش مصنوعی ارزش قدرتمندی را در بخشبندی، تجزیه و تحلیل و پردازش متن ایجاد میکند. با این حال، حریم خصوصی داده های شخصی در درجه اول قرار دارد: ناشناس سازی، محدودیت هدف و انطباق با KVKK ضروری است. تصمیمات انحرافی و بخشبندی خطر سوگیری را به همراه دارد. پیشنهاد متعلق به مدل است، تصمیم متعلق به شخص است. پاسخ های هوش مصنوعی به مشتری بدون تایید نماینده ارسال نمی شود. هوش مصنوعی بینش را تسریع می کند، مسئولیت و عدالت را برای انسان به ارمغان می آورد.
وظیفه کاربردی
یک سناریوی تجزیه و تحلیل انحراف را برای یک سرویس اشتراک تنظیم کنید. (1) متناسب با 5 پروفایل مشتری ناشناس (هزینه، آخرین تعامل، تعداد شکایات). (2) تقسیم بندی و تفسیر ریسک با یک اعلان قدرتمند تولید شود. (3) با بررسی انصاف پرس و جو کنید که کدام گروه ممکن است حداقل نسبت به یکی از بخش های تولید شده توسط مدل ناعادلانه باشد. (4) از هوش مصنوعی بخواهید که به یک شکایت ناشناس پاسخ دهد و جملاتی را که حاوی تعهدات هستند علامت گذاری کند. (5) بنویسید که از داده های ناشناس به جای داده های خام استفاده کرده اید و کدام فیلدها را پوشانده اید.
چک لیست
- [ ] من اطلاعات شخصی را قبل از دادن آن به ابزار ناشناس کردم.
- [ ] من محدودیت هدف و انطباق با KVKK را ارزیابی کردم.
- [ ] من سوگیری و انصاف را در تصمیم گیری برگرداندن/بخش زیر سوال بردم.
- [ ] تصمیم را به مردم واگذار کردم. این مدل فقط پیشنهاداتی را ارائه کرد.
- [ ] من پیشنویسهای پاسخ هوش مصنوعی را بدون تأیید نماینده ارسال نکردم.
- [ ] جملات حاوی تعهد را هم علامت زدم.