Nyereség:
- Képes elmagyarázni az ügyfélkapcsolat-kezelési (CRM) adatok szerkezetét és a mesterséges intelligencia szerepét a szegmentálásban és a lemorzsolódás elemzésében.
- Képes mesterséges intelligencia felhasználásával betekintést, összefoglalókat és válaszvázlatokat készíteni az ügyfelek szövegeiből, miközben betartja a titoktartási korlátokat
- Képes felelősségteljesen korlátozni az MI használatát a CRM-ben a személyes adatok, az elfogultság és az automatizált döntések kockázatának felismerésével
Az ügyfélkapcsolat-kezelés (CRM) egy olyan rendszer és megközelítés, amely egy helyre gyűjti a szervezet és az ügyfelek közötti összes interakciót (értékesítés, támogatás, marketing, kommunikációs előzmények). Ilyen például a Salesforce, a Microsoft Dynamics, a HubSpot és a natív megoldások. A CRM lényege, hogy „360 fokos nézetet” biztosít minden vásárlóról: ki mit vásárolt, mikor fordult hozzájuk, milyen panaszai vannak. Ezek az adatok az értékesítést és a szolgáltatást egyaránt irányítják. Ezek az adatok azonban nagyrészt személyes adatok is, amelyek közvetlenül körülveszik a mesterséges intelligencia használatát a magánélet és a KVKK határaival.
Az MIS specialistája két tengelyen használja a mesterséges intelligenciát a CRM-ben. Az első az analitika: olyan elemzések, mint a szegmentálás, a lemorzsolódás előrejelzése, az ügyfél élettartam-értéke. A második a szövegfeldolgozás: a támogatási kérelmek összesítése, osztályozása, válaszvázlatok készítése. Az alapszabály mindkettőben ugyanaz: a magánélet védelmét értékelik, mielőtt személyes adatokat adnak át egy mesterséges intelligencia eszköznek; Az ügyfeleket közvetlenül érintő automatizált döntések emberi felügyeletet és tiltakozási jogot igényelnek.
Szegmentálás és lemorzsolódás elemzése
A szegmentáció az ügyfelek csoportosításának folyamata közös jellemzők alapján: magas költekezők, új ügyfelek, alvó ügyfelek. A jó szegmentálás biztosítja a megfelelő üzenet eljuttatását a megfelelő csoporthoz. A lemorzsolódási elemzés azt próbálja megjósolni, hogy mely ügyfeleket fenyegeti a lemorzsolódás (vásárlások elhagyása, előfizetés lemondása). A lemorzsolódási betekintés közvetlenül érinti a bevételt, mivel az ügyfél megtartása gyakran sokkal olcsóbb, mint egy új beszerzése.
Az AI vázlatokat és értelmezéseket készíthet ezekről az elemzésekről; Két csapdát azonban figyelembe kell venni. Az első az elfogultság: a modell történeti adatokat néz; Ha a múltban kevés figyelmet fordítottak egy bizonyos csoportra, a modell azt a csoportot „méltatlannak” tekintheti, és megerősödik az igazságtalan diszkrimináció. A második egy automatikus döntés: egy olyan döntést, mint "ez az ügyfél elveszik, hagyjuk abba a kommunikációt" egyedül a modellre hagyni, etikailag és jogilag is problémás. A döntés az emberé, a javaslaté a modellé.
Tipp: Mielőtt felhasználná a lemorzsolódási vagy szegmensmodell eredményeit, kérdezze meg, hogy "melyik csoport számára lehet igazságtalan ez a megkülönböztetés?" Tedd fel a kérdést. Akár a mesterséges intelligencia is felteheti ezt a kérdést; de az igazságosság végső megítélése az emberé.
Betekintés az ügyfelek szövegeiből: Adatvédelem
A CRM leggazdagabb, de legérzékenyebb adatai a szabad szövegek: támogatási kérések, hívásjegyzetek, e-mailek. A mesterséges intelligencia nagyon hatékonyan összefoglalja, kategorizálja és válaszvázlatokat generál. Ezek a szövegek azonban tartalmazhatnak neveket, telefonszámokat, címeket, vagy akár egészségügyi vagy pénzügyi információkat is. Ezért alkalmazzák az anonimizálást (a személyt azonosító mezők eltávolítását vagy maszkolását), mielőtt a szöveget betáplálják egy mesterséges intelligencia eszközbe. Az „A ügyfél” használata az „Ahmet Yilmaz, ügyfélszám: 0532...” helyett a bizalmas kezelést anélkül, hogy elveszítené a betekintést.
A válasz megfogalmazása is körültekintést igényel: a mesterséges intelligencia által generált válasz gördülékeny, de tartalmazhat hamis ígéretet („a pénzét 24 órán belül visszatérítjük”). Az ügyfélnek küldött minden választ a meghatalmazott képviselőnek ellenőriznie kell, mielőtt elküldené. Az AI piszkozatot ír, ember küld.
Három mini tok: a számok szerint
1. eset – Az anonimizálással védett adatvédelem. Egy bankban 20 000 támogatási kérelmet osztanának kategóriákba. A szövegekből először megtisztították a neveket, az azonosítószámokat és a számlaszámokat, „Customer X” formátumba formázták, majd átadták az AI-nak. Az osztályozás pontossága 91% volt, és nem mentek be személyes adatok az eszközbe. Ha a nyers szöveget megadnák, fennállna a KVKK megsértése és a kiszivárgás veszélye.
2. eset – Az előítéletek erősítése. Az egyik telekommunikációban a lemorzsolódási modell szisztematikusan „alacsony értékűként” jelölte meg az ügyfeleket egy olyan régióban, ahol a múltban kevés volt a kampány, és nem küldtek ajánlatot erre a régióra; A veszteség nőtt. A probléma nem a modellel volt, hanem a múltbeli torzított adatokkal és azok megkérdőjelezés nélküli alkalmazásával. A felülvizsgálatot követően a határozatot emberi felügyelet alá helyezték és a zónákat korrigálták.
3. eset – A mesterséges intelligencia válaszának helytelen elkötelezettsége. Egy e-kereskedelmi vállalatnál az MI egy „termékét holnap biztosan kiszállítjuk” választ adott vásárlói panaszra; A szállítási idő azonban 3-5 nap volt. A képviselő kijavította a tervezetet és elküldte. Ha a tervezetet nem ellenőrizték volna, a hibás kötelezettségvállalás az ügyfelek elégedetlenségét és a hírnév kockázatát is eredményezte volna. Az AI-tervezet soha nem kerül közvetlenül az ügyfélhez.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Foglalja össze ezeket az ügyfelek panaszait, és írjon választ.[nyers szövegek: név, telefonszám]
Ez személyes adatokat ad át az eszköznek, és magában hordozza a hamis kötelezettségvállalás kockázatát.
Erőteljes felszólítás:
Az Ön szerepköre: Ön ügyfélélmény-elemző.Feldolgozza a következő ANONIMÁLT támogatási kérelmeket:- Minden kérést kategóriákba rendez (visszaküldés, műszaki, számlázás, egyéb).- A gyakori témák és a 3 leggyakoribb probléma kivonatolása.- Ha válaszvázlatot kérnek: tag [ÜGYNÖK MEGERŐSÍTÉSE] minden mondat, AMELY KÖTELEZETTSÉGET TARTALMAZ (dátum, összeg, visszaküldés); Ne tegyen határozott ígéreteket. - Ha személyes adatot lát a szövegben, figyelmeztessen, ne cselekedjen. Kérések (névtelen): [A ügyfél: ..., ügyfél B: ...]
A hatékony prompt kikényszeríti a névtelen adatokkal való munkát, megjelöli a kötelezettségvállalásokat és figyelmeztet a személyes adatok kiszivárgására.
Négy másolható sablon
1) Kereslet besorolása:
Rendezze a következő névtelen támogatási kérelmeket ezekbe a kategóriákba: [lista]. Adja meg a kategóriát és egy mondatos indoklást minden kérésnél. Ha kétségei vannak, írjon [UNCERTAIN]. Kérések: [szöveg]
2) Téma/betekintés kivonatolás:
Az alábbi névtelen vásárlói visszajelzésekből bontsa ki az 5 legnépszerűbb témát, mindegyik hozzávetőleges gyakoriságát és egy példa idézetet. Nem adatokon alapuló megjegyzések hozzáadása. Visszajelzések: [szöveg]
3) Választervezet (megerősítésre nyitva):
TERVEZZEN udvarias választ az alábbi névtelen panaszra. Minden olyan mondatot jelöljön meg [MEGERŐSÍTÉS], amely dátumot, összeget vagy visszáru ígéretet tartalmaz. Meghatározó időtartam; Használjon biztonságos nyelvezetet, például „a lehető leghamarabb értesítjük Önt”. Panasz: [szöveg]
4) Szegmens méltányosság-ellenőrzés:
Vizsgálja meg a következő szegmentációs kritériumokat: Melyik ügyfélcsoport kerülhet szisztematikusan hátrányos helyzetbe? Sorolja fel a torzítás lehetséges forrásait és az ellenőrzési javaslatokat. Kritériumok: [szöveg]
Összehasonlító táblázat: AI használata a CRM-ben
Quest
Az AI szerepe
Titoktartás miatt
végső döntést
Igény szerinti besorolás
automatikus címke
Anonimizálás
Tekintse át a mintát
Téma kivonat
betekintési vázlat
Anonimizálás
Elemzői megjegyzések
lemorzsolódás előrejelzése
Pontszám/javaslat
törvényes cél
az ember dönt
Választervezet
szövegtervezet
Kivéve a személyes adatokat
Képviselőt küld
Szegmens döntés
Javaslat
igazságügyi ellenőrzés
Üzleti egység + felügyelet
Gyakori hibák
- Személyes adatok megadása a járműnek nyers formában. A nevet, telefonszámot és TR azonosítót tartalmazó szöveg közvetlen feldolgozása a KVKK megsértése és a kiszivárgás veszélye.
- Az AI-válasz elküldése közvetlenül az ügyfélnek. A hamis kötelezettségvállalások és a hangvételi hibák reputációs kockázatot jelentenek; A képviselő visszaigazolása kötelező.
- A lemorzsolódás/szegmens döntését a modellre bízzuk. Az automatikus döntés megerősíti az elfogultságot; A javaslat a modellé, a döntés az emberé.
- Múltbeli adatok kérdés nélküli elfogadása. A múltbeli diszkrimináció mintáját „helyesnek” tanítják; Szükséges az igazságszolgáltatás.
- A mérőszám értelmezése kontextus nélkül. Mielőtt azt mondaná, hogy "csökkent az elégedettség", kérdezze meg, hogy melyik szegmensben, melyik időszakban és miért.
Vigyázat: Az ügyféladatok egy nap valódi személy magánéletét jelentik. Csak azért, mert egy kimenet „hasznos”, nem indokolja az adott személy adatainak védelem nélküli feldolgozását. Az anonimizálás és a célkorlátozás előfeltételek, nem pedig formalitások, amelyeket a gyorsaság kedvéért ki kell hagyni.
Összefoglalva
A CRM egy olyan rendszer, amely az ügyfelek interakcióit egy helyen gyűjti, és nagy mennyiségű személyes adatot tartalmaz. A mesterséges intelligencia hatalmas értéket teremt a szegmentálás, a lemorzsolódás elemzése és a szövegfeldolgozás során; A személyes adatok védelme azonban az első helyen áll: az anonimizálás, a célok korlátozása és a KVKK-nak való megfelelés elengedhetetlen. A lemorzsolódás és a szegmens döntései az elfogultság kockázatát hordozzák; A javaslat a modellé, a döntés az emberé. Az AI-válaszokat az ügyfélnek nem küldjük el az ügynök megerősítése nélkül. A mesterséges intelligencia felgyorsítja a betekintést, felelősséget és igazságosságot kölcsönöz az embereknek.
Pályázati feladat
Állítson be lemorzsolódási elemzési forgatókönyvet egy előfizetéses szolgáltatáshoz. (1) Illesszen 5 névtelen ügyfélprofilt (költés, utolsó interakció, panaszok száma). (2) Hatékony felszólítással készítsen szegmentálást és kockázatértelmezést. (3) Méltányosság-ellenőrzéssel kérdezze meg, hogy melyik csoport lehet tisztességtelen a modell által létrehozott szegmensek legalább egyikével szemben. (4) Kérje meg az MI-t, hogy készítsen választ egy névtelen panaszra, és jelölje meg azokat a mondatokat, amelyek kötelezettségvállalásokat tartalmaznak. (5) Írja be, hogy a nyers adatok helyett anonim adatokat használt, és hogy mely mezőket maszkolta.
ellenőrző lista
- [ ] I anonymized personal data before giving it to the tool.
- [ ] Értékeltem a célhoz kötöttséget és a KVKK megfelelést.
- [ ] Megkérdőjeleztem az elfogultságot és a tisztességességet a lemorzsolódásra/szegmensre vonatkozó döntésben.
- [ ] A döntést az emberekre bíztam; a modell csak javaslatokat hozott.
- [ ] Nem küldtem el mesterséges intelligencia válaszvázlatokat az ügynök megerősítése nélkül.
- [ ] A kötelezettségvállalásokat tartalmazó mondatokat is megjelöltem.