Ieguvumi:
- Spēja izskaidrot klientu attiecību pārvaldības (CRM) datu struktūru un mākslīgā intelekta lomu segmentācijā un churn analīzē.
- Spēja izmantot mākslīgo intelektu, lai sagatavotu ieskatus, kopsavilkumus un atbilžu melnrakstus no klientu tekstiem, vienlaikus ievērojot konfidencialitātes ierobežojumus
- Spēja atbildīgi ierobežot AI izmantošanu CRM, apzinoties riskus, kas saistīti ar personas datiem, neobjektivitāti un automatizētiem lēmumiem
Klientu attiecību pārvaldība (CRM) ir sistēma un pieeja, kas vienuviet apkopo visas organizācijas mijiedarbības ar klientiem (pārdošana, atbalsts, mārketings, komunikācijas vēsture). Piemēri ir Salesforce, Microsoft Dynamics, HubSpot un vietējie risinājumi. CRM būtība ir nodrošināt “360 grādu skatījumu” par katru klientu: kurš ko iegādājies, kad ar viņu sazinājās, kādas sūdzības viņam ir. Šie dati norāda gan pārdošanu, gan apkalpošanu. Tomēr šie dati arī lielā mērā ir personas dati, kas mākslīgā intelekta izmantošanu tieši ieskauj ar privātuma un KVKK robežām.
MIS speciālists izmanto mākslīgo intelektu CRM uz divām asīm. Pirmā ir analītika: tādas analīzes kā segmentēšana, atteikšanās prognozēšana, klienta mūža vērtība. Otrais ir teksta apstrāde: atbalsta pieprasījumu apkopošana, klasificēšana, atbilžu melnrakstu sagatavošana. Abos pamatnoteikums ir vienāds: privātums tiek novērtēts pirms personas datu nodošanas AI rīkam; Automatizētiem lēmumiem, kas tieši ietekmē klientu, nepieciešama cilvēka uzraudzība un tiesības iebilst.
Segmentācija un atteikšanās analīze
Segmentācija ir klientu grupēšanas process, pamatojoties uz kopīgām pazīmēm: lieli tērētāji, jauni klienti, neaktīvi klienti. Laba segmentācija nodrošina īstā ziņojuma nodošanu pareizajai grupai. Atteikšanās analīzē tiek mēģināts paredzēt, kuri klienti ir pakļauti atteikšanās riskam (atteikšanās no pirkumiem, abonementa atcelšana). Ieskats par apgrozījumu tieši ietekmē ieņēmumus, jo klienta noturēšana bieži vien ir daudz lētāka nekā jauna iegūšana.
AI var sagatavot šo analīžu uzmetumus un interpretācijas; Tomēr ir jāņem vērā divi slazdi. Pirmā ir neobjektivitāte: modelis aplūko vēsturiskos datus; Ja kādai konkrētai grupai pagātnē ir pievērsta maz uzmanības, modelis var uzzināt, ka šī grupa ir "necienīga", un tiek pastiprināta negodīga diskriminācija. Otrs ir automātisks lēmums: atstāt modeli, piemēram, "šis klients pazudīs, pārtrauksim komunikāciju", ir problemātiski gan ētiski, gan juridiski. Lēmums pieder cilvēkam, ierosinājums – modelim.
Padoms. Pirms izmantojat atteikšanās vai segmentu modeļa rezultātus, pajautājiet, "kurai grupai šī atšķirība varētu būt negodīga?" Uzdodiet jautājumu. Jūs pat varat likt mākslīgajam intelektam uzdot šo jautājumu; bet galīgais taisnīguma novērtējums pieder cilvēkam.
Ieskats no klientu tekstiem: Privātums
CRM bagātākie, bet sensitīvākie dati ir brīvs teksts: atbalsta pieprasījumi, zvanu piezīmes, e-pasta ziņojumi. AI spēj tos apkopot, klasificēt un ģenerēt atbildes uzmetumus. Tomēr šajos tekstos var būt ietverti vārdi, tālruņu numuri, adreses vai pat informācija par veselību vai finanšu informāciju. Tāpēc pirms teksta ievadīšanas mākslīgā intelekta rīkā tiek veikta anonimizācija (personu identificējošu lauku noņemšana vai maskēšana). Izmantojot "klientu A", nevis "Ahmet Yilmaz, klienta numurs 0532...", tiek saglabāta konfidencialitāte, nezaudējot ieskatu.
Arī atbildes sastādīšana prasa rūpību: mākslīgā intelekta ģenerētā atbilde ir mainīga, taču tajā var būt nepatiess solījums (“jūsu nauda tiks atmaksāta 24 stundu laikā”). Katra klientam adresēta atbilde pirms nosūtīšanas ir jāpārbauda pilnvarotajam pārstāvim. AI raksta melnrakstu, cilvēks sūta.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — konfidencialitāti aizsargā anonimizācija. Bankā 20 000 atbalsta pieprasījumu tiktu sadalīti kategorijās. Tekstos vispirms tika notīrīti vārdi, ID numuri un kontu numuri, tie tika formatēti “Klients X” formātā un pēc tam tika nodoti AI. Klasifikācijas precizitāte bija 91%, un rīkā netika ievadīti personas dati. Ja tiktu sniegts neapstrādāts teksts, pastāvētu gan KVKK pārkāpuma, gan noplūdes risks.
2. gadījums — aizspriedumu pastiprināšana. Vienā telekomunikācijā churn modelis sistemātiski atzīmēja klientus reģionā, kurā iepriekš bija maz kampaņu, kā “zemas vērtības”, un uz šo reģionu netika nosūtīti piedāvājumi; Zaudējums pieauga. Problēma nebija saistīta ar modeli, bet gan ar pagātnes neobjektīviem datiem un to piemērošanu bez apšaubīšanas. Pēc izskatīšanas lēmums tika nodots cilvēku uzraudzībā un zonējums tika labots.
3. gadījums — nepareiza AI reakcija. E-komercijas uzņēmumā AI uz klienta sūdzību sagatavoja atbildi “jūsu produkts noteikti tiks piegādāts rīt”; Tomēr piegādes laiks bija 3-5 dienas. Pārstāvis melnrakstu izlaboja un nosūtīja. Ja projekts netiktu pārbaudīts, nepareiza apņemšanās būtu radījusi gan klientu neapmierinātību, gan reputācijas risku. AI melnraksts nekad nenonāk tieši pie klienta.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Apkopojiet šīs klientu sūdzības un uzrakstiet atbildi.[neapstrādāti teksti: tostarp vārds, tālrunis]
Tādējādi rīkam tiek sniegti personas dati tādi, kādi tie ir, un pastāv nepatiesas saistības risks.
Spēcīga uzvedne:
Jūsu loma: Jūs esat klientu pieredzes analītiķis.Apstrādājiet šādus ANONIMOZĒTO atbalsta pieprasījumus:- Kārtojiet katru pieprasījumu kategorijās (atgriešana, tehniskie, norēķini, citi).- Izvelciet izplatītākās tēmas un 3 visbiežāk sastopamās problēmas.- Ja tiek prasīts atbildes uzmetums: atzīmējiet [ĀĢENTA APSTIPRINĀJUMS] katrs teikums, KAS SAISTĪTĀS saistības (datums, summa, atgriešana); Nedodiet stingrus solījumus. - Ja tekstā redzat personas datus, brīdiniet, nevis rīkojieties. Pieprasījumi (anonīmi): [Klients A: ..., Klients B: ...]
Spēcīgā uzvedne nodrošina darbu ar anonīmiem datiem, atzīmējot saistības un brīdinot par personas datu noplūdi.
Četras kopējamas veidnes
1) Pieprasījuma klasifikācija:
Sakārtojiet tālāk norādītos anonīmos atbalsta pieprasījumus šajās kategorijās: [saraksts]. Katram pieprasījumam sniedziet kategoriju un viena teikuma pamatojumu. Ja rodas šaubas, rakstiet [NESKAIDRĪTS]. Pieprasījumi: [teksts]
2) Tēmas/ieskata izgūšana:
No tālāk sniegtajām anonīmajām klientu atsauksmēm izņemiet 5 populārākās tēmas, katras aptuveno biežumu un citātu piemēru. Komentāru pievienošana, kas nav balstīti uz datiem. Atsauksmes: [teksts]
3) Atbildes melnraksts (atvērts apstiprināšanai):
IZSTRĀDĀT pieklājīgu atbildi uz tālāk norādīto anonīmo sūdzību. Apzīmējiet katru teikumu ar [APSTIPRINĀJUMS], kas satur datumu, summu vai atgriešanas solījumu. Galīgais ilgums; Izmantojiet drošu valodu, piemēram, "mēs jūs informēsim, cik drīz vien iespējams". Sūdzība: [teksts]
4) Segmentu godīguma kontrole:
Pārbaudiet šādus segmentācijas kritērijus: Kura klientu grupa varētu būt sistemātiski nelabvēlīgā situācijā? Uzskaitiet iespējamos neobjektivitātes avotus un kontroles ieteikumus. Kritēriji: [teksts]
Salīdzinājuma diagramma: AI izmantošana CRM
Meklējumi
AI loma
Konfidencialitātes dēļ
galīgais lēmums
Pieprasījuma klasifikācija
auto etiķete
Anonimizēt
Pārskatiet paraugu
Tēmas izvilkšana
ieskatu skice
Anonimizēt
Analītiķu komentāri
churn prognoze
Rezultāts/ieteikums
leģitīms mērķis
cilvēks izlemj
Atbildes melnraksts
teksta melnraksts
Izņemot personas datus
Nosūta pārstāvi
Segmenta lēmums
Ieteikums
tieslietu kontrole
Biznesa vienība + pārraudzība
Biežas kļūdas
- Personas datu sniegšana transportlīdzeklim neapstrādātā veidā. Teksta, kurā ir vārds, tālruņa numurs un TR ID, tieša apstrāde ir KVKK pārkāpums un noplūdes risks.
- AI atbildes nosūtīšana tieši klientam. Nepatiesas saistības un tonālās kļūdas rada reputācijas riskus; Pārstāvja apstiprinājums ir obligāts.
- Atstājot atteikšanās/segmenta lēmumu modelim. Automātisks lēmums pastiprina neobjektivitāti; Ieteikums ir modeļa, lēmums ir cilvēka.
- Iepriekšējo datu pieņemšana bez šaubām. Pagātnes diskriminācijas modelis tiek mācīts kā "pareizs"; Nepieciešama tiesiskuma kontrole.
- Metrikas interpretācija bez konteksta. Pirms teikt "apmierinātība ir samazinājusies", jāpajautā, kurā segmentā, kurā periodā un kāpēc.
Uzmanību: Klientu dati kādu dienu ir reālas personas privātums. Tas, ka izvade ir “noderīga”, neattaisno šīs personas datu apstrādi bez aizsardzības. Anonimizēšana un mērķa ierobežošana ir priekšnoteikumi, nevis formalitātes, kas jāizlaiž ātruma labad.
Rezumējot
CRM ir sistēma, kas apkopo klientu mijiedarbību vienuviet un satur lielu daudzumu personas datu. AI ģenerē spēcīgu vērtību segmentācijā, izmaiņu analīzē un teksta apstrādē; Tomēr personas datu privātums ir pirmajā vietā: anonimizācija, mērķa ierobežošana un KVKK atbilstība ir būtiska. Lēmumi par atteikšanos un segmentu ietver neobjektivitātes risku; Ierosinājums pieder modelim, lēmums pieder cilvēkam. AI atbildes klientam netiks nosūtītas bez aģenta apstiprinājuma. AI paātrina ieskatu, rada atbildību un taisnīgumu cilvēkiem.
Lietojumprogrammas uzdevums
Iestatiet abonēšanas pakalpojuma atcelšanas analīzes scenāriju. (1) Atbilst 5 anonīmiem klientu profiliem (tēriņi, pēdējā mijiedarbība, sūdzību skaits). (2) Veiciet segmentācijas un riska interpretāciju, izmantojot spēcīgu uzvedni. (3) Vaicājiet ar godīguma pārbaudi, kura grupa varētu būt negodīga pret vismaz vienu no modeļa radītajiem segmentiem. (4) Lieciet AI sagatavot atbildes uz anonīmu sūdzību un atzīmējiet teikumus, kuros ir ietvertas saistības. (5) Uzrakstiet, ka izmantojāt anonimizētus datus, nevis neapstrādātus datus, un ierakstiet, kurus laukus maskējāt.
kontrolsaraksts
- [ ] Es anonimizēju personas datus pirms to nodošanas rīkam.
- [ ] Es novērtēju mērķa ierobežojumu un KVKK atbilstību.
- [ ] Es apšaubīju neobjektivitāti un taisnīgumu lēmumā par atteikšanos/segmentu.
- [ ] Lēmumu es atstāju cilvēku ziņā; modelis sniedza tikai ieteikumus.
- [ ] Es nesūtīju AI atbilžu melnrakstus bez aģenta apstiprinājuma.
- [ ] Es atzīmēju arī teikumus, kas satur saistības.