Zyski:
- Umiejętność wyjaśnienia struktury danych do zarządzania relacjami z klientami (CRM) oraz roli sztucznej inteligencji w segmentacji i analizie churn.
- Możliwość wykorzystania sztucznej inteligencji do tworzenia spostrzeżeń, podsumowań i projektów odpowiedzi na podstawie tekstów klientów, przy jednoczesnym przestrzeganiu granic poufności
- Umiejętność odpowiedzialnego ograniczania wykorzystania sztucznej inteligencji w CRM poprzez rozpoznawanie ryzyka związanego z danymi osobowymi, stronniczością i automatycznymi decyzjami
Zarządzanie relacjami z klientami (CRM) to system i podejście, które gromadzi wszystkie interakcje organizacji z klientami (sprzedaż, wsparcie, marketing, historia komunikacji) w jednym miejscu. Przykładami są Salesforce, Microsoft Dynamics, HubSpot i rozwiązania natywne. Sercem CRM jest zapewnienie „widoku 360 stopni” każdego klienta: kto co kupił, kiedy się z nim kontaktował, jaką miał reklamację. Dane te kierują zarówno sprzedażą, jak i obsługą. Jednak dane te są również w dużej mierze danymi osobowymi, które bezpośrednio otaczają wykorzystanie sztucznej inteligencji z granicami prywatności i KVKK.
Specjalista MIS wykorzystuje sztuczną inteligencję w CRM na dwóch osiach. Pierwsza to analityka: analizy takie jak segmentacja, przewidywanie rezygnacji, wartość życiowa klienta. Drugi to przetwarzanie tekstu: podsumowywanie próśb o wsparcie, klasyfikowanie ich, tworzenie wersji roboczych odpowiedzi. W obu przypadkach podstawowa zasada jest taka sama: prywatność jest oceniana przed przekazaniem danych osobowych narzędziu AI; Zautomatyzowane decyzje, które bezpośrednio wpływają na klienta, wymagają nadzoru człowieka i prawa do sprzeciwu.
Analiza segmentacji i rezygnacji
Segmentacja to proces grupowania klientów w oparciu o wspólne cechy: osoby wydające dużo, nowi klienci, klienci nieaktywni. Dobra segmentacja zapewnia dostarczenie odpowiedniego komunikatu do właściwej grupy. Analiza rezygnacji ma na celu przewidzenie, którzy klienci są narażeni na ryzyko rezygnacji (porzucenie zakupów, anulowanie subskrypcji). Informacje o rezygnacji bezpośrednio przekładają się na przychody, ponieważ utrzymanie klienta jest często znacznie tańsze niż pozyskanie nowego.
Sztuczna inteligencja może tworzyć projekty i interpretacje tych analiz; Należy jednak wziąć pod uwagę dwie pułapki. Pierwszym z nich jest błąd: model uwzględnia dane historyczne; Jeśli w przeszłości niewielkiej uwagi poświęcano konkretnej grupie, model może nauczyć się, że grupa ta jest „niegodna”, co pogłębia nieuczciwą dyskryminację. Drugie to decyzja automatyczna: pozostawienie decyzji typu „ten klient zostanie stracony, przestańmy się komunikować” samemu modelowi jest problematyczne zarówno pod względem etycznym, jak i prawnym. Decyzja należy do osoby, sugestia należy do modelu.
Wskazówka: zanim wykorzystasz wyniki modelu rezygnacji lub modelu segmentacji, zadaj sobie pytanie: „wobec której grupy to rozróżnienie może być niesprawiedliwe?” Zadaj pytanie. Możesz nawet zmusić sztuczną inteligencję do zadania tego pytania; ale ostateczna ocena sprawiedliwości należy do człowieka.
Wnioski z SMS-ów klientów: Prywatność
Najbogatsze, ale najbardziej wrażliwe dane CRM to dowolny tekst: prośby o pomoc, notatki z rozmów telefonicznych, e-maile. Sztuczna inteligencja ma ogromną moc w podsumowywaniu ich, kategoryzowaniu i generowaniu projektów odpowiedzi. Jednakże teksty te mogą zawierać nazwiska, numery telefonów, adresy, a nawet informacje zdrowotne lub finansowe. Dlatego przed przesłaniem tekstu do narzędzia AI stosowana jest anonimizacja (usuwanie lub maskowanie pól identyfikujących osobę). Użycie „Klient A” zamiast „Ahmet Yilmaz, numer klienta 0532…” pozwala zachować poufność bez utraty wglądu.
Przygotowanie odpowiedzi również wymaga ostrożności: odpowiedź wygenerowana przez sztuczną inteligencję jest płynna, ale może zawierać fałszywą obietnicę („Twoje pieniądze zostaną zwrócone w ciągu 24 godzin”). Każda odpowiedź udzielona klientowi musi zostać sprawdzona przez upoważnionego przedstawiciela przed wysłaniem. AI pisze wersję roboczą, człowiek wysyła.
Trzy mini etui: w liczbach
Przypadek 1 – Prywatność chroniona poprzez anonimizację. W banku 20 000 wniosków o pomoc zostałoby podzielonych na kategorie. Wiadomości zostały najpierw oczyszczone z nazwisk, numerów identyfikacyjnych i numerów kont, sformatowane do formatu „Klient X”, a następnie przekazane AI. Dokładność klasyfikacji wyniosła 91%, a do narzędzia nie trafiały żadne dane osobowe. Gdyby podano surowy tekst, istniałoby ryzyko zarówno naruszenia KVKK, jak i wycieku.
Przypadek 2 – Wzmocnienie uprzedzeń. W jednym przedsiębiorstwie telekomunikacyjnym model rezygnacji systematycznie oznaczał klientów w regionie, w którym w przeszłości niewiele było kampanii, jako „niską wartość” i do tego regionu nie wysyłano żadnych ofert; Strata wzrosła. Problem nie polegał na modelu, ale na danych obciążonych przeszłością i zastosowaniu ich bez kwestionowania. Po rozpatrzeniu decyzja została objęta nadzorem człowieka i skorygowano podział na strefy.
Przypadek 3 – Błędne zaangażowanie reakcji AI. W firmie zajmującej się handlem elektronicznym sztuczna inteligencja przygotowała odpowiedź „Twój produkt na pewno zostanie dostarczony jutro” na skargę klienta; Jednak czas wysyłki wynosił 3-5 dni. Przedstawiciel poprawił projekt i wysłał go. Jeżeli projekt nie zostałby sprawdzony, niewłaściwe zobowiązanie spowodowałoby zarówno niezadowolenie klientów, jak i ryzyko utraty reputacji. Projekt AI nigdy nie trafia bezpośrednio do klienta.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Podsumuj skargi klientów i napisz odpowiedź. [surowe teksty: zawierające imię i nazwisko, telefon]
Daje to narzędzie dane osobowe w niezmienionej postaci i niesie ze sobą ryzyko fałszywego zaangażowania.
Potężny monit:
Twoja rola: Jesteś analitykiem doświadczeń klientów. Przetwarzaj następujące ANONIMOWE prośby o pomoc: - Sortuj każde żądanie według kategorii (zwrot, techniczne, rozliczeniowe i inne). - Wyodrębnij typowe tematy i 3 najczęstsze problemy. - Jeśli zostaniesz poproszony o wersję roboczą odpowiedzi: oznacz [POTWIERDZENIE AGENTÓW] każde zdanie ZAWIERAJĄce zobowiązanie (data, kwota, zwrot); Nie składaj stanowczych obietnic. - Jeśli widzisz w tekście dane osobowe, ostrzegaj, a nie działaj. Żądania (anonimowe): [Klient A: ..., Klient B: ...]
Potężny monit wymusza pracę z anonimowymi danymi, oznaczanie zobowiązań i ostrzeganie przed wyciekiem danych osobowych.
Cztery szablony do kopiowania
1) Klasyfikacja popytu:
Posortuj następujące anonimowe prośby o pomoc według następujących kategorii: [lista]. Podaj kategorię i jednozdaniowe uzasadnienie każdej prośby. W razie wątpliwości napisz [NIEPEWNE]. Prośby: [tekst]
2) Ekstrakcja motywu/spostrzeżeń:
Z poniższych anonimowych opinii klientów wyodrębnij 5 najważniejszych tematów, przybliżoną częstotliwość każdego z nich i przykładową wycenę. Dodawanie komentarzy, które nie są oparte na danych. Informacje zwrotne: [tekst]
3) Projekt odpowiedzi (otwarty do potwierdzenia):
PRZYGOTUJ uprzejmą odpowiedź na poniższą anonimową skargę. Oznacz każde zdanie [POTWIERDZENIE], które zawiera datę, kwotę lub obietnicę zwrotu. Ostateczny czas trwania; Używaj bezpiecznego języka, np. „poinformujemy Cię tak szybko, jak to możliwe”. Reklamacja: [tekst]
4) Kontrola uczciwości segmentu:
Przeanalizuj następujące kryteria segmentacji: Która grupa klientów może być systematycznie dyskryminowana? Wymień możliwe źródła uprzedzeń i sugestie dotyczące kontroli. Kryteria: [tekst]
Tabela porównawcza: Wykorzystanie AI w CRM
Zadanie
Rola sztucznej inteligencji
Ze względu na poufność
ostateczna decyzja
Klasyfikacja popytu
etykieta automatyczna
Anonimizuj
Przejrzyj próbkę
Ekstrakcja motywu
szkic wglądu
Anonimizuj
Analityk komentuje
przewidywanie rezygnacji
Ocena/sugestia
uzasadniony cel
decyduje człowiek
Projekt odpowiedzi
projekt tekstu
Z wyjątkiem danych osobowych
Wysyła przedstawiciela
Decyzja segmentowa
Sugestia
kontrola sprawiedliwości
Jednostka biznesowa + nadzór
Typowe błędy
- Podanie danych osobowych pojazdu w postaci surowej. Bezpośrednie przetwarzanie tekstu zawierającego imię i nazwisko, numer telefonu i identyfikator TR stanowi naruszenie KVKK i ryzyko wycieku.
- Wysłanie odpowiedzi AI bezpośrednio do klienta. Fałszywe zobowiązania i błędy tonalne stwarzają ryzyko dla reputacji; Potwierdzenie przedstawiciela jest obowiązkowe.
- Pozostawienie decyzji o rezygnacji/segmencie modelowi. Automatyczna decyzja wzmacnia stronniczość; Sugestia należy do modelu, decyzja należy do człowieka.
- Akceptowanie przeszłych danych bez zastrzeżeń. Wzorzec dyskryminacji z przeszłości jest nauczany jako „poprawny”; Kontrola sprawiedliwości jest konieczna.
- Interpretacja metryki bez kontekstu. Zanim powiesz „satysfakcja spadła”, warto zadać sobie pytanie, w którym segmencie, w jakim okresie i dlaczego.
Uwaga: Dane klientów pewnego dnia stanowią prywatność prawdziwej osoby. Tylko dlatego, że wynik jest „przydatny”, nie usprawiedliwia przetwarzania danych tej osoby bez ochrony. Anonimizacja i ograniczenie celu to warunki wstępne, a nie formalności, które należy pominąć ze względu na szybkość.
Podsumowując
CRM to system, który gromadzi w jednym miejscu interakcje z klientami i zawiera dużą ilość danych osobowych. Sztuczna inteligencja generuje potężną wartość w segmentacji, analizie rezygnacji i przetwarzaniu tekstu; Jednak prywatność danych osobowych jest na pierwszym miejscu: anonimowość, ograniczenie celu i zgodność z KVKK są niezbędne. Decyzje dotyczące rezygnacji i segmentacji niosą ze sobą ryzyko stronniczości; Sugestia należy do modelu, decyzja należy do osoby. Odpowiedzi AI do klienta nie zostaną wysłane bez potwierdzenia agenta. Sztuczna inteligencja przyspiesza wgląd, zapewnia ludziom odpowiedzialność i sprawiedliwość.
Zadanie aplikacji
Skonfiguruj scenariusz analizy rezygnacji dla usługi subskrypcji. (1) Dopasuj 5 anonimowych profili klientów (wydatki, ostatnia interakcja, liczba reklamacji). (2) Przygotuj segmentację i interpretację ryzyka za pomocą potężnego podpowiedzi. (3) Zapytanie z weryfikacją uczciwości, która grupa może być nieuczciwa w stosunku do przynajmniej jednego z segmentów generowanych przez model. (4) Poproś sztuczną inteligencję o przygotowanie odpowiedzi na anonimową skargę i zaznaczenie zdań zawierających zobowiązania. (5) Napisz, że zamiast danych surowych użyłeś danych anonimowych i które pola zamaskowałeś.
lista kontrolna
- [ ] Zanonimizowałem dane osobowe przed podaniem ich do narzędzia.
- [ ] Oceniłem ograniczenie celu i zgodność z KVKK.
- [ ] Kwestionowałem stronniczość i uczciwość decyzji o rezygnacji/segmencie.
- [ ] Decyzję pozostawiłem ludziom; model przedstawił jedynie sugestie.
- [ ] Nie wysłałem wersji roboczych odpowiedzi AI bez potwierdzenia agenta.
- [ ] Zaznaczyłem także zdania zawierające zobowiązania.