Dobički:
- Sposobnost razlage strukture podatkov o upravljanju odnosov s strankami (CRM) in vloge umetne inteligence pri segmentaciji in analizi odliva.
- Sposobnost uporabe umetne inteligence za ustvarjanje vpogledov, povzetkov in osnutkov odgovorov iz besedil strank, ob upoštevanju omejitev zaupnosti
- Sposobnost odgovornega omejevanja uporabe AI v CRM s prepoznavanjem tveganj osebnih podatkov, pristranskosti in avtomatiziranih odločitev
Upravljanje odnosov s strankami (CRM) je sistem in pristop, ki na enem mestu zbere vse interakcije organizacije s strankami (prodaja, podpora, trženje, zgodovina komuniciranja). Primeri so Salesforce, Microsoft Dynamics, HubSpot in izvorne rešitve. Srce CRM-ja je zagotavljanje "360-stopinjskega pogleda" na vsako stranko: kdo je kaj kupil, kdaj je stopil v stik z njim, kakšno pritožbo ima. Ti podatki usmerjajo prodajo in storitve. Vendar so tudi ti podatki v veliki meri osebni podatki, ki neposredno obdajajo uporabo umetne inteligence z zasebnostjo in mejami KVKK.
MIS specialist uporablja umetno inteligenco v CRM na dveh oseh. Prva je analitika: analize, kot so segmentacija, napovedovanje odliva, življenjska vrednost stranke. Drugi je obdelava besedila: povzemanje zahtevkov za podporo, njihovo razvrščanje, izdelava osnutkov odgovorov. Pri obeh je osnovno pravilo enako: zasebnost se oceni, preden se osebni podatki posredujejo orodju AI; Avtomatizirane odločitve, ki neposredno vplivajo na stranko, zahtevajo človeški nadzor in pravico do ugovora.
Segmentacija in analiza odliva
Segmentacija je proces razvrščanja strank v skupine na podlagi skupnih značilnosti: kupci, ki veliko zapravljajo, nove stranke, stranke v mirovanju. Dobra segmentacija zagotavlja posredovanje pravega sporočila pravi skupini. Analiza odliva poskuša predvideti, pri katerih kupcih obstaja tveganje odliva (opustitev nakupov, preklic naročnine). Vpogled v odliv neposredno vpliva na prihodke, saj je ohranitev stranke pogosto veliko cenejša kot pridobitev nove.
AI lahko pripravi osnutke in interpretacije teh analiz; Vendar je treba upoštevati dve pasti. Prvi je pristranskost: model obravnava zgodovinske podatke; Če je bilo določeni skupini v preteklosti posvečeno malo pozornosti, se lahko model nauči, da je skupina "nevredna" in nepoštena diskriminacija se okrepi. Druga je samodejna odločitev: prepuščanje odločitve, kot je "ta stranka bo izgubljena, ustavimo komunikacijo" samo modelu, je problematično tako z etičnega kot s pravnega vidika. Odločitev pripada osebi, predlog pripada modelu.
Nasvet: Preden uporabite rezultate modela odliva ali segmenta, se vprašajte, "do katere skupine bi bilo to razlikovanje nepravično?" Postavite vprašanje. To vprašanje lahko celo pripravite do umetne inteligence; vendar končna ocena pravičnosti pripada človeku.
Vpogled v besedila strank: Zasebnost
Najbogatejši, a najbolj občutljivi podatki CRM so prosta besedila: zahteve za podporo, zapiski o klicih, e-poštna sporočila. AI je zelo močan pri njihovem povzemanju, kategoriziranju in ustvarjanju osnutkov odgovorov. Vendar lahko ta besedila vsebujejo imena, telefonske številke, naslove ali celo zdravstvene ali finančne podatke. Zato se anonimizacija (odstranitev ali maskiranje polj, ki identificirajo osebo) uporabi pred vnašanjem besedila v orodje AI. Uporaba »Stranka A« namesto »Ahmet Yilmaz, številka stranke 0532 ...« ohranja zaupnost brez izgube vpogleda.
Tudi sestavljanje odgovora zahteva previdnost: odgovor, ki ga ustvari umetna inteligenca, je tekoč, vendar lahko vsebuje lažno obljubo (»vaš denar bo povrnjen v 24 urah«). Vsak odgovor stranki mora pred pošiljanjem preveriti pooblaščeni zastopnik. AI napiše osnutek, človek pošlje.
Trije mini kovčki: po številkah
1. primer – Zasebnost, zaščitena z anonimizacijo. V banki bi 20.000 zahtevkov za podporo razdelili v kategorije. Besedila so bila najprej očiščena imen, identifikacijskih številk in številk računov, oblikovana v format »Stranka X«, nato pa predana AI. Natančnost klasifikacije je bila 91-odstotna in v orodje niso šli nobeni osebni podatki. Če bi bilo podano neobdelano besedilo, bi obstajala nevarnost kršitve KVKK in uhajanja.
Primer 2 – Krepitev predsodkov. V enem telekomunikacijskem sistemu je model odliva sistematično označeval stranke v regiji z malo kampanjami v preteklosti kot "nizko vrednost" in v to regijo ni bila poslana nobena ponudba; Izguba se je povečala. Težava ni bila v modelu, temveč v preteklih pristranskih podatkih in njihovi uporabi brez dvoma. Po pregledu je bila odločitev dana pod človeški nadzor in coniranje je bilo popravljeno.
Primer 3 – Napačna zavezanost odziva umetne inteligence. V podjetju za e-trgovino je umetna inteligenca na pritožbo stranke pripravila odgovor »vaš izdelek bo zagotovo dostavljen jutri«; Vendar je bil čas pošiljanja 3-5 dni. Predstavnik je popravil osnutek in ga poslal. Če osnutka ne bi preverili, bi napačna zaveza povzročila nezadovoljstvo strank in tveganje za ugled. Osnutek AI nikoli ne gre neposredno do stranke.
Šibek poziv / močan poziv
Šibek poziv:
Povzemite te pritožbe strank in napišite odgovor.[neobdelana besedila: vključno z imenom, telefonom]
To daje orodju osebne podatke takšne, kot so, in nosi tveganje lažne zaveze.
Močan poziv:
Vaša vloga: Ste analitik uporabniške izkušnje. Obdelajte naslednje ANONIMIZIRANE zahteve za podporo: - Razvrstite vsako zahtevo v kategorijo (vračilo, tehnična, zaračunavanje, drugo). - Izluščite skupne teme in 3 najpogostejša vprašanja. - Če vas prosimo za osnutek odgovora: označite [POTRDILO ZASTOPNIKA] vsak stavek, KI VSEBUJE zavezo (datum, znesek, vračilo); Ne dajajte trdnih obljub. - Če v besedilu vidite osebne podatke, opozorite, ne ukrepajte. Zahteve (anonimne): [Stranka A: ..., Stranka B: ...]
Zmogljiv poziv uveljavlja delo z anonimnimi podatki, označevanje zavez in opozarjanje pred uhajanjem osebnih podatkov.
Štiri kopirane predloge
1) Klasifikacija povpraševanja:
Razvrstite naslednje anonimne zahteve za podporo v te kategorije: [seznam]. Za vsako zahtevo navedite kategorijo in utemeljitev v enem stavku. Če ste v dvomih, napišite [NEGOTOVO]. Zahteve: [besedilo]
2) Izvleček teme/vpogleda:
Iz spodnjih povratnih informacij anonimnih strank izluščite 5 najboljših tem, približno pogostost vsake in primer citata. Dodajanje komentarjev, ki ne temeljijo na podatkih. Povratne informacije: [besedilo]
3) Osnutek odgovora (odprt za potrditev):
OSNUTEK vljudnega odgovora na spodnjo anonimno pritožbo. Vsak stavek označite z [POTRDILO], ki vsebuje datum, znesek ali obljubo vračila. Dokončno trajanje; Uporabite varen jezik, kot je "obvestili vas bomo takoj, ko bo mogoče." Pritožba: [besedilo]
4) Nadzor poštenosti segmenta:
Preglejte naslednja merila segmentacije: Katera skupina strank bi lahko bila sistematično prikrajšana? Navedite možne vire pristranskosti in nadzorujte predloge. Merila: [besedilo]
Primerjalna tabela: Uporaba AI v CRM
Iskanje
Vloga AI
Zaradi zaupnosti
končna odločitev
Klasifikacija povpraševanja
samodejna oznaka
Anonimiziraj
Pregledni vzorec
Ekstrakcija teme
vpogledna skica
Anonimiziraj
Komentarji analitikov
napovedovanje odliva
Ocena/predlog
legitimen cilj
človek se odloči
Osnutek odgovora
osnutek besedila
Razen osebnih podatkov
Pošlje predstavnika
Odločitev o segmentu
Predlog
pravosodni nadzor
Poslovna enota + nadzor
Pogoste napake
- Dajanje osebnih podatkov vozilu v neobdelani obliki. Neposredna obdelava besedila, ki vsebuje ime, telefonsko številko in TR ID, je kršitev KVKK in tveganje uhajanja.
- Pošiljanje odgovora AI neposredno stranki. Lažne zaveze in tonske napake ustvarjajo tveganja za ugled; Potrditev predstavnika je obvezna.
- Prepuščanje odločitve o odlivu/segmentu modelu. Samodejna odločitev krepi pristranskost; Predlog je modelov, odločitev je človekova.
- Sprejemanje preteklih podatkov brez vprašanj. Vzorec pretekle diskriminacije se poučuje kot "pravilen"; Potreben je pravosodni nadzor.
- Razlaga metrike brez konteksta. Preden rečete »zadovoljstvo se je zmanjšalo«, se morate vprašati, v katerem segmentu, v katerem obdobju in zakaj.
Pozor: Podatki o strankah bodo nekega dne zasebnost resnične osebe. Samo zato, ker je rezultat "uporaben", ne opravičuje obdelave podatkov te osebe brez zaščite. Anonimizacija in omejitev namena sta predpogoja, ne pa formalnosti, ki jih je treba zaradi hitrosti preskočiti.
Če povzamem
CRM je sistem, ki na enem mestu zbira interakcijo s strankami in vsebuje veliko količino osebnih podatkov. AI ustvarja močno vrednost pri segmentaciji, analizi odliva in obdelavi besedila; Zasebnost osebnih podatkov pa je na prvem mestu: bistvenega pomena so anonimizacija, omejitev namena in skladnost s KVKK. Odločitve o odlivu in segmentih prinašajo tveganje pristranskosti; Predlog pripada modelu, odločitev pripada osebi. Odgovori AI stranki ne bodo poslani brez potrditve agenta. AI pospešuje vpogled, prinaša odgovornost in pravičnost ljudem.
Aplikacijska naloga
Nastavite scenarij analize odliva za naročniško storitev. (1) Prilagodite 5 anonimnih profilov strank (poraba, zadnja interakcija, število pritožb). (2) Ustvarite segmentacijo in razlago tveganja z močnim pozivom. (3) Poizvedba s preverjanjem poštenosti, katera skupina bi lahko bila nepoštena do vsaj enega od segmentov, ki jih proizvaja model. (4) Naj AI pripravi osnutek odgovora na anonimno pritožbo in označi stavke, ki vsebujejo zaveze. (5) Napišite, da ste uporabili anonimizirane podatke namesto neobdelanih podatkov in katera polja ste maskirali.
kontrolni seznam
- [ ] Osebne podatke sem anonimiziral, preden sem jih dal orodju.
- [ ] Ocenil sem omejitev namena in skladnost s KVKK.
- [ ] Dvomil sem o pristranskosti in poštenosti pri odločitvi o odlivu/segmentu.
- [ ] Odločitev sem prepustil ljudem; model je ustvaril samo predloge.
- [] Nisem poslal osnutkov odgovorov AI brez potrditve agenta.
- [ ] Označila sem tudi povedi, ki vsebujejo zaveze.