Lợi nhuận:
- Khả năng giải thích cấu trúc dữ liệu quản lý quan hệ khách hàng (CRM) và vai trò của trí tuệ nhân tạo trong phân tích phân đoạn và phân tích.
- Khả năng sử dụng trí tuệ nhân tạo để tạo ra thông tin chi tiết, tóm tắt và dự thảo phản hồi từ văn bản của khách hàng, đồng thời tuân thủ các giới hạn bảo mật
- Khả năng hạn chế một cách có trách nhiệm việc sử dụng AI trong CRM bằng cách nhận biết các rủi ro về dữ liệu cá nhân, sự thiên vị và các quyết định tự động
Quản lý quan hệ khách hàng (CRM) là một hệ thống và cách tiếp cận tập hợp tất cả các tương tác của tổ chức với khách hàng (bán hàng, hỗ trợ, tiếp thị, lịch sử giao tiếp) vào một nơi. Salesforce, Microsoft Dynamics, HubSpot và các giải pháp gốc là những ví dụ. Trọng tâm của CRM là cung cấp “cái nhìn 360 độ” về từng khách hàng: ai đã mua gì, họ liên hệ khi nào, họ có khiếu nại gì. Dữ liệu này chỉ đạo cả bán hàng và dịch vụ. Tuy nhiên, dữ liệu này phần lớn cũng là dữ liệu cá nhân, liên quan trực tiếp đến việc sử dụng trí tuệ nhân tạo với các ranh giới về quyền riêng tư và KVKK.
Chuyên gia MIS sử dụng trí tuệ nhân tạo trong CRM trên hai trục. Đầu tiên là phân tích: các phân tích như phân khúc, dự đoán tỷ lệ rời bỏ, giá trị trọn đời của khách hàng. Thứ hai là xử lý văn bản: tổng hợp các yêu cầu hỗ trợ, phân loại, đưa ra bản thảo phản hồi. Ở cả hai trường hợp, quy tắc cơ bản đều giống nhau: quyền riêng tư được đánh giá trước khi cung cấp dữ liệu cá nhân cho công cụ AI; Các quyết định tự động ảnh hưởng trực tiếp đến khách hàng cần có sự giám sát của con người và quyền phản đối.
Phân tích phân khúc và rời bỏ
Phân khúc là quá trình phân nhóm khách hàng dựa trên những đặc điểm chung: người chi tiêu nhiều, khách hàng mới, khách hàng không hoạt động. Phân khúc tốt đảm bảo truyền tải đúng thông điệp đến đúng nhóm. Phân tích rời bỏ cố gắng dự đoán khách hàng nào có nguy cơ rời bỏ (từ bỏ mua hàng, hủy đăng ký). Thông tin chi tiết về khách hàng rời bỏ trực tiếp khai thác doanh thu vì việc giữ chân khách hàng thường rẻ hơn nhiều so với việc tìm kiếm khách hàng mới.
AI có thể tạo ra bản nháp và diễn giải những phân tích này; Tuy nhiên, có hai cái bẫy cần được xem xét. Đầu tiên là sai lệch: mô hình xem xét dữ liệu lịch sử; Nếu trước đây người ta ít chú ý đến một nhóm cụ thể, thì mô hình có thể cho rằng nhóm đó là "không xứng đáng" và sự phân biệt đối xử không công bằng sẽ được củng cố. Thứ hai là quyết định tự động: để lại một quyết định như “khách hàng này sẽ mất, chúng ta ngừng liên lạc” cho riêng người mẫu là có vấn đề cả về mặt đạo đức và pháp lý. Quyết định thuộc về con người, đề xuất thuộc về hình mẫu.
Mẹo: Trước khi sử dụng kết quả của mô hình rời bỏ hoặc phân khúc, hãy hỏi "sự phân biệt này có thể không công bằng đối với nhóm nào?" Đặt câu hỏi. Bạn thậm chí có thể khiến trí tuệ nhân tạo đặt câu hỏi này; nhưng sự đánh giá cuối cùng về công lý thuộc về con người.
Thông tin chi tiết từ văn bản của khách hàng: Quyền riêng tư
Dữ liệu phong phú nhất nhưng nhạy cảm nhất của CRM là văn bản miễn phí: yêu cầu hỗ trợ, ghi chú cuộc gọi, email. AI rất mạnh mẽ trong việc tóm tắt, phân loại chúng và tạo ra các bản nháp phản hồi. Tuy nhiên, những văn bản này có thể chứa tên, số điện thoại, địa chỉ hoặc thậm chí thông tin sức khỏe hoặc tài chính. Đó là lý do tại sao tính năng ẩn danh (xóa hoặc che các trường nhận dạng một người) được áp dụng trước khi đưa văn bản vào công cụ AI. Sử dụng "Khách hàng A" thay vì "Ahmet Yilmaz, số khách hàng 0532..." sẽ bảo toàn tính bảo mật mà không làm mất đi thông tin chi tiết.
Việc soạn thảo phản hồi cũng cần phải cẩn thận: phản hồi do AI tạo ra rất linh hoạt nhưng có thể chứa một lời hứa sai lầm (“tiền của bạn sẽ được hoàn lại sau 24 giờ”). Mọi phản hồi gửi tới khách hàng đều phải được người đại diện có thẩm quyền kiểm tra trước khi gửi đi. AI viết bản nháp, con người gửi.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Quyền riêng tư được bảo vệ bằng cách ẩn danh. Trong một ngân hàng, 20.000 yêu cầu hỗ trợ sẽ được chia thành các loại. Các văn bản đầu tiên được xóa tên, số ID và số tài khoản, được định dạng thành định dạng "Khách hàng X", sau đó được đưa cho AI. Độ chính xác phân loại là 91% và không có dữ liệu cá nhân nào được đưa vào công cụ. Nếu đưa văn bản thô sẽ có nguy cơ vi phạm và rò rỉ KVKK.
Trường hợp 2 - Củng cố thành kiến. Trong một công ty viễn thông, mô hình rời bỏ đã gắn cờ một cách có hệ thống các khách hàng ở một khu vực trước đây có ít chiến dịch vận động là “giá trị thấp” và không có ưu đãi nào được gửi đến khu vực đó; Sự mất mát tăng lên. Vấn đề không nằm ở mô hình mà ở dữ liệu sai lệch trong quá khứ và việc áp dụng nó mà không đặt câu hỏi. Sau khi xem xét, quyết định được đặt dưới sự giám sát của con người và việc phân vùng đã được sửa chữa.
Trường hợp 3 - Cam kết sai về phản hồi AI. Trong một công ty thương mại điện tử, AI đã tạo ra câu trả lời “sản phẩm của bạn chắc chắn sẽ được giao vào ngày mai” trước lời phàn nàn của khách hàng; Tuy nhiên thời gian vận chuyển là 3-5 ngày. Người đại diện sửa lại bản thảo và gửi đi. Nếu dự thảo không được kiểm tra, cam kết sai sẽ gây ra sự không hài lòng của khách hàng và rủi ro về danh tiếng. Bản nháp AI không bao giờ được gửi trực tiếp đến khách hàng.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Tóm tắt những khiếu nại của khách hàng này và viết phản hồi.[văn bản thô: bao gồm tên, số điện thoại]
Điều này cung cấp dữ liệu cá nhân cho công cụ như hiện tại và có nguy cơ cam kết sai.
Lời nhắc mạnh mẽ:
Vai trò của bạn: Bạn là nhà phân tích trải nghiệm khách hàng. Xử lý các yêu cầu hỗ trợ BẤT CỨ BẤT CỨ NÀO sau đây: - Sắp xếp từng yêu cầu thành danh mục (trả lại, kỹ thuật, thanh toán, khác). - Trích xuất các chủ đề phổ biến và 3 vấn đề phổ biến nhất. - Nếu được yêu cầu đưa ra bản nháp phản hồi: hãy gắn thẻ [XÁC NHẬN ĐẠI LÝ] mỗi câu CÓ Cam kết (ngày, số tiền, trả lại); Đừng đưa ra những lời hứa chắc chắn. - Nếu bạn thấy dữ liệu cá nhân trong văn bản, hãy cảnh báo, đừng hành động. Yêu cầu (ẩn danh): [Khách hàng A: ..., Khách hàng B: ...]
Lời nhắc mạnh mẽ buộc bạn phải làm việc với dữ liệu ẩn danh, đánh dấu các cam kết và cảnh báo chống rò rỉ dữ liệu cá nhân.
Bốn mẫu có thể sao chép
1) Phân loại nhu cầu:
Sắp xếp các yêu cầu hỗ trợ ẩn danh sau đây thành các danh mục sau: [danh sách]. Đưa ra danh mục và giải thích bằng một câu cho mỗi yêu cầu. Khi nghi ngờ, hãy viết [UNCERTAIN]. Yêu cầu: [văn bản]
2) Trích xuất chủ đề/cái nhìn sâu sắc:
Từ phản hồi ẩn danh của khách hàng bên dưới, hãy trích xuất 5 chủ đề hàng đầu, tần suất gần đúng của từng chủ đề và một trích dẫn ví dụ. Thêm nhận xét không dựa trên dữ liệu. Phản hồi: [văn bản]
3) Dự thảo phản hồi (mở để xác nhận):
BẢN DỰ THẢO câu trả lời lịch sự cho khiếu nại ẩn danh dưới đây. Dán nhãn mỗi câu bằng [XÁC NHẬN] có chứa ngày, số tiền hoặc lời hứa trả lại. Thời hạn dứt khoát; Sử dụng ngôn ngữ an toàn như "chúng tôi sẽ thông báo cho bạn sớm nhất có thể". Khiếu nại: [văn bản]
4) Kiểm soát công bằng phân khúc:
Kiểm tra các tiêu chí phân khúc sau: Nhóm khách hàng nào có thể bị thiệt thòi một cách hệ thống? Liệt kê các nguồn có thể gây ra sai lệch và đề xuất kiểm soát. Tiêu chí: [văn bản]
Biểu đồ so sánh: Sử dụng AI trong CRM
Nhiệm vụ
Vai trò của AI
Do tính bảo mật
quyết định cuối cùng
Phân loại nhu cầu
nhãn tự động
Ẩn danh
Xem lại mẫu
Trích xuất chủ đề
bản phác thảo sâu sắc
Ẩn danh
Nhận xét của nhà phân tích
dự đoán rời bỏ
Điểm/gợi ý
mục đích chính đáng
người đàn ông quyết định
Dự thảo phản hồi
bản thảo văn bản
Ngoại trừ dữ liệu cá nhân
Gửi đại diện
Quyết định phân khúc
Đề xuất
kiểm soát công lý
Đơn vị kinh doanh + giám sát
Những lỗi thường gặp
- Cung cấp dữ liệu cá nhân cho xe ở dạng thô. Việc xử lý trực tiếp văn bản chứa tên, số điện thoại và TR ID là vi phạm KVKK và có nguy cơ rò rỉ.
- Gửi phản hồi AI trực tiếp cho khách hàng. Những cam kết sai lầm và sai sót về giọng điệu tạo ra rủi ro về danh tiếng; Xác nhận đại diện là bắt buộc.
- Để lại quyết định rời bỏ/phân khúc cho mô hình. Quyết định tự động củng cố sự thiên vị; Gợi ý là của người mẫu, quyết định là của con người.
- Chấp nhận dữ liệu trong quá khứ mà không có câu hỏi. Mô hình phân biệt đối xử trong quá khứ được dạy là “đúng”; Kiểm soát công lý là cần thiết.
- Giải thích số liệu không có ngữ cảnh. Trước khi nói “sự hài lòng đã giảm”, bạn nên hỏi ở phân khúc nào, giai đoạn nào và tại sao.
Thận trọng: Dữ liệu khách hàng một ngày nào đó là quyền riêng tư của một người thực sự. Chỉ vì kết quả đầu ra "hữu ích" không biện minh cho việc xử lý dữ liệu của người đó mà không có biện pháp bảo vệ. Ẩn danh và giới hạn mục đích là điều kiện tiên quyết, không phải thủ tục được bỏ qua vì mục đích tốc độ.
Tóm lại
CRM là một hệ thống thu thập sự tương tác của khách hàng ở một nơi và chứa một lượng lớn dữ liệu cá nhân. AI tạo ra giá trị mạnh mẽ trong việc phân đoạn, phân tích rời bỏ và xử lý văn bản; Tuy nhiên, quyền riêng tư dữ liệu cá nhân được đặt lên hàng đầu: tính ẩn danh, giới hạn mục đích và tuân thủ KVKK là điều cần thiết. Các quyết định rời bỏ và phân khúc có nguy cơ sai lệch; Đề xuất thuộc về hình mẫu, quyết định thuộc về con người. Phản hồi AI cho khách hàng sẽ không được gửi nếu không có sự xác nhận của đại lý. AI tăng tốc độ hiểu biết, mang lại trách nhiệm và công lý cho con người.
Nhiệm vụ ứng dụng
Thiết lập kịch bản phân tích rời bỏ cho một dịch vụ đăng ký. (1) Phù hợp với 5 hồ sơ khách hàng ẩn danh (chi tiêu, tương tác gần đây nhất, số lượng khiếu nại). (2) Có sự phân khúc và diễn giải rủi ro với lời nhắc mạnh mẽ. (3) Truy vấn kiểm tra tính công bằng xem nhóm nào có thể không công bằng đối với ít nhất một trong các phân đoạn do mô hình tạo ra. (4) Yêu cầu AI soạn thảo câu trả lời cho khiếu nại ẩn danh và đánh dấu các câu có chứa cam kết. (5) Viết rằng bạn đã sử dụng dữ liệu ẩn danh thay vì dữ liệu thô và những trường bạn đã che dấu.
danh sách kiểm tra
- [ ] Tôi đã ẩn danh dữ liệu cá nhân trước khi đưa nó vào công cụ.
- [ ] Tôi đã đánh giá giới hạn mục đích và sự tuân thủ KVKK.
- [ ] Tôi đặt câu hỏi về sự thiên vị và công bằng trong quyết định rời bỏ/phân khúc.
- [ ] Tôi để mọi người quyết định; mô hình chỉ đưa ra những gợi ý.
- [ ] Tôi không gửi bản nháp phản hồi AI mà không có sự xác nhận của người đại diện.
- [ ] Tôi cũng đánh dấu những câu có cam kết.