پشتیبانی مشتری اهمیت فزاینده ای پیدا کرده است، به طوری که ۸۸٪ از خریداران می گویند که تجربه ارائه شده توسط یک شرکت به اندازه محصولات یا خدمات آن اهمیت دارد. حدود ۷۲% مشتریان خواستار خدمات فوری هستند و تقریباً ۷۰% از آنها انتظار دارند کسی که با آنها تعامل می‌کند دارای مهارت کافی در زمینه مورد نظر باشد. با این حال، این سطح از خدمات پشتیبانی به مشتری گران درمی‌آید، و مدیران کسب و کار را وادار می کند تا برای بهره وری بالاتر و کاهش هزینه‌ها به سمت هوش مصنوعی گرایش پیدا کنند.
هوش مصنوعی یک قرص جادویی نیست و اکثر گفتگوها با ربات هنوز به جایی ختم می شود که مشتری در نهایت درخواست ارتباط با یک عامل انسانی را خواهد داشت. با این حال، نمایندگان مکالمه هوشمند در حال طبیعی‌تر شدن و شبیه‌سازی بیشتر به انسان‌ها هستند، در حالی که از آن سو نیز مصرف‌کنندگان در صورتی که به آنها امکان دریافت خدمات سریع و با کیفیت داده شود، نسبت به دریافت خدمات از ربات‌های هوش مصنوعی انعطاف بیشتری از خود نشان خواهند داد.
ما معتقدیم که تجربه مشتری یکی از پربارترین زمینه ها برای کاربرد هوش مصنوعی است. از طریق هوش ماشینی، می‌توانیم بینش عمیق‌تری نسبت به نیازهای مشتری به دست آوریم و تجربیات شگفت‌انگیزی را با هزینه کمتر ارائه کنیم.
هوش مصنوعی پیشگو و هوش مصنوعی مولد در پشتیبانی مشتری
هوش مصنوعی پیشگو مدتی است که به واسطه تجزیه و تحلیل پیشرفته و آنالیز بازخورد مشتریان و تخصیص بهینه منابع، موجب توسعه عملیات مربوط به پشتیبانی مشتریان شده است. ظهور فناوری‌های هوش مصنوعی مولد با نسل جدید عوامل هوش مصنوعی مکالمه‌ای (چت بات‌ها) فرآیند پشتیبانی مشتری را به قله‌های جدیدی ارتقا خواهد داد.
هدف برنامه‌های هوش مصنوعی پیش‌بینی‌کننده کاهش هزینه‌های پشتیبانی مشتری و بهبود تجربه مشتری از طریق موارد زیر است:
- مسیریابی خودکار تیکت. استفاده از تجزیه و تحلیل پیش‌بینی‌کننده برای هدایت خودکار تیکت‌های مشتری به مناسب‌ترین نماینده پشتیبانی براساس عملکرد و تخصص گذشته.
- پیش‌بینی منابع. پیش‌بینی تقاضا برای منابع پشتیبانی در زمان‌های مختلف، امکان تخصیص بهتر کارکنان و کاهش زمان انتظار برای مشتریان.
- پیش‌بینی مشکل. پیش‌بینی مسائل یا سؤالات مشترکی که ممکن است مشتریان داشته باشند، و امکان اقدامات پیشگیرانه برای حل آنها قبل از تشدید مشکل را فراهم می‌کند.
- پیش‌بینی خرابی. شناسایی مشتریانی که احتمالاً از دست می‌روند، امکان مداخله به موقع برای حفظ آنها.
- پیش‌بینی ارزش مادی مشتری. پیش بینی ارزش مادی مشتریان (میزان کل خریدی که از سازمان داشته است) برای اولویت بندی پشتیبانی و منابع بر این اساس.
- نگهداری پیش بینی شده. برای محصولاتی که نیاز به تعمیر و نگهداری دارند، پیش‌بینی زمان موعد نگهداری یا احتمال وقوع خرابی، اطمینان از پشتیبانی به موقع و به حداقل رساندن زمان خرابی.
از سوی دیگر، هوش مصنوعی مولد می‌تواند اثربخشی نیروی پشتیبانی مشتریان شما را بهبود بخشد و حجم کاری آنها را با بهینه‌سازی کند.
- عوامل مکالمه پیشرفته. ایجاد ربات‌های چت پیشرفته و دستیاران مجازی که قادر به جذب مشتریان در تعاملات طبیعی و معنادار برای حل سؤالات یا ارائه اطلاعات هستند.
- تولید پایگاه دانش. تولید و به‌روزرسانی مستمر مقالات یا سؤالات متداول مبتنی بر دانش بر اساس سؤالات رایج و نیازهای در حال تحول مشتری.
- ابزارهای جستجوی داخلی. تقویت ابزارهای جستجوی داخلی با هوش مصنوعی مولد برای ارائه نتایج دقیق‌تر و مرتبط‌تر زمانی که عوامل پشتیبانی یا مشتریان، اطلاعاتی را در پایگاه دانش یا پورتال پشتیبانی جستجو می‌کنند.
- تولید خلاصه خودکار. خلاصه کردن تعاملات یا گفتگوهای طولانی با مشتری یا بازخوردها برای تجزیه و تحلیل و پیگیری آسان‌تر توسط نمایندگان پشتیبانی.
- تایپ پیشگو. کمک به نمایندگان پشتیبانی با تایپ پیشگویانه کلمات، باعث می‌شود فرآیند پاسخ‌دهی به مشتریان سریع‌تر و کارآمدتر شود.
- طراحی پاسخ. کمک به عوامل پشتیبانی با تهیه پیش‌نویس پاسخ‌های اولیه به ایمیل‌های مشتری، صرفه‌جویی در زمان و اطمینان از ثبات در ارتباطات.
- تولید پاسخ خودکار. ایجاد پاسخ به سؤالات مشتری بر اساس سوابق گفتگوها و درک متنی موضوع مورد نظر.
- شخصی‌سازی پاسخ. ایجاد محتوا و پاسخ های اختصاصی بر اساس داده های مشتری برای بهبود تعامل و رضایت.
- تولید اسکریپت و مواد آموزشی. ایجاد اسکریپت ها و مواد آموزشی برای عوامل پشتیبانی بر اساس سناریوهای رایج و پروتکل های خدمات مشتری در حال تکامل.
هوش مصنوعی پیشگو در افزایش بهره‌وری از طریق اتوماسیون وظایف و تجزیه و تحلیل پیشرفته نسبت به هوش مصنوعی مولد برتری دارد، در حالی که هوش مصنوعی مولد با توانمندسازی عوامل انسانی برای ارائه کمک های سریع، مرتبط و شخصی به مشتریان، پشتیبانی مشتری را بهبود و توسعه می‌بخشد.
اکنون، بیایید نگاهی عمیق‌تر به نمایندگان گفتگو (ربات‌های گفتگوگر) و مراکز تماس مبتنی بر هوش مصنوعی به عنوان برجسته‌ترین نمونه‌های کاربرد هوش مصنوعی در پشتیبانی مشتری بپردازیم.
عوامل گفتگو
ربات‌های چت برای پشتیبانی مشتری مدتی است که وجود داشته‌اند، اما تا همین اواخر فقط می‌توانستند به ابتدایی‌ترین درخواست‌های خدمات رسیدگی کنند. آخرین پیشرفت‌ها در قابلیت‌های مدل‌های زبانی بزرگ (LLM) برنامه‌های پشتیبانی مشتری را متحول کرده است، زیرا ربات‌های مجهز به LLM اکنون می‌توانند مکالمات پیچیده‌تری را نسبت به پیشینیان خود مدیریت کنند. با این حال، ما نباید انتظار داشته باشیم که هوش مصنوعی مولد در آینده نزدیک به طور کامل جایگزین عوامل انسانی پشتیبانی مشتری شود. این فناوری هنوز به اندازه کافی قابل اعتماد نیست و ممکن است خطاهای واقعی ایجاد کند که ما نمی توانیم در ارتباط مستقیم با مشتریان از عهده آن برآییم.
راهکارهای هوش مصنوعی مولد احتمالاً با هوش مصنوعی پیش‌بینی‌کننده و سایر روش‌های نرم‌افزاری ترکیب می‌شوند تا راه‌حل‌های کاملی برای درخواست‌های اساسی ارائه کنند و به عوامل انسانی در درخواست‌های پیچیده‌تر کمک کنند. به عنوان مثال، نمایندگان گفتگو می توانند مستقیماً به سؤالات متداول پاسخ دهند، مشتریان را با پرسیدن یک سری سؤالات امنیتی تأیید کنند و بر اساس هدف مشتری برای پاسخگویی به سؤالات، او را به سمت نماینده انسانی مناسب راهنمایی کنند. علاوه بر این، آنها می توانند با خلاصه کردن درخواست های طولانی مشتری، تهیه پیش‌نویس پاسخ‌ها با در نظر گرفتن تعاملات گذشته با مشتری، و ترجمه درخواست‌ها و پاسخ‌ها به زبان‌های مختلف برای ارائه پشتیبانی چند زبانه، به نیروهای انسانی پشتیبانی کمک کنند تا خدمات سریع تر و بهتری ارائه دهند.
عامل‌های هوش مصنوعی مکالمه‌ای را می‌توان به روش‌های مختلفی پیاده‌سازی کرد، از ساخت نمایندگی‌های سفارشی کاملا مبتنی بر LLM تا استفاده از سرویس‌هایی مانند ChatGPT. اکثر کسب و کارها به دنبال راه حل متعادلی هستند که عملکرد خوب، کنترل و شفافیت کافی را ارائه دهد و بودجه آنها را متعادل کند. دو رویکرد رایج عبارتند از:
- انتخاب یک مدل زبان از پیش آموزش دیده، اختصاصی یا منبع باز، و تنظیم دقیق یا تقویت آن با یک پایگاه دانش داخلی برای عملکرد بهتر و قابل اطمینان تر.
- همکاری با شرکت‌های هوش مصنوعی که در توسعه و استقرار عوامل هوش مصنوعی محاوره‌ای تخصص دارند و می‌توانند برای کسب‌وکارها، دسترسی به جدیدترین فناوری‌ها و مهارت‌ها را فراهم کنند. چند نمونه از این راه حل ها عبارتند از Amazon Lex، IBM watsonx Assistant، و LivePerson.
بهترین رویکرد برای یک کسب و کار خاص به نیازها و منابع خاص آن بستگی دارد.
مراکز تماس
وقتی در مورد پشتیبانی از مشتری با هوش مصنوعی صحبت می کنیم، موضوع بسیار فراتر از ربات های چت است. آخرین پیشرفت‌ها در مدل‌های هوش مصنوعی تبدیل متن به گفتار و گفتار به متن، طیف وسیع‌تری از برنامه‌های هوش مصنوعی را در مراکز تماس فعال کرده است، جایی که اکنون هوش مصنوعی نه تنها برای رسیدگی به درخواست‌های کتبی بلکه برای تماس‌های صوتی مشتریان نیز کارآیی دارد.
راه حل هایی مانند Amazon Connect، Contact Center AI توسط گوگل، Cresta و Poly AI ادعا می کنند که امتیاز رضایت مشتری را به میزان قابل توجهی افزایش می دهند. و با ارائه کمک ۲۴/۷ از طریق کانال های متعدد، میانگین زمان های دسته را کاهش می‌دهند. به عنوان مثال، Poly AI ادعا می کند که دستیاران آن می توانند تا ۵۰٪ از تماس های دریافتی را مدیریت کنند. آنها می توانند تماس گیرندگان را احراز هویت کنند، به مشتریان اجازه دهند از طریق تلفن پرداخت کنند، رزروها و نوبت‌دهی را انجام دهند، به سؤالات متداول پاسخ دهند، به مشتریان کمک کنند تا سفارشات را پیگیری کنند و مراحل تحویل را تغییر دهند، و تماس گیرندگان را از طریق فرآیندهای عیب یابی و پشتیبانی فنی راهنمایی کنند – همه اینها از طریق مکالمات طبیعی و به چندین زبان صورت می‌گیرد.
برای مواردی که تماس توسط یک ربات صوتی قابل رسیدگی نیست، هوش مصنوعی راه حل های متعددی را برای افزایش بهره وری عوامل انسانی محقق می‌کند با انجام کارهایی همچون بهینه سازی مسیریابی تماس، حذف فرآیندهای پس از تماس از طریق یادداشت برداری و خلاصه سازی خودکار، و مراجعه سریع به پایگاه دانش داخلی و پیشنهاد بهترین راه‌حل‌ها حتی برای پیچیده‌ترین مشکلات.
هوش مصنوعی در حال حاضر تأثیر قابل توجهی بر تعاملات مشتری دارد و با ادامه توسعه، می‌توان انتظار داشت که راه‌های نوآورانه‌تر و مؤثرتری را برای استقرار هوش مصنوعی برای پشتیبانی مشتری شاهد باشیم.
