Bodo težave strank kmalu reševali »virtualni« agenti?  

Na spletnem seminarju sta Igor Pauletič, soustanovitelj in direktor podjetja FrodX, in Andrej Bergant, vodja raziskav in razvoja na FrodXu, predstavila nov projekt, v okviru katerega so kontaktni center oz. CRM sistemsko povezali s storitvijo podjetja Open AI, GPT-4. »Povedano drugače – zanimalo nas je, kako bi vse tiste zahtevke, ki jih stranke naslavljajo na kontaktni center, lahko preusmerili na GPT, ki bi pripravil odgovore zanje,« je uvodoma dejal Igor Pauletič.

Ključna je hitrost odziva

V FrodXu že 12 let zagotavljajo storitev InstantFeedback, v okviru katere merijo zadovoljstvo strank in v tem času so ugotovili, da je za dobro podporo strankam ena od najpomembnejših stvari hitrost odziva. »Poleg tega, da je ključni vektor zadovoljstva pri zagotavljanju podpore strankam hitrost odziva, ugotavljamo tudi, da nezadovoljstvo eksponentno narašča s trajanjem oz. časom, ki je potreben za prvi odziv na zahtevek oz. celoten čas reševanja zahtevka. Tega dejstva se podjetja, ki morajo organizirati podporo za svoje stranke, odločno premalo zavedajo,« meni Pauletič.

Po njegovem mnenju imajo podjetja, ki želijo skrajšati čas odziva, glede tega dve možnosti. Prva, ki je zaradi neenakomerne razporeditve zahtevkov strank ekonomsko gledano nevzdržna, je povečanje števila agentov, ki odgovarjajo na vprašanja kupcev oz. strank, druga pa zagotovitev, da do agentov v kontaktnem centru pride manj zahtevkov. »Zmanjšanje zahtevkov lahko dosežemo s tem, da imamo boljši izdelek oz. storitev in posledično manj potrebe po podpori, ali pa z večjim deležem samopostrežne podpore oz. nekim alternativnim načinom, da si stranka lahko pomaga sama. Glede na to, da smo dandanes praktično vsi uporabniki povezani, bi nas podjetja lahko tudi proaktivno usmerjala in nas obveščala, kaj potrebujemo in na ta način ne bi prihajalo do obremenitve agentov,« nadaljuje.

Po njegovem mnenju obstajajo trije ključni razlogi za to, da se »samopostrežna« podpora doslej ni obnesla oz. da je kontaktni center v večini primerov še vedno tista točka, kjer se razreši največji del težav strank. Prvi je, da v večini primerov stranka s pomočjo vsebin, ki jih dobi, sama ne zna rešiti problema, drugi, da stranka nima občutka, da je vsebina, ki je na voljo, resnično povezana z njenim primerom, tretji pa, da generični odgovori ne naslovijo njenih čustvenih potreb.

Kako doseči, da bo samopostrežna podpora postala privzeta izbira stranke?

Po njegovem mnenju morajo biti za to izpolnjeni trije ključni pogoji:

• Biti mora dovolj učinkovita. Pri tem moramo najti način, da stranka sporoči svojo težavo, odgovor pa dobi od samopostrežnega mehanizma. Pomembne so tudi (primerna) dolžina, kompleksnost, relevantnost in celovitost odgovora.
• Samopostrežna podpora mora biti prisotna na vseh digitalnih kanalih, ki jih stranke uporabljajo. »Različne generacije uporabljajo različna komunikacijska sredstva. Kakor si želite biti vseprisotni s svojimi promocijskimi aktivnostmi, tako morate začeti razmišljati tudi na področju podpore strankam,« opozarja Pauletič.
• S proaktivnimi ukrepi moramo znati preprečevati potrebo po podpori oz. prehiteti stranko.

Občutek »človeške roke«

Pri vsem tem je potrebno razmisliti tudi, ali bomo znali stranki ponuditi občutek »človeške roke« oz. enako toplino, kot jo dobi, ko govori s človekom. »Umetna inteligenca ta občutek lahko ponudi. Spretno ustvarja generične vsebine, upošteva kontekste, ki ji jih naložimo in zna predelati splošen odgovor na situacijo posameznika. Danes smo prvič v situaciji, da lahko skozi tako imenovani self-service support realiziramo tudi čustveno komponento,« smo izvedeli na webinarju.

Hkrati ima uporaba orodij umetne inteligence še nekaj prednosti. Samopostrežna podpora z GPT-jem na primer ni več omejena na iskanje odgovora, ki bi ustrezal moji težavi. Lahko komuniciram svojo težavo (enako kot v kontaktnem centru), odgovor pa dobim hitreje kot v kontaktnem centru. Veliki jezikovni modeli poleg tega prispevajo tudi to, da lahko komuniciramo v svojem jeziku in dodamo fotografije, ki jih bo orodje razumelo, kot bi jih razumel agent. Obstaja pa tudi možnost podvprašanj na prejeti odgovor, ki jih »stroj« razume in upošteva v mojem kontekstu. Povedano drugače: z njim se lahko »pogovarjam« kot z agentom.

»Vse to so pomembni razlogi, zakaj je lahko GPT-4 kot nadgradnja kontaktnega centra odlična priložnost, da bo avtomatska vsebina, ki jo generira vaš self-service support, stranki dala občutek, da je na drugi strani človek,« je svoj del webinarja sklenil Igor Pauletič.

UI-asistent sprva kot »kopilot«, nato pa kot samostojni agent

V nadaljevanju je Andrej Bergant predstavil projekt, ki so ga v FrodXu zasnovali za svojega partnerja, podjetje Leanpay. Zanje so že pred časom vzpostavili vsekanalni kontaktni center, podprli so procese zagotavljanja podpore, potem pa so povezali kontaktni center s storitvijo GPT-4. Sledila je digitalizacija Leanpayevih vsebin v obliko, prijazno jezikovnemu modelu, temu pa je sledil še postopek optimizacije delovanja modela. »Sem sodi tudi merjenje, kako ustrezne odgovore stroj generira. Odgovore, ki so dovolj dobri, lahko stranka prejme, ne da bi jih preverjali ljudje,« je povedal Andrej Bergant.

Prikazal je tudi, kako rešitev deluje v živo, na modelu, ki so ga »trenirali« s podatki podjetja Leanpay. »Stvar deluje preprosto – če imaš zanje vprašanje, jim ga posreduješ preko e-pošte. Vprašanje pride v HubSpot, ta pa ga preda naprej UI-agentu, ki bo na osnovi lastne baze znanja poiskal ustrezne informacije in pripravil odgovor. V prvi fazi naše rešitve bo agent oz. oseba, zaposlena v centru za podporo strankam uporabljala umetno inteligenco kot nekakšnega asistenta oz. kopilota, kar pomeni, da bo pripravila odgovor, za katerega se bo potem agent odločil, ali je ustrezen ali ne. Ko pa UI-agenta tako »natreniramo«, da smo res zadovoljni z njim, pa ga »povišamo« v samostojnega agenta,« pravi Bergant.

Proces učenja je zelo pomemben

Kot vsi, ki se ukvarjajo z umetno inteligenco, tudi on poudarja, kako pomemben je pri vsem skupaj proces učenja. Gre za proces, ki nam bo pomagal iz baze znanj podjetja te informacije pretvoriti v bazo znanja, ki je uporabna za UI-agenta.

»V osnovi se dogajajo trije glavni procesi. V prvem moramo dobiti podatke ali pa dostop do vseh informacij, iz katerih se agenti v podpori strankam učijo (na primer pogosto zastavljena vprašanja, spletna stran podjetja, pogoji uporabe, produktni katalog, interna baza znanja, navodila, dokumentacija ...). Ko dobimo podatke, jih moramo pretvoriti v obliko, ki je najbolj razumljiva za velike jezikovne modele – sprva v besedilno, nato pa v vektorsko obliko. Besedila in vektorje shranimo v bazo znanja za UI-agenta. S pomočjo baze znanja lahko UI-agent začne z odgovarjanjem na vprašanja strank. V tem procesu kombiniramo napredno iskanje po bazi znanja na osnovi konteksta in posebej zgrajene zahteve za storitev GPT. Odgovor GPT-modela nato tudi zapišemo v HubSpot. Sledi še tretji korak, in sicer tako imenovani fine-tunning oz. izboljševanje sistema,« še pove Andrej Bergant, ki ob koncu pove, da v prihodnje načrtujejo še kar nekaj nadgradenj.

Ena je agumentacija tako imenovanih »ticketov« oz. nalog v smislu, da se bo UI-agent sam odločil, ali nanj lahko odgovori sam ali pa ga bo takoj »predal« človeku. Opredelil bo lahko tudi urgentnost »ticketov« in ocenil sentiment stranke ter temu prilagodil svoj ton odgovora.

Sčasoma bomo lahko UI-agenta uporabili tudi na drugih tekstovnih in komunikacijskih kanalih, ki potekajo v živo (npr. pogovorni robot, FB ali IG Messenger ...), zadnja faza pa je že prej omenjena – torej, da UI-agent samostojno odgovarja na »tickete«, za katere »presodi«, da nanje pozna odgovor.