هوش مصنوعی و نقش یادگیری ماشین در تجربه مشتری

 هوش مصنوعی:

مقدمه:

امروزه خدمات مشتری فقط توسط نیروی انسانی انجام نمی‌شود، ماشین‌هایی که با هوش انسان شبیه‌سازی شده‌اند به طور فزاینده‌ای مورد استفاده قرار گرفته و به کمک نیروهای انسانی در خدمات مشتری آمده‌اند. نگاهی به آمار بیندازیم:
طبق گفته Zoominfoه  %۸۰درصد ازمدیران فروش و بازاریابی می‌گویند که در تجربه مشتریان خود از هوش مصنوعی به ویژه یک نرم افزار چت‌بات استفاده کرده‌اند یا قصد دارند تا پایان سال ۲۰۲۰ این کار را انجام دهند.  Juniper  نیز پیش بینی کرده است که تا سال ۲۰۲۲ چت بات‌ها باعث بیش از ۸ میلیارد دلار صرفه جویی در هزینه‌ها خواهند بود. نتیجه اینکه در سالهای آینده هوش مصنوعی نقش عمده‌ای در خدمات مشتری خواهد داشت و داشتن درک خوب از آن از اهمیت خاصی برخوردار است. در این مقاله به صورت خاص نگاهی خواهیم انداخت به کاربرد هوش مصنوعی و یادگیری ماشین در تجربه مشتری.
یادگیری ماشین:
بر طبق گفته Expert System یادگیری ماشین، کاربردی از هوش مصنوعی است که به سیستم ها توانایی یادگیری و پیشرفت خودکار از تجربه ها را بدون اینکه صریحا برای آن برنامه ریزی شده باشد فراهم می کند. در واقع هدف این است که ماشین ها بتوانند به طور خودکار یادبگیرند تا با توجه به داده های ارائه شده به آنها پاسخ‌دهی نمایند.بیایید نگاهی بیاندازیم به چت بات ها؛ چت‌بات‌ها با توجه به داده‌های داده شده به آنها پاسخ های متفاوتی می دهند به عنوان مثال اگر از چت‌بات یک صندوق مالی سوال کنید:
چگونه یک حساب کاربری باز کنید، می تواند سوال شما را به درستی تفسیر کرده و به این روش پاسخ دهد:

در واقع چت‌بات عدم حضور یا پاسخ ندادن شما را به درستی تفسیر کرد.اصولا یادگیری ماشین، چت‌بات را قادر می‌سازد که علاوه بر یادگیری استفاده از جواب‌های خاص، اطلاعات مورد نیاز را از کاربران جمع‌آوری کرده و تصمیم بگیرد که برخی سوالات به عامل انسانی پشتیبانی واگذار شود، ممکن است بپرسید دقیقا چطور می‌توانند این کار را انجام دهند؟ پاسخ در استفاده الگوریتم‌ها نهفته است.

الگوریتم‌های یادگیری ماشین و هوش مصنوعی چیست؟

الگوریتم یادگیری ماشین فرآیند یا مجموعه مراحلی است که به یک مدل کمک می کند تا به داده های داده شده به آن پاسخ دهد. این الگوریتم اساسا چگونگی تبدیل داده ها از ورودی به خروجی را مشخص می‌کند، همچنین مشخص می کند که چگونه مدل باید ارزیابی و بازنگری را در کل مراحل یاد بگیرد.

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد:

-الگوریتم یادگیری ماشین با نظارت:

این الگوریتم می تواند با استفاده از مثال‌های از قبل تعیین شده (برچسب دار) آنچه را که در داده های جدید آموخته است را به منظور پیش بینی وقایع استفاده کند. این الگوریتم داده‌های شناخته شده را تجزیه‌و‌تحلیل کرده و سپس پیش‌بینی‌هایی در مورد مقادیر خروجی انجام می دهد. همچنین می‌تواند مقایسه‌ای بین خروجی صحیح  در نظر گرفته شده و خود خروجی ایجاد کند و سپس اصلاحاتی انجام دهد.

-الگوریتم یادگیری ماشین بی نظارت:

این الگوریتم زمانی مفید خواهد بود که اطلاعاتی که برای آموزش استفاده می‌شود نه طبقه‌بندی شده و نه برچسب‌دار باشند. این الگوریتم مشخص کننده خروجی مناسب نیست، بلکه داده‌ها را بررسی کرده و سپس ساختارهای پنهان را از داده‌های بدون برچسب توصیف می‌کند.

-الگوریتم یادگیری ماشین نیمه نظارتی:

همانگونگه از نامش پیداست این الگوریتم از داده های دارای برچسب و بدون برچسب برای آموزش استفاده می‌کند. آنهایی که از این روش استفاده می‌کنند می‌توانند دقت یادگیری خود را بهبود بخشند.

-الگوریتم یادگیری ماشین تقویتی:

این الگوریتم به ماشین‌ها اجازه می‌دهد تا رفتار ایده‌آل را با توجه به مفهومی خاص که برای عملکرد بهینه تعریف شده تعیین کنند.این الگوریتم یادگیری بدین جهت تقویتی نامیده می‌شود که یک بازخورد ساده یا سیگنال تقویت کننده برای یادگرفتن بهترین حرکت یا پاسخ لازم است. برای درک بهتر این موضوع بیایید ببینیم که چگونه یادگیری ماشین به طور خاص در خدمات مشتریان اعمال می‌شود.

برنامه های یادگیری ماشین برای تجربه مشتری:

کاربردهای یادگیری ماشین بیش از آنچه فکر کنیم فراگیرشده. عدم آگاهی نسبت به یادگیری ماشین خیلی هم تعجب آور نیست زیرا این موضوع فقط در دانشگاه‌ها و توسط افراد خاص و مهندسین کامپیوتر و یا در دوره‌های مرتبط با کامپیوتر مورد بحث قرار می گیرد. هدف از این مقاله آشنا کردن شما با مفهوم یادگیری ماشین به بیان ساده‌تر و مثال‌های عینی‌تر است در ذیل به برنامه‌های یادگیری که مورد استفاده بیشتری دارند اشاره می کنیم:

چت‌بات‌ها:

همانگونه که در بخش اول این مقاله دیدیم یکی از پر کاربردترین برنامه‌های یادگیری ماشین و هوش مصنوعی در حوزه خدمات مشتری هستند. در واقع به دلیل اینکه چت‌بات‌ها همه جا وجود دارند حدود ۷۰% مردم در هنگام صحبت با یک کسب و کار انتظار دارند که با آنها برخورد کرده یا از آنها استفاده کنند.با کمک یادگیری ماشین چت‌بات‌‌ها می‌توانند با استفاده از پردازش زبان طبیعی، برچسب(تگ) مناسبی را برای هر مکالمه مشخص کنند. نتیجه این است که چت‌بات آنچه را که شما می‌گویید خوانده و درک می کند. بعد از فهمیدن منظور شما پاسخ مناسبی را برای شما ارسال می کند (مانند مثال بالا) یا شما را به سوی شخص مسئولی که می تواند مساله شما را حل کند هدایت می کند. هر چه میزان و تعداد مکالمه با چت‌بات بیشتر باشد پاسخش صحیح تر خواهد بود. بازخورد دریافتی از مشتریان مبنی بر درست یا نادرست بودن پاسخ ها این امکان را به چت‌بات می دهد که عملکرد خود را بهبود بخشد.

دستیارهای مجازی:

دستیارهای مجازی گاهی با چت‌بات‌ها اشتباه گرفته می‌شوند ولی این دو یکسان نیستند. چت‌بات‌ها تعامل با نیروی انسانی را شبیه سازی می‌کنند در حالیکه دستیاران مجازی برای کمک به مشتری بر روی مناطق خاصی در نقشه سفر مشتری (Customer Journey) تمرکز می کنند.
بعنوان مثال اگر از مایکروسافت استفاده می کنید، می توانید به صورت شفاهی از کورتانا بپرسید که تابستان چه زمانی شروع می‌شود و او اطلاعات لازم را به شما ارائه می دهد. موضوع این است که کورتانا فقط شکل پایین را به شما نشان نمی دهد.

او با استفاده از پردازش زبان طبیعی که الگوهای گفتار انسان را تقلید می کند پاسخ شما را با لحنی که از لحن انسان شبیه‌سازی شده به شما گفته و تعامل صمیمی‌تری ایجاد می کند.اما چگونه دستیاران مجازی مانند Google Assistant- Apple Siri – Cortanaو Amazon Alexa کار می کنند؟
هنگامی که آنها را فعال می‌کنید درخواست شما به سرورهای متعلق به شرکت دستگاه شما ارسال می شود (به همین دلیل است که باید اینترنت خوبی داشته باشید) در ضمن انجام این کار تلفن یا بلندگوی هوشمند شما سعی می‌کند بفهمد

که آیا  میتواند این فرمان را بدون اطلاعات سرور انجام دهد. هنگامی که در خواست به سرورها رسید یک الگوریتم کلمات و لحن در خواست شما را تجزیه و تحلیل  می‌کند و آنها (لحن و کلمات) را با یک فرمان که فکر می‌کند شما از او خواسته اید مطابقت می‌دهد.

بنابراین در مثال بالا الگوریتم کورتانا به وضوح درخواست شما را با دستور درستی مطابقت داده است ولی چه اتفاقی خواهد افتاد اگر چیزی بپرسیم که الگوریتم در مورد آن مطمئن نیست؟ در چنین شرایطی است که دستیار مجازی می تواند بگوید: “منظورت………… بود؟” یا “متاسفم، نمی‌توانم این کار را انجام دهم.”

ابزارهای تایید ایمیل:

اگر از ارسال ایمیل‌ها در کمپین‌های بازاریابی و دسترسی به مشتریان خود استفاده کرده باشید می‌دانید که باید قبل از ارسال ایمیل‌ها آنها را با ابزار تایید ایمیل کنترل کنید. وقتی ایمیل به آدرس‌های ایمیل نامعتبر ارسال می‌شود، برگشت می خورد. هرچه نرخ برگشت ایمیل‌ها بالا باشد امتیاز فرستنده شما پایین می‌آید و نتیجه این است که در دام فیلترهای اسپم می‌افتید.

اما آیا تا به حال فکر کرده‌اید که دقیقا ابزار تایید ایمیل چگونه کار می‌کند؟ این یادگیری ماشین است که در اینجا نیز فعال است. به عبارت ساده الگوریتم یادگیری ماشین پیشرفته‌ای به این ابزار تایید ایمیل، امکان ردیابی ارائه دهندگان آدرس ایمیل‌های غیر مجاز را می‌دهد و واقعی بودن ایمیل‌ها را تجزیه و تحلیل می کند

پشتیبانی مشتری با عامل انسانی:
کسانی که از اوبر استفاده می‌کنند احتمالا یکبار هم که شده با پشتیبانی این شرکت تماس گرفته‌اند. اگر چه هنوز هم عوامل انسانی هستند که به طور مستقیم به حل مسائل مشتریان مشغولند، اما حدس بزنید چه چیزی به انسان این امکان را می‌دهد که با این دقت و سرعت این کار را انجام دهد؟

از طریق COTA دستیار تیکت مشتریان اوبر، نیروهای خدمات مشتریان قادرند دقیق‌ترین راه‌حل‌ها را برای هزاران تیکت (درخواست پشتیبانی) که روزانه بر روی این پلتفرم در بیش از ۴۰۰ شهر دنیا فرستاده می‌شود ارائه دهند.
وقتی کاربر در مورد مشکلی که دارد از طریق اپلیکیشن به چند سوال پاسخ می‌دهد در واقع او به COTA کمک می‌کند تا آن تیکت را از طریق پردازش زبان طبیعی بفهمد. سپس  COTA تیکت را به تیم مربوطه ارسال می کند. COTA ازطریق الگوریتم یادگیری ماشین، سه راه حل اصلی رتبه بندی شده را برای نماینده انسانی خدمات مشتریان تعیین می کند.

سپس انتخاب اینکه کدام یک از راه‌حل‌های پیشنهادی بهترین و عملی ترین است توسط نیروی انسانی واحد پشتیبانی انجام می‌گیرد، این راه حلی خواهد بود که به مشتری پیشنهاد می شود.

به گفته اوبر: پیگیری تیکت‌ها با کمک COTA  باعث افزایش ۱۰ درصدی راندمان شده است. اوبر گفته است که: “با بهبود عملکرد نیروی انسانی و سرعت بخشیدن به زمان حل تیکت ها، COTA به تیم خدمات مشتریان ما کمک می کند تا به کاربران خود خدمت رسانی بهتری داشته باشند و این امر منجر به افزایش رضایت مشتری شده است.”

اوبر همچنین می‌افزاید، “توانایی COTA برای تسریع در حل تیکت ها، باعث صرفه جویی ده‌ها میلیون دلار در اوبر شده است.”

ابزارهای تحلیل رفتاری / روند:

برخی شرکت‌ها از یادگیری ماشین برای تحلیل روند و الگوهای رفتاری استفاده می‌کنند. این موضوع از این جهت اهمیت دارد که اگر بدانید مشتریان شما چگونه رفتار می کنند برای مثال به منظور خدمات‌رسانی بهتر می‌توانید تنظیمات لازم را در خدمات و محصولات خود انجام دهید. تحلیل روندها به شما کمک می کند که پیش‌بینی‌های لازم را برای پایه‌گذاری تصمیم‌گیری‌های کسب‌وکار خود انجام دهید.
به عنوان مثال  Code Academy که یک بستر آنلاین خدمات کدنویسی است از solvvy  برای تجزیه و تحلیل روند جستجوی مشتریان استفاده می‌کند. Solvvy  توانست موضوعاتی را که مشتریان در جستجوی آنها بودند مشخص کند اما پاسخی برای آنها پیدا نکرد، نتیجه این بود که Code Academy  توانست این موارد را بررسی کند و فشارکاری را روی تیم خدمات مشتری خود کاهش دهد و در نهایت مشتریان خدمات بهتری دریافت کردند.

ایر کانادا به‌نو‌به خود از یادگیری ماشین برای بررسی و مشاهده هزاران مکالمه با مشتریان در هنگام رزرو آنلاین استفاده کرد. این شرکت با بررسی شکایات مشتریان، مشکلات مشترک آنها در رزرو بلیط را تعیین و آنها را برطرف نمود. از آنجایی که شرکت تجربه مشتریان را بهبود بخشیده بود توانست در هزینه نیروی انسانی برای خدمات مشتریان صرفه جویی کند. بر اساس این مثالها می‌توانیم کاربرد روشهای خاص یادگیری ماشین برای بهینه کردن تجربه مشتری را بهتر درک کنیم. در اینجا به برخی از آنها اشاره شده است:

– ارائه پشتیبانی و مشاوره

– پیش بینی الگوها و روندهای رفتاری

– تعیین مشکلات مشتریان

– کمک به بهبود گردش‌کار

– خودکار نمودن فعالیت عامل‌ها ( agents )

– شخصی سازی تجربه مشتری

کاربرد یادگیری ماشین در تجربه مشتری (چشم انداز):

شکی نیست که یادگیری ماشین به شکل کنونی نقش مهمی در تجربه مشتری بازی می‌کند و به گفته برخی کارشناسان چشم اندازها حتی روشن‌تر هم هستند. بر اساس Digital Information World  همزمان با رشد کسب‌وکارها استفاده از یادگیری ماشین به صورت انفجاری رشد خواهد کرد. Oleksii kharkovyna  در مقاله ای که در Towards data science  منتشر شده است می‌گوید: ابزارهای یادگیری ماشین به تکامل خود ادامه خواهند داد و تجربه مشتری بهینه‌ای را فراهم خواهند کرد، به عنوان مثال چت‌بات‌ها و دستیاران مجازی اگر چه مفید هستند اما هنوز پتانسیل‌های بسیاری برای آنها وجود دارد.

برخی از پاسخهای آنها هنوز کامل و دقیق نیستند و بعضی اوقات پاسخی برای سوالات خاص نمی‌دهند یا برخی سوالات خاص را درک نمی کنند. از آنجا که یادگیری ماشین همچنان در حل تکامل است چت بات ها و دستیاران مجازی می توانند طیف کاملی از پاسخ‌ها را در بانک اطلاعاتی خود نگهداری کرده و اطلاعات بیشتری در اختیار داشته باشند. برای مثال تا چند سال آینده می‌توانیم کورتانایی داشته باشیم که حتی به پیچیده‌ترین سوالات پاسخ دهد. و جوابهایی مانند “منظور شما ….. بود؟” یا “متاسفم، نمی توانم این کار را انجام دهم” ممکن است به تاریخ بپیوندند. ممکن است کورتانایی داشته باشیم که یک متن کامل را برای او بخوانیم و او تایپ کند یا حتی از نظر ظاهری هم به شکل انسان نیز باشد

تقاضا برای یادگیری ماشین و هوش مصنوعی در آینده

این فقط یادگیری ماشین و هوش مصنوعی نیست که تکامل می‌یابد بلکه انتظار می‌رود تقاضا برای استفاده از یادگیری ماشین توسط کسب و کارهایی که مایل به بهینه‌سازی تجربه مشتری خود هستند نیز افزایش یابد.
برای مثال گارتنر (Gartner) پیش‌بینی می‌کند که تا سال ۲۰۲۲، ۷۲ درصد از تعاملات با مشتریان از طریق یک فناوری نوظهور مانند یادگیری ماشین صورت می پذیرد. این رقم در سال ۲۰۱۷، فقط ۱۱ درصد بود. پیش بینی می شود تا ۲۰۲۱ ،۵۵ درصد از تعاملات در خدمات به مشتریان به صورت کامل با این ابزارها انجام شوند این یعنی یک رشد ۴۰۰ درصدی نسبت به سال ۲۰۱۷ سوال اینجاست که آیا برنامه‌های یادگیری ماشین جایگزین عوامل انسانی خدمات مشتریان خواهند شد؟

Josh Bernoff ،, Gartner  P.V.Kannan ,معتقدند که این اتفاق نخواهد افتاد و در مقاله‌ای که این دو برای MIT Sloan Management  نوشته اند، آمده‌است که در آینده خدمات مشتری در واقع همکاری مشترک انسان و ماشین خواهد بود.به گفته کانان و برنف موضوع عدم استفاده از نیروی انسانی در خدمات مشتری نیست بلکه هوشمندتر شدن کارکنان است. وقتی ماشین‌ها سوالات متداول را کنترل کنند مشتریان خوشحال‌تر خواهند بود و هنگامی که کارکنان خدمات مشتریان بر روی سوالات پیچیده‌تر متمرکز شوند یا در پاسخ دادن به سوالات از پیشنهادهای ربات‌ها استفاده کنند می‌توانند خدمات به مراتب بهتری ارائه دهند.