Stvarni dometi veštačke inteligencije u korisničkoj podršci

Metodologija iza prvog javnog testa

Tržište softvera za elektronsku trgovinu preplavljeno je obećanjima o potpuno automatizovanoj korisničkoj podršci i rešavanju problema bez angažovanja zaposlenih. Većina kompanija se oslanja na probne verzije, marketinške prezentacije i zatvorene simulacije koje prikazuju sisteme u idealnim uslovima. Kako bi se utvrdilo šta tehnologija zaista može u svakodnevnom radu, sprovedeno je javno testiranje trinaest različitih provajdera na uzorku od dvocifrenog broja aktivnih srednjih prodavnica.

Za razliku od laboratorijskih uslova, testiranje je obuhvatilo stvarne internet prodavnice koje vode poslovanje sa pravim zalihama robe i realnim kupcima. Svaki sistem veštačke inteligencije dobio je istovetne poruke kupaca, dok je nezavisni sudija, bez saznanja koji vendor stoji iza kog odgovora, ocenjivao preciznost rešenja prema dvadeset šest binarnih kriterijuma. Činjenice poput cena, poslovnih politika i šifara artikala proveravane su programski direktno u aktivnoj bazi podataka prodavnice.

Rezultati su pokazali ogroman jaz između promotivnih tvrdnji i operativne stvarnosti. Najuspešniji sistemi uspešno rešavaju oko sedamdeset procenata razgovora od početka do kraja. Srednja vrednost za celo tržište iznosi četrdeset osam procenata, dok posmatrano po volumenu razgovora celokupni prosek pada na četrdeset šest procenata automatski rešenih slučajeva.

Skrivena slabost standardnih platformi

Većina preduzeća već koristi neke od poznatih platformi za upravljanje upitima i komunikaciju sa kupcima, poput rešenja koja nude Zendesk, Intercom ili Klaviyo. Ovi sistemi obično nude i sopstvene module veštačke inteligencije koji se jednostavno uključuju u postojeći paket usluga. Kompanije ih biraju zbog praktičnosti i činjenice da ne moraju da uvode poseban softver treće strane za obradu poruka.

Međutim, pomenuto testiranje otkriva da su upravo rešenja koja dolaze u paketu sa postojećim helpdesk i mejl alatima među najslabijim opcijama na tržištu. Nijedan od pomenuta tri giganta nije prešao granicu od četrdeset dva procenta automatski rešenih razgovora. Zendesk se zaustavlja na trideset sedam odsto, Intercom na četrdeset dva, dok Klaviyo beleži svega dvadeset jedan procenat uspešnosti u samostalnom rešavanju.

Ovi podaci stavljaju menadžment pred ozbiljnu stratešku odluku. Oslanjanje na podrazumevane alate u okviru već kupljenih softverskih paketa štedi vreme na integraciji, ali ostavlja više od polovine upita za ručnu obradu. Ukoliko je cilj maksimalna efikasnost i rasterećenje tima za podršku, uvođenje specijalizovanih rešenja postje neophodan korak.

Zašto stopa automatizacije zavisi od kvaliteta

Posmatranje samo stope automatizacije može lako da zavara poslovne vođe i dovede do pogrešnog izbora partnera. Visok procenat zatvorenih razgovora gubi svaku vrednost ukoliko veštačka inteligencija daje netačne informacije, poput pogrešnog roka za povraćaj robe. Takve situacije ne samo da ne rešavaju problem, već stvaraju dodatni kontakt jer nezadovoljan kupac ponovo piše podršci.

Uporedna analiza stope automatizacije i ocene kvaliteta koja se kreće od nula do sto jasno razdvaja sisteme na tržištu. Pojedini provajderi postižu izuzetno visoku automatizaciju ali uz slabiji kvalitet odgovora, dok drugi nude vrhunske i precizne odgovore ali rešavaju manje od polovine slučajeva. Samo malobrojni uspevaju da održe visok nivo na obe ključne metrike.

Praktična računica pokazuje da loš odgovor generiše sopstveni priliv budućih tiketa. Ukoliko sistem pošalje kupca na pogrešnu adresu ili mu da netačnu informaciju o statusu pošiljke, trošak rešavanja te situacije postaje veći nego da je agent odmah preuzeo razgovor. Zbog toga se podrška mora posmatrati kroz prizmu tačnosti, a ne samo brzine zatvaranja sesija.

Definicija rešenog slučaja i uticaj na budžet

Značajan deo razlika između zvaničnih izveštaja proizvođača softvera i nezavisnih testova leži u samoj definiciji rešenog razgovora. U pomenutom istraživanju, konverzacija se računa kao automatizovana isključivo ukoliko ju je veštačka inteligencija obradila sa nula ljudskog dodira. Svako prebacivanje na osobu, slanje na kontakt formu ili upućivanje na pozivni centar vodi u kategoriju neuspešnih pokušaja.

Sa druge strane, interni izveštaji kompanija i provajdera često koriste mnogo šira pravila. U izveštajima platformi poput Gorgiasa, interakcija se beleži kao uspešna ukoliko je sistem odgovorio i nakon toga prođe određeni vremenski period bez naknadnog javljanja kupca. Kupac koji je odustao iz frustracije i nikada se više nije vratio u sistem tamo se i dalje tretira kao uspešno rešen slučaj.

Ova razlika direktno utiče na finansijski plan preduzeća jer modeli naplate obično prate definiciju uspešnosti. Kada provajder naplaćuje uslugu po uspešno rešenom razgovoru, neophodno je dobiti pisanu potvrdu šta tačno ulazi u tu cenu. Kriterijumi moraju biti jasno definisani pre potpisivanja ugovora kako bi troškovi ostali pod kontrolom.

Gde tehnologija gubi korak sa kupcima

Analiza sadržaja upita pokazuje da efikasnost sistema drastično opada u zavisnosti od vrste problema sa kojim se kupac obraća. Pitanja vezana za politiku povraćaja robe i uslove dostave rešavaju se sa visokom preciznošću jer se zasnivaju na statičnim tekstovima sa stranica sajta. Sa druge strane, složeniji upiti koji zahtevaju proveru u živom sistemu beleže znatno slabije rezultate.

Praćenje statusa pošiljke predstavlja najveći deo ukupnog broja upita u elektronskoj trgovini, a istovremeno se nalazi pri dnu liste uspešnosti sistema. Pored toga, najčešći tehnički uzroci neuspeha uključuju prepreke u autentifikaciji korisnika, stalno ponavljanje zahteva za unosom broja narudžbine i besomučne petlje u kojima se sistem vrti u krug. Veštačka inteligencija retko izmišlja podatke, ali se često dešava da jednostavno odbija da sarađuje sa kupcem.

Kvalitet podešavanja sistema, bezbednosne provere identiteta i pravila eskalacije čine glavnu razliku između prosečne i vrhunske primene. Brandovi koji posvete vreme detaljnoj konfiguraciji i integraciji sa internim bazama podataka postižu znatno bolje rezultate od onih koji oslanjaju isključivo na fabrička podešavanja modela.

Planiranje poslovnog slučaja i realna očekivanja

Prilikom izrade finansijske procene uvođenja veštačke inteligencije u korisničku podršku, rukovodstvo treba da pođe od konzervativnih pretpostavki. Najbolji sistemi u svojim najboljim mesecima ostavljaju oko trideset procenata razgovora za ljudske agente ili specijalizovane timove sa dubljim pristupom sistemima. Planiranje sto procentne automatizacije predstavlja nerealan cilj koji vodi u operativne probleme.

Pre donošenja odluke o kupovini softvera, preporučuje se sprovođenje sopstvenog testa na referentnim sajtovima provajdera. Uzimanje trideset stvarnih upita iz prethodnog meseca i testiranje kroz anonimne sesije na sajtovima njihovih postojećih klijenata daje jasniju sliku od bilo koje prezentacije. Metodologija testiranja je javno dostupna, što omogućava svakom preduzeću da na isti način oceni i sopstveno postojeće rešenje.

Takođe, stabilnost performansi predstavlja poseban izazov jer većina testiranih sistema beleži pad efikasnosti tokom vremena. Promene modela, modifikacije na sajtovima i složenija pitanja kupaca utiču na to da se rezultati menjaju iz meseca u mesec. Zbog toga redovna mesečna provera i prilagođavanje postavki postaju obavezan deo upravljanja modernom korisničkom podrškom.

Izvor: Jason Lemkin, SaaStr · Fotografija: Pexels / Freepik (ilustracija)