هوش مصنوعی برای بهبود صدای مشتری

۱۰ روشی که هوش مصنوعی می تواند برنامه های صدای مشتری را بهبود ببخشد

  • مطابق گزارش سازمان NTT در سال ۲۰۲۰، ۷۷٪ از شرکت ها معتقدند که فرآیند های مرتبط با تعامل با مشتری، از جمله صدای مشتری (VoC)،  تحت تأثیر فناوری هوش مصنوعی قرار خواهند گرفت.
  • طبق گزارش سازمان NTT میزان  44٪ از شرکت ها اکنون برنامه های ساختاری صدای مشتری را به کار می گیرند تا بتوانند تجربه مشتری (CX) را بهبود و نوآوری های لازم را ابداع کنند.
  • طبق آن چه که در مطالعه بنچمارک سازمان جهانی دیتا (IDC) به میزان  30٪ از مشتریان به دلیل داشتن تجربه ی بد از خرید از یک برند دیگر سراغ آن برند نمی روند.

انتظارات مشتری همچون مسیر ریل گزاری شده ای است که نحوه پیشرفت روابط مشتریان با هر شغلی را نشان می دهد. این بیماری همه گیر( کرونا ) باعث شده مسائل قابل پیش بینی، غیرقابل پیش بینی شوند، پرسوناژ بازاریابی که در گذشته وجود داشت از بین برود و دوباره از نو مطابق نیاز های زمان امروز نوشته شود. مسیر های قدیمی ارتباط با مشتری و همچنین انتظارات مشتری به سرعت در حال تغییرند. داشتن نمای دقیق برون سازمانی آن هم از دید مشتری، ارزشی است که برنامه های VoC ارائه می دهند و بهترین این برنامه ها برنامه هایی هستند که بتوانند  اطلاعاتی را جهت راهنمایی سازمان برای اتخاذ استراتژی مورد نیاز خود ارائه دهند.

زمان آن رسیده که انرژی جدید و بینش هایی تازه در فرآیند ارتباط با مشتری بکار گیریم

سفارشات تجارت الکترونیکی خالص از ژانویه امسال به میزان ۱۱۰٪ رشد داشته است و درآمد تجارت الکترونیکی ۹۶٪ افزایش یافته است. این ارقام مبتنی بر داشبورد تجاری COVID-19  که توسط کمپانی Emarsys با همکاری GoodData ایجاد شده است می باشند. وقتی به ۳۰۶ میلیون آمریکایی دستور داده می شود تا در خانه بمانند، طبیعی است که تجارت الکترونیکی رونق بگیرد. آنچه مشخص نیست این است که چگونه الگوهای عادی و خرید معمولی که امروزه شکل می گیرد نوع روابط با مشتری را تغییر داده، برخی از رابطه ها را خاتمه داده و انواع جدیدی از رابطه ها را در آینده ایجاد خواهد کرد.

به دست آوردن بینش و هوشیاری لازم برای پر شور کردن روابط فعلی با مشتری، مستلزم استفاده بیشتر از هوش مصنوعی در برنامه های VoC می باشد. مواردی که در زیر به آن ها اشاره خواهد شد ده روش مبتنی بر هوش مصنوعی هست که می توانند برنامه های صدای مشتری را بهبود ببخشند:

۱- دانستن اینکه چه چیزی باعث می شود برخی از مشتریان زودتر از سایر مشتریان سازمان را ترک کنند با استفاده از تجزیه و تحلیل مبتنی بر هوش مصنوعی از اطلاعات تجربه مشتری، به تعریف و ایجاد کمپین های جدید برای حفظ آن ها کمک می کند.

استفاده از مفاهیم بنیادی هوش مصنوعی مبتنی بر الگوریتم های یادگیری ماشین نظارت شده و نظارت نشده برای درک بهتر چگونگی تغییر رفتار خرید مشتریان در سال جاری حائز اهمیت است. نقطه ی شروع کاهش نارضایتی ایجاد یک پایه ثابت از داده های تجربه مشتری و سپس آزمایش مداوم کمپین های جدید برای دانستن این که چگونه به بهترین شکل ممکن روابط خوب و سازنده ای با مشتری داشت، می باشد.

برای مرور کلی نقش هوش مصنوعی در فرآیند تجربه مشتری، میتوانید به مقاله اخیر Will Thiel با عنوان “نقش هوش مصنوعی در تجربه مشتری” مراجعه کنید. ویل بنیانگذار و معمار اصلی نرم افزار Pointillist می باشد.

صدای مشتری

۲- استفاده از الگوریتم ها برای متن کاوی لحظه به لحظه از هر منبع داده ی متنی و بدون ساختار که برای تجزیه و تحلیل میزان احساسات مشتریان موجود است.

استفاده از فناوری پردازش زبان طبیعی (NLP) برای ساختن مدل های معنادار از کلیه متن های موجود بدون ساختار، دید کلی از احساسات مشتریان نسبت به یک مارک، محصول یا خدمات خاص را فراهم می سازد. با استفاده از تجزیه و تحلیل احساسات می توان میزان احساساتی که یک برند خاص در افراد می انگیزد را تعیین کرد.

تیم های بازاریابی با آموزش مداوم مدل های پیش بینی با داده های مشتری، می توانند بهتر درک کنند که چه چیزی مشتریان را بیش از همه خوشحال می کند و چگونه از بی تفاوت شدن یا عصبانیت آن ها جلوگیری کنند – با فراهم کردن بینش های ارزشمند با توجه به سرعت تغییر مشتریان امروزی. برای اطلاعات بیشتر در مورد این موضوع ، یک مطلب مفید در وبلاگ Qualtrics موجود است با این عنوان که چگونه می توان از آنالیز احساسات برای بهبود تجربه مشتری استفاده کرد. این گرافیک نشان می دهد که تجزیه و تحلیل احساسات یعنی چه:

صدای مشتری2

۳- هوش مصنوعی امکان گسترش دامنه تجزیه و تحلیل گفتار را فراهم می آورد تا این تجزیه و تحلیل شامل مکالمات مرکز تماس، بازخورد مشتری مبتنی بر متن و داده های عملیاتی از هر نقطه ای که مشتری با آن جا ارتباط داشته را شامل شود.

ارائه خدمات پایدار و فروش های مطمئن در هر کانال در زمان واقعی و نگه داشتن ذخیره ی مکالمه با مشتری در قالب متن، برای هر شغلی که امروزه بخواهد مشتریان خود را حفظ کند مهم است. مدیران ارشد بخش بازاریابی (CMO) که در این مقاله با آن ها صحبت شده و اذعان داشته اند که به طور فعال در کسب و کار خود از فناوری آنالایز گفتار استفاده می کنند، می گویند که استفاده ی از این فناوری نیاز به یک چارچوب استراتژیک بسیار گسترده تر را برای بهتر شدن تجارب مشتری را نشان می دهد.

مفاهیمی که مشتریان در مورد آن ها صحبت می کنند به بهترین شکل توسط فناوری آنالیز گقتار به عنوان یک چارچوب و نقشه ی راه به سازمان نشان داده می شوند. مطالعات شرکت مستقل دیجیتالی BMC نشان می دهد که مدیران ارشد بخش بازاریابی چگونه میخواهند با استفاده از هوش مصنوعی و یادگیری ماشین (ML) اطلاعات لازم برای این که سازمان مشتری محور باقی بماند و در برنامه های VoC نسبت به رقبا برتر باشند را بدست آورند.  آنچه در مورد این چارچوب قابل توجه است این است که چگونه برای فراهم کردن چابکی بیشتر و زمان ورود سریع تر محصول به بازار در یک سازمان طراحی شده است. این روش راهی برای ارائه تجربه ای بی نظیر برای مشتری، ارائه تجربه ای مثبت از کارمندان و پشتیبانی از روند تکامل دیجیتالی یک سازمان ارائه می دهد. نمودار زیر چارچوب ADE را نشان می دهد:

صدای مشتری3

۴- بسترهای نرم افزاری آنالیز گفتار ابری از جمله Amazon Connect ، به هوش مصنوعی متکی هستند تا موانع موجود در راه اندازی و تنظیم برنامه های VoC را در نواحی جغرافیایی مختبف و زبان های مختلف از بین ببرند.

Amazon Connect ترکیبی از فناوری Amazon Transcrib را برای تشخیص گفتار در لحظه و ایجاد رونویسی از متن با کیفیت بالا از هر تماس و تبدیل آن به متن را انجام می دهد. فناوری Amazon Comprehend برای آنالیز هر تعاملی با مشتری و تشخیص نوع احساس فرد تماس گیرنده استفاده می شود. Amazon Connect همچنین می تواند کلمات کلیدی و عبارات موجود در مکالمه را شناسایی کند و هنگامی که مکالمه با فناوری Amazon Translate ترکیب می شود می توان مکالمات را به زبان دلخواه اپراتور تحویل داد. در زیر نموداری از پلتفرم Amazon Connect قرار دارد:

صدای مشتری 4

۵- بینش های به دست آمده با استفاده از هوش مصنوعی منجر به تبدیل مراکز تماس از صرفا ارائه دهندگان خدمات دست اولی به نقطه ی تمایز استراتژیک سازمان ها می شود که باعث پیشرفت چشمگیر در رضایت مشتری و بهبود عملکرد مالی سازمان می شود.

شرکت ها تاکنون از آنالیز پیشرفته استفاده کرده اند تا میانگین زمان خدمات تلفنی را تا ۴۰٪ کاهش دهند، نرخ بهبود خدمات سلف سرویس را ۵ تا ۲۰٪ افزایش دهند، هزینه های کارمندان را تا ۵ میلیون دلار کاهش دهند و نرخ تماس های خدمات-فروش را تقریباً تا ۵۰٪ افزایش دهند در حالی که رضایت مشتری و تعامل کارمندان را نیز بهبود بخشدیده اند.

صدای مشتری5

۶- الگوریتم های یادگیری ماشین امکان ارائه یک نمای چند بعدی در لحظه را از عملکرد ذهنی، لحن صدا، احساسات و تغییرات نسبی در هر یک از تماس گیرنده و اپراتور را همگی در داشبورد یکپارچه فراهم میکند.

تلفیق الگوریتم های یادگیری ماشین نظارت شده و نظارت نشده برای یافتن الگوهای داده های موجود و ایجاد مدلهای زبانی و نگرشی کاملاً جدید، نیاز سازمان ها برای ایجاد انرژی و بینش جدید در روابط با مشتری را تامین میکند. جدول نمونه ی زیر در مورد آنچه ممکن است هنگام استفاده از تکنیک های یادگیری ماشین برای داده های مرتبط با VoC اتفاق بیافتد تا دریابید که چه چیزی باید در زمان مناسب بهبود یابد و چه قسمت هایی از کار خوب پیش میرود. منبع: داشبورد مشتری VoiceBase.

صدای مشتری 6

۷- ترکیب بینش های مبتنی بر هوش مصنوعی به دست آمده از داده های رفتاری و عملیاتی مشتری در لحظه با داده های NPS به تعیین آستانه ریسک مشتری قبل از اینکه به رقیب مراجعه کند.

NPS یکی از معیارهای متداول برای تعیین کمیت میزان وفاداری مشتریان به یک شرکت خاص است که از آنجا خریداری می کنند. مطلبی که اخیرا وبلاگ  Qualtrics راجب شاخص خالص مروجان (NPS) گذاشته تعریف و مثالها توضیحی عالی را در این باره ارائه می دهد. هنگامی که داده های NPS، داده های مرتبط با مشتری، داده های رفتاری و عملیاتی با استفاده از شبکه های عصبی یادگیری عمیق مورد تجزیه و تحلیل قرار می گیرند می توان فهمید که کدام مشتریان با احتمال کمتری مجموعه را ترک خواهند کرد. آنچه که در مورد این تکنیک قابل توجه است این است که در غیر این صورت این کار می تواند چند هفته طول بکشد تا به همان نتیجه گیری برسد درحالیکه تحلیل مبتنی بر هوش مصنوعی این کار را در چند ثانیه انجام می دهد.

صدای مشتری7

۸- شخصی سازی استراتژی های بازیابی خدمات توسط هر مشتری با استفاده از هوش مصنوعی نرخ نگهداری را بهبود می بخشد و هزینه های بالای از دست دادن مشتری را کاهش می دهد. خدمات بازیابی، استراتژی است که تلاش آن برای نجات روابط مشتری پس از وقوع خرابی در خدمات ارائه شده است.

ماهیت یک استراتژی کارآمد بازیابی خدمات، اصلاح مشکلات فراتر از انتظار مشتری است. تکنیک های مبتنی بر هوش مصنوعی برای طراحی یا شخصی سازی پاسخ های بازیابی خدمات، در حفظ روابط بین مشتری پس از یک خطای خدماتی بسیار مؤثر هستند.

۹- عیب یابی فرآیند خدمت دهی به مشتری برای ساده سازی و بهبود تجربیات اولیه مشتری با استفاده از رویکرد مبتنی بر Six Sigma برای بهبود کیفیت و اتوماسیون با استفاده از هوش مصنوعی.

Six Sigma یک چارچوب و متدولوژی مدیریتی شناخته شده و جهانی است که برای از بین بردن واریانس  (تعداد عیب در هر قطعه یا محصول) در فرایندها مورد استفاده قرار می گیرد. مفهوم اصلی شش سیگما فرآیند DMAIC (طراحی ، اندازه گیری ، تجزیه و تحلیل ، بهبود و کنترل) است. صدای مشتری برای نهادینه کردن فرآیند DMAIC جهت برآورده کردن انتظارات مشتری لازم و ضروری است و تضمین می کند که پیشرفت های فرآیند مطابق با نیازهای مشتری باشد. هوش مصنوعی به طور گسترده برای تفسیر انواع اشکال محتواهای متنی و بدون ساختار فرآیندهای آنلاین مرتبط با مشتری مورد استفاده قرار می گیرد تا موجب بهبود آن ها شود.

۱۰- باید بدانید که چگونه افزایش فروش، فروش متقابل، برگزاری کمپین ها و تبلیغات بر درک مشتری و وفاداری مشتریان نسبت به برند تأثیر می گذارد خصوصاً از طریق کانال های جدید خرید و فروش از جمله تجارت الکترونیکی و تلفن های همراه.

این بیماری همه گیر منجر به به وجود آمدن رفتارهای جدید خرید از سوی مشتریان و استفاده های از داده های عادی شده است که مشتریان قبل ها وقت آن را نداشتند که آن ها را در خرید خود لحاظ کنند. دانستن این که هر تلاشی برای متقاعد کردن مشتری برای خرید و فروش کالاهای متفاوت به مشتری ضروری و مهم است. همچنین ، توانایی نظارت بر سطح فعالیت ها و تبلیغات و وفاداری مشتری با فعالیت های تبلیغاتی، جوهره شناخت صدای مشتری و چگونگی ارائه خدمات بهتر برای آن ها در حال حاضر و آینده است.

بیشتر بخوانید:

منبع forbes.com
0/5 (0 نظر)

درباره‌ی علی قلی زاده

همچنین ببینید

من هوش مصنوعی هستم انویدیا

من هوش مصنوعی هستم

” من یک کاوشگر هستم که در جستجوی منشاء جهان ما و ترسیم مسیری امن …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *