人工智慧改善客戶服務體驗

導讀	隨著人們進入數字化世界，組織與客戶之間的關係在過去幾年一直在發生變化。客戶的期望比以往任何時候都高，組織需要找到新的方式與他們互動，並提高其流程和服務的效率和質量。在這種背景下，一些組織開始採用人工智慧技術提供更智慧的體驗和流程自動化來改善客戶服務。

人工智慧不僅可以幫助組織加快應用程式的開發，還可以使客戶更輕鬆地與應用程式進行互動。以下介紹越來越多的組織投資智慧解決方案的原因以及人工智慧在客戶服務中常見的用途。

將人工智慧視為人類厄運的時代早已一去不復返了。根據調研機構Gartner公司對人工智慧技術的調查，儘管2020年發生的冠狀病毒疫情減緩了很多組織對人工智慧技術的投資，但只有16%的受訪者表示暫時停止了人工智慧的投資，7%的受訪者表示減少了人工智慧的投資，而30%的受訪者表示增加了投資。

這是因為組織採用人工智慧可以獲得更多的好處，其中包括：

• 更高的使用者滿意度：根據Aberdeen公司和IBM公司聯合進行的一項研究，由於人工智慧提供的個性化體驗，33%的使用者表示提高了滿意度。
• 獲取新客戶：投資於人工智慧的組織獲得新客戶的可能性要高出3倍。
• 提高客戶保留率：採用人工智慧的組織提高客戶保留率的可能性要高出2.5倍。

因此，得益於自動化的智慧解決方案，投資於人工智慧的組織能夠增加收入和銷售額，同時節省大量的運營成本。

但是，只有十分之一的組織能夠真正將人工智慧投入生產。規模較小的組織難以採用，而擁有專門團隊和工具的大公司只將人工智慧用於最具戰略意義的專案。這主要有以下幾個原因：

• 人才匱乏：很難獲得和留住經驗豐富、知識淵博的人工智慧開發人員和資料科學家。
• 資料訪問：大多陣列織無法訪問適用於人工智慧嵌入式應用程式使用和學習的高質量和集中式資料。
• 不知道該怎麼做：大多陣列織不知道如何做，做什麼，以及如何有效地啟動人工智慧計劃。

有些組織計劃投資採用人工智慧解決方案，但不知道從何處入手，那麼可以瞭解一些常見的用例，在這些案例中，組織使用人工智慧技術來改善客戶服務，同時提供一些出色的現代應用程式。

聊天機器人是一種很好的參與方式，非常適合日程安排十分繁忙的組織，也是客戶服務中最常見的人工智慧用例之一。組織使用聊天機器人可以：

• 回答使用者問題：組織通常不會讓一線員工響應具體的需求，而是透過採用人工智慧技術的聊天機器人來回答使用者最常見的問題，從而減少了其他支援渠道的訪問量。
• 與客戶互動：客戶希望獲得直觀和即時的體驗;他們不希望在詢問簡單問題時填寫表格並提出請求。而聊天機器人可以用對話的方式為客戶提供反饋。
• 為員工提供支援：員工完成工作所需的許多資訊能夠以知識庫或Q&A格式儲存。聊天機器人可以透過一個介面以自然的方式查詢和詢問，從而幫助他們更高效地傳遞資訊。

Drift和Intercom是當前主流的聊天機器人軟體之一，而如今，現代的應用程式開發平臺還為組織提供了更多工具，可以快速構建完全根據業務需求定製的聊天機器人。這方面的一個例子就是CredAbility，它是應用程式開發人員建立的一種可以充當個人財務助理的聊天機器人，可以幫助使用者建立個人行動計劃，以實現提高信用評分等目標。

語言分析工具使協作者能夠從客戶反饋中提取關鍵資訊，並在這個基礎上調整他們的溝通方式。

語言分析是改善呼叫中心體驗的重要技術。聊天機器人可以透過語言分析檢測與之交談的客戶情緒，並相應地調整其語氣和行動。

行為和情感分析工具(BEAT)是一個很好的語言分析例子，這是德勤公司為一家大型金融服務機構開發的應用程式。行為和情感分析工具(BEAT)會將聊天機器人與客戶的電話內容和情緒記錄下來，以確定該客戶的感情是否脆弱，以及是否可能出現不好的結果。

德勤公司風險分析合夥人Andy Whitton表示，行為風險是組織和監管機構的首要任務。但是識別它通常是一個由隨機選擇驅動的耗時過程。對於金融服務機構來說，通常花費更多的時間和精力與客戶互動。Deloitte True Voice可以用在銷售金融產品的語言或行為方面，並在可能存在資料洩露風險時進行標記，並在對組織帶來嚴重風險之前發出警告。此外，它還有助於在組織的客戶互動中發現見解，提高價值，最佳化流程，並改善員工培訓。

目標檢測解決方案使組織可以自動執行與影像識別相關的任務。如果是Revolut的使用者，可能已經體驗過這個用例。例如希望改善新客戶驗證體驗的銀行或保險機構。藉助目標檢測，客戶只需上傳其ID的圖片，進行自拍，然後將ID中的臉部與自拍照片進行自動匹配，就可以驗證客戶的身份，從而取代了親自進行驗證的整個繁瑣過程。

這將為組織節省大量時間，併為其客戶提供更好的體驗。

光學字元識別通常用於文件處理自動化中。使用光學字元識別(OCR)，組織可以訓練系統讀取發票或訂單之類的文件，提取相關資訊並自動在系統中填充正確的欄位。這樣就能夠以更加數字化和高效的方式處理文件，以支援從紙質文件中更快、更準確地檢索資訊。

組織可以訓練機器學習模型並將其整合到其應用程式中，以發展預測分析，這將幫助組織做出更好、更明智的業務決策。機器學習有一些用例，最常見的是用於：

• 批准決策、風險分析或業務成果的自動化;
• 對票證進行分類以進行分類支援，分配給合適的團隊，並提出解決方案。
• 預測銷售折扣、產品需求、客戶支援需求和可用庫存。

例如，Randstad公司開發了採用機器學習技術搜尋應聘者的應用程式，這個名為Spotter的應用程式可以使招聘人員能夠立即搜尋Randstad公司提供的應聘者資料庫，以找到最佳人選來填補空缺的職位。

Randstad公司資訊長兼通訊技術經理Anne Reuver 表示，“在採用Spotter之前，從資料庫中獲取正確的資訊非常費力且複雜，以至於許多招聘人員都沒有以正確的方式使用它，Spotter現在使招聘人員能夠非常輕鬆地在應聘者資料庫中快速搜尋和識別最佳人才，因此採用率非常高，我們在荷蘭已經有2,000名招聘人員在使用它。 ”

如今的客戶比以往任何時候都要求更高。他們期望流暢輕鬆的體驗能夠與曾經擁有的最佳體驗相媲美。人工智慧技術可以透過提高效率以及所提供的流程和服務為客戶提供更好的服務。