Kliendid ootavad kõrgetasemelist ja personaalset teenindust. Olgu suhtluskanaliks chat, e-post, telefon või sotsiaalmeedia – kliendid ootavad, et ettevõte tunneks neid, mõistaks nende ajalugu ja vajadusi ning pakuks asjakohaseid lahendusi. Selle ootuse täitmine skaleeritaval viisil on raske.
Traditsioonilised klienditeeninduse lahendused (näiteks skriptipõhised chatbotid või üldised KKK teadmistebaasi vastused) kipuvad andma igale kliendile ühesuguse, standardiseeritud vastuse. See võib jätta kliendile mulje, et teda koheldakse kui järjekordset numbrit, mitte individuaalset partnerit. Uuringud kinnitavad, et personaliseerimine on otsustava tähtsusega: 71% tarbijatest ootab, et firmad pakuksid isikupärastatud suhtlust, ja 76% tunneb pettumust, kui seda ei juhtu. Personaliseerimisele rõhku panevad ettevõtted teenivad oma tegevusest oluliselt rohkem tulu, kiiremini kasvavad firmad saavad keskmiselt 40% oma käibest personaliseeritud pakkumiste kaudu, võrreldes aeglasema kasvuga konkurentide. Personaalne kliendikogemus pole luksus, vaid hädavajalikkus konkurentsis püsimiseks.
Personaalse kogemuse pakkumine ei ole lihtne. Klienditeenindajad võivad küll püüda iga kliendiga personaalselt suhestuda, kuid nende mälu ja jõudlus on piiratud – uue kliendi kõne puhul ei tea teenindaja ostuajalugu ega eelistusi. Reeglitel põhinevate lahendustega on sama probleem. Isegi kui ettevõttel on suur hulk andmeid klientide kohta (ostuajalugu, kliendiprofiil, varasemad pöördumised) on reaalajas nende andmete kasutamine vestluses või teeninduses on olnud raskesti teostatav.
Näiteks kujutlegem e-posti teel kliendipäringut: klient küsib infot uue toote kohta ja mainib, et on varem sarnast toodet kasutanud. Tavaline klienditeenindaja vastab üldise tootekirjeldusega. Personaliseeritud lähenemine oleks aga märksa tõhusam – kui teenindaja teaks automaatselt, milline toode kliendil varem oli, võiks ta vastuses võrrelda uut toodet spetsiaalselt eelmisega, tuues esile relevantseid erinevusi. Samuti võiks ta arvestada kliendi profiili (nt kui klient on professionaalne kasutaja, pakkuda detailset tehnilist infot; kui hobikasutaja, siis rõhutada kasutusmugavust). Sellist detailset personaliseerimist igas kontaktis on inimestel keeruline järjepidevalt teha.
AI agent personaalseks teeninduseks
Tehisintellekti juhitud agendid suudavad reaalajas isikustada iga kliendiga suhtlust, ühendades suurte keelemudelite loomuliku keele mõistmise võime ja RAG (retrieval-augmented generation) tehnika kliendiandmetele ligipääsuks. Sisuliselt on tegemist nutikate vestlusroboga, mis “teab” iga kliendi kohta vajalikke fakte ja oskab vestluse käigus neid kasutada, pakkudes kliendile muljet, justkui suhtleks ta väga informeeritud inimkonsultandiga.
Kuidas see toimib?
Kujutame ette vestlusakent ettevõtte kodulehel, kus klient küsib: “Tere, mul on X1000 mudel nutitelefon, kas uuem Y2000 mudel oleks mulle sobiv uuendus?” Traditsiooniline bot võib anda üldise võrdluse. LLM+RAG agent aga teeb järgnevat: esmalt tuvastab ta kliendi. Seejärel pärib ta ettevõtte kliendiandmebaasist ja ostuajaloost infot – näiteks leiab, et klient ostis mudeli X1000 kaks aastat tagasi ja eelistab kaameratelefoni. Samuti toob süsteem välja tehnilise võrdluse X1000 vs Y2000 (otsides andmebaasist või tootevõrdluste tabelist). Nüüd genereerib suur keelemudel personaalse vastuse: “Tere, [Eesnimi]. Näen, et kasutasite seni mudelit X1000 – võrreldes sellega on uuel Y2000 mudelil 20% parem kaamera lahutusvõime ja kiirem protsessor. Kui teile meeldis X1000 kaamera, siis Y2000 pakub veel paremat öörežiimi ning lisaks on aku kestvus ~5 tundi pikem. Arvestades, et olete fotograafiahuviline, usun, et Y2000 oleks teile väga sobiv uuendus.” Selline vastus on märksa isikupärasem ja konkreetse kliendi jaoks väärtuslikum.
Tehniliselt koosneb lahendus mitmest komponendist. Ühendame AI-agentid ettevõtte CRM-i ja kliendiandmetega. Näiteks kasutame Azure SQL või Cosmos DB andmebaasi, kuhu on talletatud kliendi profiil, ostuajalugu, varasemad päringud. Samuti indekseerime tooteinfo ja kasutusjuhendid Azure AI Searchiga, et AI saaks vajadusel detailset infot toodete kohta. Iga vestluse alguses teeb tehsintellekt RAG päringu – tõmbab kokku seotud andmed kliendi kohta ja päringu teema kohta (nt toote võrdlusartiklid). Azure OpenAI GPT mudel, mis on eelhäälestatud klienditeeninduse stiilis suhtlema (viisakas, abivalmis toon) ning kasutama päringu kaudu saadud fakte,l võtab sisendiks nii kliendi küsimuse kui ka taustinfo, ning genereerib vastuse, mis põimib need kokku loomulikuks vastuseks.
Lahendus võib töötada mitmes kanalis:
- veebichat (vestlusaken kodulehel),
- e-post (AI võib koostada personaalse vastuse kliendi e-kirjale, mida inimene enne väljasaatmist üle vaatab),
- kõnekeskuse tugi (AI kuulab/ transkribeerib kõne ja annab operatiivselt inimesele infokilde või vastuse mustandi, mida operaator saab kliendile edastada).
Eriti võimas on see kombinatsioon hübriidmudelina: AI-assistent ja inimteenindaja teevad koostööd. Näiteks helistab klient helpdeski; teenindaja sisestab kliendi ID, AI tõstab ekraanile kliendi profiili olulisemad punktid ja soovitab vastuseid.
AI võimekus reaalajas suhelda kasvab pidevalt. Peagi on võimalik lasta AI-l otse kõnesünteesi kaudu kliendiga suhelda (kui on täielikult automatiseeritud kõnebot). Microsofti ökosüsteemis saame siinkohal kasutada Azure Bot Service abil loodud vestlusboti, mis integreerub QnA andmebaasi ja LLM-iga, ning Cognitive Services Speech teenust, kui vaja häälega suhelda.
Personaalse kliendisuhtluse juurutamine
Projekti elluviimine algab personade ja kasutusjuhtude defineerimisest: millistes olukordades ja kanalites AI-agent klienti teenindab? Valime näiteks esimeseks kasutusjuhtumiks veebilehe klienditugi tüüpiliste müügipäringute jaoks. Seejärel teeme nimekirja andmetest, mida personaliseerimiseks vaja läheb. Näiteks: kliendi põhiandmed (nimi, segment, eelistused), ostuajalugu, varasemad kontaktid (et teada võimalikke probleeme), huvipakkuvad tootekategooriad jne.
Teise sammuna koondame andmed AI jaoks optimeeritud vektoribaasidesse või teeme API päringud CRM-süsteemi. Tavaliselt on vaja kiireteks AI vastusteks andmeid teisendada, et kliendipäringule vastamiseks vajalik andmete koosseis oleks võimalik välja võtta võimalikult väheste päringutega. Samuti oleks hea teha päringuid paralleelselt, et vähendada vastamiseks kuluvat aega.
LLM koostab personaalseid vastuseid loominguliselt. Ühtse stiili hoidmiseks seame reeglid tagamaks brändikeele järjepidevuse ja täpsus. Näiteks anname juhise “Ole viisakas, pöördu kliendi poole nimepidi üksnes vestluse alguses, väldi tundliku isikliku info suvalist mainimist, paku ainult kontekstist lähtuvat infot.” See hoiab ära, et AI hakkaks liigselt familiaarseks või tooks esile midagi ebasobivat. Samuti peaks juhistega piirama teemade ringi, milles AI nõu annab.
Kui ettevõttel on salvestatud varasemad vestlused või e-kirjad, saame neid kasutada näidetena mudeli suunamisel. Näiteks sisestame prompti näite “Klient küsib X; siin on profiili andmed Y; soovitud vastus stiilis Z”. See aitab mudelil tabada õiget tooni ja põhjalikkuse taset. Azure OpenAI pakub võimalust mudeli tuunimiseks, kuid RAG lähenemise korral pole see tavaliselt vajalik.
Milliseid tulemusi oodata?
AI-põhiste personaliseeritud kliendiagentide rakendamine tõstab kliendirahulolu kui vastuses on arvestatud kliendi konteksti ja vastus seeläbi sisukam. Kontekstist lähtuva vastuse korral on ka rist- ja lisamüügi soovituste usaldusväärsus kõrgem.
Personaliseeritud teenindus suurendab ka probleemide lahendamise kiirust. Kui klient pöördub murega, et “minu eelmise tellimusega oli X probleem”, siis AI on juba kursis, mis tellimusest jutt, vabandab personaalselt ja pakub lahendust, enne kui kliendil tuleb kordama hakata tellimuse detaile. Konteksti arvestamine vähendab keskmist lahendusaega ja probleem laheneb tõenäolisemalt esimesel suhtluskorral..
Kui tänu AI kasutamisele tunneb klietn ennast VIP-ina, on tema rahulolu kõrgem, ostab rohkem ja teeninduskulud on madalamad.