IA: O Papel do Aprendizado de Máquina na Experiência do Cliente

O atendimento ao cliente não é mais apenas domínio de humanos. Afinal, as máquinas com inteligência humana simulada são cada vez mais usadas para ajudar os agentes de suporte humano a manter os clientes satisfeitos.

Considere as estatísticas.

De acordo com a Zoominfo, 80% dos líderes de vendas e marketing dizem que já usam inteligência artificial, principalmente um software de chatbot, na experiência do cliente ou planejam fazê-lo até 2020. A Juniper, por sua vez, prevê que os chatbots serão responsáveis ​​pela economia de custos de mais de US$ 8 bilhões anualmente até 2022.

O resultado final é que não há como negar que a IA continuará a desempenhar um papel importante no atendimento ao cliente, experiência do cliente em geral, nos próximos anos. Vale a pena ter uma boa compreensão do que realmente é. Neste artigo, vamos dar uma olhada no aplicativo de IA, aprendizado de máquina, que é particularmente relevante para a experiência do cliente.

Aprendizado de Máquina

De acordo com o Expert System, o aprendizado de máquina é uma “aplicação de inteligência artificial que fornece aos sistemas a capacidade de aprender e melhorar automaticamente com a experiência sem ser explicitamente programado”. Basicamente, o objetivo é permitir que as máquinas aprendam automaticamente para que possam responder de acordo com os dados que lhes são fornecidos.

Vamos tomar os chatbots como exemplo. Os chatbots dão respostas diferentes dependendo dos dados fornecidos a eles. Então, por exemplo, se você perguntar a “Sunshine”, o chatbot de uma empresa de fundos mútuos, como abrir uma conta, ele pode interpretar sua pergunta corretamente e responder da seguinte maneira:

Mesmo quando você não faz uma pergunta (resumindo, insere dados), você recebe esta resposta:

Resumindo, o chatbot interpretou a ausência de dados corretamente.

Basicamente, o aprendizado de máquina permite que os chatbots não apenas aprendam quando devem usar respostas específicas. Também permite que eles reúnam as informações necessárias dos usuários e lhes permite determinar quando devem passar uma conversa para um agente humano.

Você pode perguntar, mas como exatamente eles podem fazer isso em primeiro lugar? Entram os algoritmos.

Algoritmos de Aprendizado de Máquina

Um algoritmo de aprendizado de máquina é um processo ou conjuntos de procedimentos que ajudam um modelo a responder aos dados fornecidos a ele. O algoritmo especifica basicamente como os dados devem ser transformados de entrada em saída. Ele também especifica como o modelo deve aprender o mapeamento em todo o processo.

Existem diferentes tipos de algoritmos de aprendizado de máquina:

• Algoritmo de aprendizado de máquina supervisionado: Pode aplicar o que aprendeu a novos dados usando exemplos rotulados para prever eventos. Ele analisa um conjunto de dados de treinamento conhecido e, em seguida, faz previsões sobre os valores de saída. Ele também pode fazer comparações entre a saída correta e pretendida e a saída e, em seguida, fazer modificações.

• Algoritmo de aprendizado de máquina não supervisionado: Se a informação usada para treinar não for classificada nem rotulada, este tipo de algoritmo é útil. Não determina qual é a saída certa. Ele explora os dados e descreve as estruturas ocultas dos dados não rotulados.

• Algoritmo de aprendizado de máquina semi-supervisionado: como o termo indica, esse algoritmo usa dados marcados e não marcados para treinamento. Aqueles que usam esse método podem melhorar a precisão do aprendizado.

• Algoritmo de aprendizado de máquina de reforço: o algoritmo basicamente permite que as máquinas determinem o comportamento ideal dado um contexto específico para desempenho ideal. É chamado de algoritmo de aprendizado de máquina de reforço porque um feedback de recompensa simples, ou um sinal de reforço, é necessário para aprender qual ação é melhor.

Para entender isso melhor, vejamos como o aprendizado de máquina pode ser aplicado especificamente ao atendimento ao cliente.

Aprendizado de Máquina Aplicado à Experiência do Cliente

Os aplicativos de aprendizado de máquina são, na verdade, mais onipresentes do que muitas pessoas pensam.

A falta de conscientização não é surpreendente, uma vez que o estudo do aprendizado de máquina, como é, foi relegado à academia. Mesmo na escola, nem todos os alunos estudam o assunto. Pergunte por aí e você verá que apenas aqueles que se especializam em ciência da computação ou outros cursos relacionados à computação e até mesmo de engenharia serão obrigados a fazer isso.

Mas vamos tentar mudar isso com este artigo. Aqui estão os aplicativos específicos de aprendizado de máquina usados:

Chatbots

Os chatbots, como os que vimos nos exemplos da primeira parte do artigo, são um dos aplicativos de aprendizado de máquina mais usados ​​no setor de atendimento ao cliente. Na verdade, como os chatbots estão em toda parte, o Gartner diz que 67% das pessoas já esperam vê-los ou usá-los ao falar com uma empresa.

Graças ao aprendizado de máquina, os chatbots podem identificar com precisão a tag certa para cada conversa usando o processamento de linguagem natural. O resultado é o chatbot “lendo” e entendendo o que você diz. Depois de entender o que você está dizendo, ele envia a resposta apropriada (veja o exemplo “Sunshine” acima) ou direciona você para a pessoa certa que pode cuidar de seu problema.

Quanto mais conversas o chatbot tiver, mais correta será sua resposta. O feedback que recebe de clientes que dizem se a marcação está correta ou incorreta também permite que o chatbot melhore seu desempenho.

Assistentes Virtuais

Frequentemente, os assistentes virtuais são confundidos com chatbots. Eles, entretanto, não são os mesmos. Os chatbots simulam uma interação com um agente, enquanto os assistentes virtuais se concentram em áreas específicas da jornada do cliente para dar assistência ao cliente.

Se estiver usando a Microsoft, por exemplo, você pode perguntar verbalmente à Cortana quando o verão começa, e ela lhe dará as informações de que você precisa.

A questão é que a Cortana não mostrará isso apenas quando você perguntar:

Usando o Processamento de Linguagem Natural que imita os padrões da fala humana, ela lhe dirá a resposta em um tom que simula o tom humano, criando interações mais íntimas. Mas como os assistentes virtuais como Cortana, Siri da Apple, Google Assistant e Alexa da Amazon funcionam exatamente?

Quando você os ativa, sua solicitação é enviada aos servidores de propriedade da empresa do seu dispositivo (por isso é importante que você tenha um bom sinal de Internet). Enquanto isso está sendo feito, seu telefone ou alto-falante inteligente tenta descobrir se ele pode lidar com o comando sem as informações do servidor. Quando a solicitação chega aos servidores, um algoritmo analisa as palavras e o tom da sua solicitação e a combina com um comando que pensa que você pediu.

Portanto, em nosso exemplo acima, o algoritmo da Cortana combinou claramente sua solicitação com o comando certo. Mas o que acontece se você perguntar algo que o algoritmo não tem certeza? É quando o assistente virtual pode dizer “Você quis dizer _____?” ou “Desculpe, não posso fazer isso.”

Ferramentas de Verificação de E-mail

Se você já embarcou em uma campanha de marketing por e-mail ou em um e-mail de alcance durante a sua vida, sempre que enviou seus e-mails, tenho certeza de que sempre os verificou pela ferramenta de verificação de e-mail primeiro. Você faz isso o tempo todo porque sabe que, quando os e-mails são enviados para endereços de e-mail inválidos, eles voltam. Quanto mais alta for a taxa de rejeição, menor será a pontuação do remetente. O resultado é que você pode ser preso por filtros de spam.

Mas você já se perguntou como exatamente essa ferramenta de verificação de e-mail funcionava? Bem, isso é o aprendizado de máquina em jogo. Simplificando, algoritmos de aprendizado de máquina sofisticados fornecem a essa ferramenta de verificação de e-mail a capacidade de rastrear provedores de endereços descartáveis ​​mais elusivos e analisar se um e-mail realmente existe ou não.

Suporte de Agente Humano ao Cliente

Aqueles que usam o Uber provavelmente já entraram em contato com a empresa para obter suporte. Embora ainda sejam os agentes humanos do cliente que fornecem diretamente uma solução para o problema, adivinhe o que permite que os humanos façam isso com tanta velocidade e precisão?

Por meio do COTA, o Assistente de Ticket de Obsessão do Cliente da Uber, os agentes humanos de atendimento ao cliente têm o poder de fornecer a solução mais precisa para os milhares de tíquetes que surgem diariamente na plataforma em mais de 400 cidades em todo o mundo.

Quando o usuário do Uber acessa o aplicativo e responde a perguntas sobre o tipo de problema que está enfrentando, o usuário basicamente ajuda o COTA a “entender” o ticket por meio do processamento de linguagem natural.

O COTA então encaminha o ticket para a equipe adequada. Por meio de algoritmos de aprendizado de máquina, ele determina as três principais soluções classificadas para o agente humano do cliente. O agente humano do cliente, então, escolhe qual das soluções recomendadas ele considera a mais viável. Esta é a solução sugerida ao cliente.

De acordo com o Uber, o melhor roteamento de tickets graças ao COTA aumentou a eficiência em impressionantes 10%. “Ao melhorar o desempenho do agente e acelerar os tempos de resolução de tickets, o COTA ajuda nossa equipe de Obsessão ao Cliente a atender melhor nossos usuários, levando a uma maior satisfação do cliente”, disse Uber.

Ele acrescentou que a capacidade do COTA de agilizar a resolução de tickets economizou ao Uber “dezenas de milhões de dólares todos os anos”.

Ferramentas de Análise Comportamental/de Tendências

Algumas empresas usam o aprendizado de máquina para analisar tendências e padrões de comportamento. Isso é importante porque se você sabe como seus clientes se comportam, por exemplo, você pode fazer os ajustes necessários em seus serviços e produtos para melhor atendê-los. Se você analisar tendências, também pode fazer previsões nas quais basear suas decisões de desenvolvimento de negócio.

Codeacademy, uma plataforma online que oferece codificação, por exemplo, usa o Solvvy para analisar as tendências de busca do cliente. Ao fazer isso, ele foi capaz de encontrar os tópicos que os clientes estavam pesquisando, mas para os quais não encontraram respostas. O resultado? A Codeacademy conseguiu fechar as lacunas necessárias e reduzir a carga de trabalho de sua equipe de atendimento ao cliente. No final, os clientes obtiveram um serviço melhor.

A Air Canada, por sua vez, usou o aprendizado de máquina para analisar as milhares de conversas com clientes durante as reservas online. Ao analisar as reclamações dos clientes, a empresa determinou os problemas comuns que os clientes tinham na reserva de passagens e os tratou. Como a empresa melhorou a experiência do cliente, ela conseguiu economizar nos custos de mão de obra do suporte ao cliente.

Com base nesses exemplos, podemos inferir as maneiras específicas pelas quais o aprendizado de máquina otimiza a experiência do cliente. Aqui estão apenas alguns deles:

• Oferece suporte e conselhos
• Ele prevê padrões e tendências comportamentais
• Ele identifica os problemas do cliente
• Ajuda a melhorar o fluxo de trabalho
• Ele automatiza a atividade do agente
• Ele personaliza a experiência do cliente

Aprendizado de Máquina na Experiência do Cliente: Perspectivas

Não há como negar que o aprendizado de máquina, como ele é, já desempenha um papel importante na experiência do cliente. E as perspectivas são ainda melhores, de acordo com alguns especialistas.

De acordo com a Digital Information World, o aprendizado de máquina “vai explodir”, à medida que a demanda de negócios continua crescendo. Um artigo de Oleksii Kharkovyna publicado no Towards Data Science afirma que as ferramentas de aprendizado de máquina continuarão a “evoluir” e a fornecer uma experiência otimizada ao cliente. E isso não é nada improvável.

Os chatbots e assistentes virtuais, por exemplo, embora úteis, ainda não atingiram seu potencial máximo. Atualmente, algumas respostas do chatbot e assistentes virtuais estão desativadas. Às vezes, eles não respondem a perguntas específicas ou não compreendem perguntas específicas.

Conforme o aprendizado de máquina continua a evoluir, os chatbots e assistentes virtuais podem ter uma gama completa de respostas em seu banco de dados e uma maior compreensão dos dados.

Daqui a alguns anos, podemos ter a Cortana, por exemplo, respondendo até às perguntas mais complicadas. Respostas como “Você quis dizer _____?” ou “Desculpe, não posso fazer isso” pode ser apenas uma coisa do passado. Talvez possamos fazer com que Cortana digite um documento Word inteiro que você lê em voz alta? Ou que ainda tenha um corpo humano.

Demanda Futura de Aprendizado de Máquina

Mas não é apenas o aprendizado de máquina que vai evoluir. A demanda por aprendizado de máquina por empresas que desejam otimizar a experiência do cliente deve aumentar.

O Gartner, por exemplo, prevê que em 2022, 72% das interações com o cliente envolverão uma tecnologia emergente, como um aplicativo de aprendizado de máquina. Este é um aumento em relação aos 11 por cento registrados em 2017. Em 2021, ela disse que 15 por cento das interações de atendimento ao cliente deverão ser totalmente gerenciadas por essas ferramentas. Este é um aumento de 400% em relação a 2017.

A questão é esta. Os aplicativos de aprendizado de máquina substituirão os agentes humanos do cliente? Gartner, P.V. Kannan e Josh Bernoff acreditam que este não é o caso. Em um artigo escrito para o MIT Sloan Management Review, os dois disseram que o futuro do atendimento ao cliente é, na verdade, a colaboração máquina-humano.

De acordo com Kannan e Bernoff, não se trata tanto de se livrar dos trabalhadores, mas de torná-los mais inteligentes. “Quando as máquinas lidam com consultas de rotina, os clientes ficam mais felizes. E quando a equipe de serviço pode se concentrar em questões mais complexas – ou em responder a perguntas com um bot que faz sugestões – eles podem fornecer um serviço muito melhor ”, disseram eles.