Cách máy học có thể cải thiện trải nghiệm khách hàng

0 293

Học máy là một công nghệ đầy hứa hẹn để cải thiện trải nghiệm của khách hàng. Tại sao? Thật đơn giản: bởi vì nó có thể dự đoán hành vi của khách hàng. Dự đoán như một khả năng là Chén Thánh để thấy trước nhu cầu của từng khách hàng và cá nhân hóa các sản phẩm và dịch vụ cho phù hợp. Từ quan điểm của người tiêu dùng, khi tránh được những cạm bẫy đạo đức của ML, dự đoán có thể là liều thuốc giải độc cuối cùng cho tình trạng quá tải thông tin mà tất cả chúng ta phải đối mặt hàng ngày. Bằng cách triển khai ML để dự đoán nội dung nào phù hợp nhất cho từng cá nhân, khách hàng có thể nhận được đề xuất tốt hơn, ít thư rác hơn, rất ít thư rác trong hộp thư đến và kết quả tìm kiếm chất lượng cao hơn, cùng nhiều thứ khác. Những cải tiến này đối với trải nghiệm của khách hàng không chỉ là tác dụng phụ dễ chịu, dễ chịu của việc triển khai ML hướng đến lợi nhuận. Họ theo đuổi các lý do tồn tại của bất kỳ công ty nào — để phục vụ khách hàng — và cuối cùng sẽ chuyển thành lợi ích hơn nữa cho doanh nghiệp. Rốt cuộc, một khách hàng hạnh phúc hơn là một khách hàng trung thành hơn và tỷ lệ giữ chân khách hàng cao hơn có nghĩa là tốc độ tăng trưởng khách hàng cao hơn.

Học máy (ML) — công nghệ học hỏi kinh nghiệm (dữ liệu) để dự đoán hành vi của từng cá nhân — nổi tiếng với việc cải thiện điểm mấu chốt bằng cách vận hành các hoạt động chính hiệu quả hơn. Nhưng bạn có biết rằng nó cũng có thể cải thiện đáng kể trải nghiệm của khách hàng không?

ML tạo ra các dự đoán có thể hành động cho từng khách hàng và những dự đoán đó có thể định hướng cách phục vụ từng khách hàng. Bằng cách này, ML có thể nhắm mục tiêu chiến dịch tiếp thị đến những khách hàng có nhiều khả năng phản hồi hoặc không cho phép các giao dịch thẻ tín dụng có khả năng gian lận. Nó có thể chuyển thư rác có khả năng ra khỏi hộp thư đến email hoặc hiển thị thuộc tính (Airbnb), kết quả tìm kiếm (Google), sản phẩm (Amazon và Netflix) hoặc đối tác lãng mạn (Match.com) mà khách hàng có nhiều khả năng quan tâm nhất .

Bất chấp những đề xuất giá trị rõ ràng này, ML vẫn chưa được triển khai gần như rộng rãi và liền mạch nhất có thể. Vấn đề là thế giới chủ yếu tập trung vào mức độ tiên tiến và ấn tượng của công nghệ cốt lõi, điều này làm xao nhãng việc tập trung cao độ vào đề xuất giá trị hữu hình của nó — những cách chính xác mà nó có thể làm cho các quy trình kinh doanh hiệu quả hơn. Do đó, hầu hết các dự án ML không triển khai được, không bao giờ nhận ra giá trị kinh doanh dự định của chúng. Nhưng khi những người ra quyết định ngày càng nhận ra rằng ML có thể có tác động lớn đến trải nghiệm của khách hàng — bên cạnh lợi nhuận cuối cùng — các công ty sẽ bắt đầu chuyển trọng tâm sang việc tạo ra giá trị cụ thể bằng ML, cuối cùng là tăng tốc và mở rộng việc sử dụng nó.

Học máy giúp cải thiện trải nghiệm khách hàng như thế nào

Tại sao ML lại là một công nghệ đầy hứa hẹn để cải thiện trải nghiệm của khách hàng? Thật đơn giản: Nó có thể dự đoán hành vi của khách hàng. Dự đoán như một khả năng là Chén Thánh để thấy trước nhu cầu của từng khách hàng và cá nhân hóa các sản phẩm và dịch vụ cho phù hợp. Từ quan điểm của người tiêu dùng, khi tránh được những cạm bẫy đạo đức của ML, dự đoán có thể là liều thuốc giải độc cuối cùng cho tình trạng quá tải thông tin mà tất cả chúng ta phải đối mặt hàng ngày. Bằng cách triển khai ML để dự đoán nội dung nào phù hợp nhất cho từng cá nhân, khách hàng có thể nhận được đề xuất tốt hơn, ít thư rác hơn, rất ít thư rác trong hộp thư đến và kết quả tìm kiếm chất lượng cao hơn, cùng nhiều thứ khác.

Điều này có tiềm năng sâu rộng. Dự đoán của ML có thể nâng cao trải nghiệm của khách hàng trong các lĩnh vực kinh doanh và trong các ngành. Bằng cách minh họa, đây là bảy ứng dụng kinh doanh đã được thiết lập của ML, mỗi ứng dụng mang lại tác động đến điểm mấu chốt (cột ngoài cùng bên trái) — cũng như tác động đến trải nghiệm của khách hàng (cột ngoài cùng bên phải):

Khách hàng kêu gọi phát hiện gian lận

Ở một trong những lĩnh vực này – phát hiện gian lận – khách hàng đã yêu cầu các dự đoán của ML. Trên thực tế, họ lớn tiếng phàn nàn khi dự đoán thất bại. Thất bại có hai hương vị. Đầu tiên, nếu bạn với tư cách là khách hàng thấy một khoản phí bất ngờ trên hóa đơn thẻ tín dụng của mình, bạn có thể sẽ hơi khó chịu. Chưa hết, khi sử dụng thẻ tín dụng của bạn, nếu một khoản phí không được thực hiện vì hệ thống ngân hàng của bạn cho rằng nó có thể không được phép, thì bạn cũng có thể cảm thấy khó chịu.

Cách duy nhất để tối đa hóa trải nghiệm của khách hàng là giảm thiểu hai loại dự đoán sai đó — và đó là lúc ML ra đời. ML là khoa học cải thiện khả năng dự đoán bằng cách học hỏi từ dữ liệu. Đó là định nghĩa của nó.

Trong công tác phòng chống gian lận thẻ, FICO là đơn vị đi đầu. Sản phẩm Falcon của họ, được sử dụng bởi 9.000 ngân hàng, màn hình tất cả trong số các giao dịch được thực hiện với hầu hết các thẻ tín dụng và thẻ ATM trên thế giới — 2,6 tỷ thẻ trên toàn cầu. Bằng cách phát hiện gian lận với ML, một ngân hàng cỡ trung bình có thể tiết kiệm khoảng 16 triệu đô la, đồng thời cải thiện trải nghiệm của khách hàng bằng cách giảm khoảng 60.000 trường hợp gian lận mà chủ thẻ của ngân hàng đó gặp phải (xem số học mặt sau của chiếc khăn ăn tại đây ). Tôi coi Falcon là một trong những triển khai ML thương mại thành công và có ảnh hưởng rộng rãi nhất trên thế giới.

Hoạt động này hầu như không nhìn thấy được, nhưng những hiệu quả không nhìn thấy được như vậy thường mang lại nhiều lợi ích cho trải nghiệm của khách hàng hơn là các hoạt động dự đoán thu hút nhiều sự chú ý nhất. FICO Falcon ảnh hưởng đến từng người tiêu dùng thường xuyên hơn nhiều so với hệ thống ML nổi tiếng nhất, một hệ thống thường được người tiêu dùng biết đến: Điểm tín dụng FICO, tên hộ gia đình và yếu tố chính quyết định khả năng vay của bạn. Có thể hiểu được nhiều người cảm thấy rằng Điểm FICO của họ là một phần quan trọng trong danh tính của họ với tư cách là người tiêu dùng. Trong khi đó, mặc dù khả năng phát hiện gian lận của Falcon thường vô hình đối với người tiêu dùng, nhưng nó ảnh hưởng đến trải nghiệm của họ thường xuyên hơn nhiều: mỗi khi họ sử dụng thẻ của mình. FICO đánh giá sức mạnh tài chính vào ban ngày và chống tội phạm tài chính vào ban đêm.

Giúp tôi để giúp bạn: Tạo ra một chu kỳ đạo đức

Nhiều ứng dụng ML đã được chứng minh khác phục vụ lợi nhuận cuối cùng cũng phục vụ trải nghiệm của khách hàng, bao gồm việc sử dụng ML để định tuyến các cuộc gọi dịch vụ khách hàng, hợp lý hóa quy trình yêu cầu hỗ trợ và phát hiện các loại hành vi nguy hiểm khác ngoài gian lận, bao gồm lừa đảo, thông tin sai lệch và xúc phạm nội dung.

Tất nhiên, bằng cách giúp đỡ khách hàng, các công ty cũng giúp đỡ chính họ. Những cải tiến này đối với trải nghiệm của khách hàng không chỉ là tác dụng phụ dễ chịu, dễ chịu của việc triển khai ML hướng đến lợi nhuận. Họ theo đuổi các lý do tồn tại của công ty — để phục vụ khách hàng — và cuối cùng sẽ chuyển thành lợi ích hơn nữa cho doanh nghiệp. Rốt cuộc, một khách hàng hạnh phúc hơn là một khách hàng trung thành hơn và tỷ lệ giữ chân khách hàng cao hơn có nghĩa là tốc độ tăng trưởng khách hàng cao hơn. Bạn triển khai ML càng sớm để phục vụ các mục đích kép này, cải thiện cả lợi nhuận và trải nghiệm của khách hàng, thì công ty của bạn càng sớm có thể bắt đầu tận dụng chu kỳ hiệu quả này.

Thế giới bản tin | Vina Aspire News
Vina Aspire – Vững bảo mật, trọn niềm tin

Nguồn : https://hbr.org/2023/03/how-machine-learning-can-improve-the-customer-experience

Để lại một câu trả lời

Địa chỉ email của bạn sẽ không được công bố.

may lam kem nguyen lieu lam kem - nguyen lieu lam yogurt bột lm kem may ao thun may ba lo theo yeu cau san xuat moc khoa gia re may o thun quảng co dịch vụ bốc xếp Sản xuất đồ bộ