Od umelej inteligencie si dnes každý sľubuje hlavne zvýšenie efektivity a produktivity. Je pravda, že AI dokáže zrýchliť procesy, znížiť náklady a odbremeniť zamestnancov. Jej hodnota však závisí od toho, či rieši správny problém. A ak automatizujete proces, ktorý nie je pre ľudského používateľa optimálny, škálujete existujúce nedostatky.

Inovácia je nový spôsob pozerania na starý problém

Pri nedávnom projekte pre jednu z popredných slovenských bánk sme redizajnovali pracovné rozhranie softvéru pre pobočkovú sieť. Počas výskumu používania nástroja sme okrem mnohých UX problémov identifikovali aj jeden výrazný problém. Pobočkári pri konzultácii so zákazníkom prechádzali cez 116-políčkový formulár o klientovi.

Banka si od tohto procesu sľubovala aktuálne a kvalitné dáta o zákazníkoch. Realita však bola iná. Zamestnanci vedeli, že žiadny zákazník nebude ochotný stráviť konzultáciu vypĺňaním stovky otázok, preto do niektorých povinných polí zadávali iba bodky, aby ušetrili čas. Výsledkom bola frustrácia zamestnancov aj zákazníkov a zároveň dáta, na ktoré sa banka nemohla spoľahnúť.

Systém bol navrhnutý viac pre potreby technológie než pre potreby človeka. Ak zamestnanci dlhodobo pracujú v neoptimálnom prostredí, prirodzene si vytvoria skratky a obchádzky, aby dokázali svoju prácu vykonať.

Pred každou automatizáciou preto potrebujeme najskôr rozumieť používateľským cestám, identifikovať bariéry a optimalizovať samotný proces. Human journey first, feature second.

Keď problém nebol v call centre, ale vo faktúrach

Bratislavská vodárenská spoločnosť čelila vysokému počtu zákazníckych dopytov smerujúcich na call centrum. Pôvodná hypotéza smerovala k zlepšeniu zákazníckej komunikácie. Nebolo však jasné, či je problém na webe, v zákazníckej podpore alebo v samotných dokumentoch, ktoré zákazníci dostávajú.

Namiesto optimalizácie FAQ na webe alebo automatizácie zákazníckej podpory sme na základe výskumu identifikovali zdroj problému. Zákazníci jednoducho nerozumeli faktúram. Realizovali sme používateľské testovanie s niekoľkými respondentmi, skutočnými zákazníkmi BVS. Na základe analýzy hovorov, používateľského výskumu a testovania sme navrhli nové faktúry a zákaznícke dokumenty.

Vďaka redizajnu zákazníckych dokumentov sa v BVS podarilo znížiť počet dopytov na call centre týkajúcich sa faktúr o 21,6 % a zároveň znížiť počet zaslaných prvých upomienok o 5,9 %.

Alternatívne mohla BVS nasadiť AI chatbota na zodpovedanie otázok k faktúram a znížiť tak záťaž call centra. Ak by však najskôr nepochopila skutočný problém, umelou inteligenciou by iba zautomatizovala obsluhu nejasnej komunikácie namiesto odstránenia jej príčiny.

Takéto zlepšenia v kľúčových metrikách dnes dávajú BVS istotu, že pri ďalšej optimalizácii procesov budú automatizovať správne nastavený proces a nebudú ďalej škálovať existujúce problémy. Technológia môže byť akokoľvek výkonná, no jej hodnota závisí od toho, či rieši skutočný problém zákazníka alebo organizácie.

Predtým než zapojíte AI, identifikujte problém

Meňte dáta na insighty

Dáta nám nepovedia celý príbeh. Potrebujeme kontext. Demografické dáta hovoria, kto sú vaši zákazníci, analytické dáta ukazujú, čo robia, kde odchádzajú z onboardingu, ktoré produkty využívajú alebo koľko dopytov prichádza na call centrum. Až rozhovor so zákazníkom však odhalí dôvod, prečo sa nejaký jav deje. 

Dobrým príkladom je zdravotná poisťovňa Dôvera. Pri výbere dlhov na poistnom čelila nízkej, iba 19-percentnej úspešnosti, pretože na všetkých neplatičov aplikovala rovnaký, šablónovitý prístup. Používateľský výskum však odhalil odlišné motivácie a bariéry rôznych typov dlžníkov. 

Na základe týchto zistení sme komunikáciu prispôsobili jednotlivým segmentom, namiesto plošnej automatizácie. Cielené upomienky s upraveným tónom a argumentáciou priniesli merateľný výsledok: úspešnosť úhrady sa zvýšila z 19 % na 24 %, čo predstavuje relatívne zlepšenie o viac ako 26 %.

Overujte hypotézy s ľuďmi

Zistenia sú stále iba domnienky alebo predpoklady vyčítané z dát. Overujte ich v reálnom rozhovore s reálnymi ľuďmi, či už zákazníkmi alebo zamestnancami. Na to je potrebný profesionálne vedený antropologický rozhovor, pre ktorý je vhodné využiť skúseného dizajnového partnera alebo výskumnú agentúru.

Veľa firiem s problémom, aký mala BVS, by zadalo dodávateľovi priamo požiadavku: „Redizajnujte Q&A sekciu na webe, pretože máme veľa dopytov na call centrum.“ Takéto riešenie by však bolo len náplasťou na zlomeninu. Bez používateľského výskumu by sme sa nedostali na skutočný koreň problému. Vďaka zapojeniu CX dizajnu sme nielen identifikovali príčiny, ale aj navrhli riešenia, ktoré znížili celkový počet dopytov na call centre a zároveň zvýšili zákaznícku spokojnosť.

Počítajte stratu / návratnosť

Príležitosti odhalené vďaka zákazníckemu výskumu začnú medzi sebou súperiť o vaše investície. Nie každý problém je hodný komplexného riešenia v podobe nákladných AI nástrojov. Počítajte business case, teda analýzu návratnosti. V tom vám najviac pomôže váš produktový tím alebo nezaujatý partner, ktorý sa vie na náklady pozrieť nepredpojatými očami.

Ak ide o používateľský problém, ktorý sa objavuje sporadicky, veľmi pravdepodobne nie je potrebné robotizovať jeho riešenie a na automatizácii by ste prerobili. Ak má prípad veľkú prevalenciu, vtedy sa oplatí využiť páku umelej inteligencie. Nezabudnite však na to, že AI prinesie najväčšiu hodnotu vtedy, keď najprv pochopíte človeka, podľa neho navrhnete proces a až následne ho budete pomocou technológie škálovať.

Technológia sama o sebe neznižuje rozdiel medzi očakávaniami zákazníkov a realitou. Ten znižuje schopnosť firmy počúvať, porozumieť a správne reagovať na potreby ľudí. AI je potom silná páka, ktorá dokáže dobré riešenia zrýchliť a rozšíri, ale iba vtedy, keď stojí na správnom základe.