Chatbot con IA (Inteligencia Synthetic), motor de búsqueda, hombre de negocios que usa conexión de computadora portátil a IA, usa el símbolo del sistema para generar una thought o resolver problemas, transformación digital, website positioning.
getty
Las plataformas de comercio electrónico y los servicios de streaming nos han convertido en ciudadanos de ecosistemas digitales: con infinitas opciones para elegir y mimados por asistentes digitales. Con opciones de comparación instantánea, puede basar sus decisiones de compra en productos, características, precios, descuentos y opiniones de clientes competitivos.
Estaría tentado a llamar a estas interacciones “búsquedas”, pero son mucho más. Estas sugerencias proactivas basadas en datos son proporcionadas por “recomendadores” que le brindan experiencias personalizadas (basadas en sus búsquedas, compras y clics anteriores) desplegadas como una alfombra roja digital donde se le muestran opciones basadas en sus resultados probados (o potenciales). intereses.
La evolución del Private Shopper en los servicios digitales
Cuando buscas recomendadores en el mundo físico, la analogía más cercana que se me ocurre es la del comprador private en una tienda minorista de lujo. Este empleado de la tienda es esencialmente un vendedor que conoce las preferencias, estilos y presupuestos de sus clientes.
Estos “recomendadores humanos”, sin embargo, tienen sus limitaciones. Si bien son buenos para brindar experiencias de compra altamente personalizadas, no pueden igualar la escala o la amplia gama de parámetros que ofrecen los recomendadores digitales. Su perfil de Netflix es un gran ejemplo del poder de los recomendadores digitales: se le solicita que consulte o marque películas del mismo género, mismo elenco, misma franquicia, tramas similares o películas de tendencia en su país. Tiene la opción de publicar lo que le gusta o no, lo que, en segundo plano, capacita al recomendador sobre sus preferencias únicas.
Recomendadores de soporte en experiencias físicas
Los recomendadores no se limitan a la experiencia de compra: se extienden a lo largo del ciclo de vida del cliente hasta los escenarios de soporte posteriores a la compra. Retrocediendo hasta los años ochenta y principios de los noventa, un escenario de soporte para un producto dañado normalmente comprendería una serie de interacciones con “recomendadores humanos”, que son representantes de diferentes departamentos de una tienda minorista física.
Imagínese que su bicicleta usada de repente presenta un defecto en los frenos y se la devuelve al vendedor. Los empleados de la recepción se dirigirán a usted por su nombre, ya que es un cliente fiel desde hace años. Saben que usted ha comprado productos premium antes y de inmediato se le ofrece una opción de reparación. Si bien está claro que el mal funcionamiento se debe al desgaste, el empleado de soporte continúa ofreciéndole una reparación gratuita, en vista de su historial de compras.
Apoyar a los recomendadores en experiencias digitales
Una parte importante de las compras digitales implica adopción, reemplazos o devoluciones. Lo que nos lleva a la experiencia de soporte extendida a los consumidores en línea.
Los recomendadores digitales se basan en datos capturados en múltiples puntos de contacto con el cliente. Los sistemas de recomendación brindan sugerencias personalizadas, relevantes y rápidas para resolver los problemas de los clientes.
Ejemplos de recomendaciones de atención al cliente incluyen:
Bases de conocimiento: El sistema propone preguntas frecuentes, artículos de base de conocimientos (KBA) y recursos de autoayuda, ya sea mediante procesamiento de lenguaje pure o palabras clave.
Chatbots impulsados por IA: Los agentes conversacionales automatizados e impulsados por IA brindan respuestas y soluciones basadas en datos aprendidos.
Resoluciones de casos anteriores: El sistema propone la mejor resolución basándose en los patrones observados en casos anteriores y los problemas que enfrentaron clientes similares. El sistema también recomienda flujos de trabajo para ingenieros de soporte, para mejorar la resolución de casos.
Rutas de escalada: El sistema ofrece rutas de escalada basadas en el análisis de sentimientos y la gravedad de los problemas, lo que garantiza resoluciones rápidas.
Categorización de entradas: El sistema clasifica los tickets de soporte y asigna automáticamente niveles de prioridad y categorías de productos según la gravedad o el impacto del problema.
Ejemplo: recomendadores de soporte integrados por IA en software program empresarial
Como líder en software program empresarial, SAVIA atiende a una amplia gama de mercados, industrias, líneas de negocio y segmentos de clientes. Por lo tanto, el alcance de brindar soporte se extiende a una base de clientes heterogénea que abarca múltiples niveles de suscripción, tamaños y categorías de impacto comercial.
Por ejemplo, echemos un vistazo a la aplicación Get Help de SAP, que utiliza Incident Resolution Matching (ISM), un servicio integrado de IA basado en aprendizaje automático y grandes modelos de lenguaje (LLM), para mejorar sus capacidades de soporte en tiempo actual que abordan una base de clientes heterogénea.
Incident Resolution Matching de SAP es un recomendador de base de conocimientos, donde el servicio propone automáticamente soluciones relevantes de SAP Notes, SAP KBA y SAP Assist mediante el análisis de datos de casos proporcionados en la aplicación Get Help.
Cuando abres el capó, descubres que ISM utiliza modelos de IA patentados que aplican una tecnología de recuperación semántica para aumentar la relevancia de las recomendaciones. El recuperador semántico, junto con un clasificador semántico, ayuda al sistema a priorizar las soluciones con mayor probabilidad de resolver el problema de un cliente.
Con la ayuda de modelos integrados por LLM, ISM ahora ofrece una mejora de más del 25 % en la relevancia y precisión de las recomendaciones, lo que garantiza soluciones más rápidas y personalizadas para los clientes. Las prestaciones de estos modelos se mejoran continuamente: desde la primera versión hasta la precise 11th iteración, los modelos SAP han mejorado 2,7 veces.
¿Qué significa esto para los clientes de SAP? Incident Resolution Matching de SAP es un paso importante hacia la mejora de la experiencia de soporte para los clientes. El sistema de recomendación mejorado permite a los usuarios de SAP resolver sus problemas de manera más eficiente al reducir los tiempos de inactividad y los tiempos de resolución, al tiempo que aumenta la productividad. Estas mejoras mejoran significativamente la calidad de la personalización, el autoservicio y la productividad de los agentes.
Al remaining, todo esto se traduce en una experiencia de soporte perfecta y de alta calidad a la que se puede acceder directamente desde la cuenta de soporte del cliente.