Schwarzenegger átveszi az ügyfélszolgálatod és automatizálja a számlafeldolgozásod – a mesterséges intelligencia a dokumentumkezelésben
Az előttem gőzölgő kávét olyan gép készítette, amelyben nincs mesterséges intelligencia.
Legalábbis azt hiszem.
- Talán a kávébabok termesztéséhez használták a precíziós mezőgazdaság AI-csodáit.
- Lehet, hogy az ellátási láncot már machine learninget használó szoftverrel számoltatták, ezért tudják, hogy ezt a kávéfajtát leginkább ennek a kávézóláncnak érdemes eladni. Meglehet, hogy gép árazott.
- Valószínűleg a termékfejlesztők és a marketingcsapat tucatnyi mesterségesintelligencia-eszközt használtak. Miért ne tették volna? Ezek „kognitív gőzgépek”, felgyorsítják a szellemi munkát.
Látod: AI-nak mondott eszközök átszövik az életünket és még a csésze kávé előállításába is (közvetetten) bekerülnek.
Vajon a kávéfőzőbe raknak AI-t?
Ki tudja.
Ha megnézed az elmúlt 5 évben azt, hogy hányan kerestek rá az AI-ra, mesterséges intelligenciára és a ChatGPT-re, akkor – nem fogsz meglepődni – felfutó trendvonalat látsz. Azt is látod, hogy mintha a legnagyobb felfutáson túllennénk (de nem tudhatjuk, hogy ez így van-e).
Lehet, hogy a Gartner szenzációgörbe (hype cycle) csökkenő szakaszában vagyunk, ahol a kezdeti túlzó elvárások átcsapnak túlzó pesszimizmusba, míg végül beállunk egy reális szinten.
Pontosan mit jelent az, hogy „mesterséges intelligencia”?
Ez a nehéz kérdés még nehezebbeket szül:
- Mi az öntudat?
- Felismernénk, ha egy gépnek emberéhez hasonló gondolatai, érzései, belső világa lenne?
- Pontosan mit jelent az, hogy valaki (vagy valami) intelligens?
- Egyáltalán: mi az intelligencia?
- Hogyan lehetsz biztos abban, hogy ezt a szöveget (amit most olvasol) én írtam – nem pedig egy generatív nyelvi modell?
- És számít-e, hogy ki írta?
Még kiderül, hogy a mesterséges intelligenciában emberünkre akadtunk.
Na de szójátékot félre, 2 jellemző felfogást látok a témában.
Az egyik csoport (legyenek technooptimisták és szenzációérzékenyek) ünnepli a fejlődést és azt mondja, hogy már az „egyszerűbb” algoritmusok is mesterséges intelligenciának tekinthetők.
- A Facebook-hírfolyamodat összeállító algoritmus MI-nek számít.
- Az életfunkcióidat mérő okosóra, amely több mozgást, vízivást, alvást (stb.) javasol: MI-nek számít.
- Az itt-ott hibás, itt-ott téves információt kiadó, de lenyűgöző generatív nyelvi modellek (pl. ChatGPT) is MI-nek számítanak.
Vagy mégsem?
Jaron Lanier a The New Yorkerbe írt cikkében (There’s no AI [Nincs mesterséges intelligencia]) többek közt azt mondja, „az új program emberi elmék termékeit összekutyulva hoz létre új tartalmakat”, illetve kritizálja az AI-t misztikusan kezelő hangokat, mert így épp a tényleg fontos kérdésekkel nem foglalkozunk (pl. hogyan védjük meg a szerzői jogainkat, az adatainkat és a deepfake korában immár az arcunkat).
Noam Chomsky a The New York Times-ba írt cikkével (The False Promise of ChatGPT, társszerzője Ian Roberts és Jeffrey Watumull) azt emeli ki, hogy a modell képes szöveget előállítani, de nincs „mögötte” megértés, csak tisztán mintafelismerés, kalkuláció, szemantika és (Chomskyék is elismerik) lenyűgöző algoritmusok. Te érted, hogy ha egy ujjaid közé fogott almát elengedsz, akkor leesik – a szoftver nem. Ha elég nagy és elég jó az adatbázis, akkor kitalálhatja, hogy az alma leesik, de nem fogja érteni a fizikai összefüggéseket.
Kinek van igaza? Nem ez számít – hanem az, hogy minél több oldalról lássuk a talán forradalmi technológiát.
Nézzünk pár meghatározást.
A mesterséges intelligencia definíciója
A McKinsey úgy definiálja az AI-t, hogy „az a képessége egy gépnek, hogy emberéhez hasonlóan intelligensen viselkedjen”.
A PwC olyan technológiát ért MI-n, amely képes érteni, tanulni és végül a feldolgozott információk alapján cselekedni (azaz reagál a külvilágra).
A Deloitte hasznos meghatározást ad: „olyan számítástechnikai rendszereket tarthatunk MI-nek, amelyek képesek olyan feladatokat megoldani, amely emberi intelligenciát igényelne”.
Calum Chase (Surviving of A.I. c. könyv szerzője) azt mondja, az MI „gép vagy szoftver által mutatott intelligencia, ahol intelligencián azt értjük, hogy egy cselekvő sokféle környezetben képes célokat elérni”. Ez John McCarthy definíciójának továbbfejlesztése (aki a terület egyik pionírja volt).
Megkérdeztem a ChatGPT-t is (a 4.0-s modellt), szerinte:
„A mesterséges intelligencia (MI) egy számítástechnikai terület, amelynek célja olyan gépi rendszerek létrehozása és fejlesztése, amelyek képesek önállóan tanulni, döntéseket hozni, problémákat megoldani, és emberi szintű intelligenciával rendelkező viselkedést mutatni.”
Megéri ennyit „ugrálni” a definíción?
Igen.
Mivel lehetséges, hogy a munkaerőpiacot, a kultúrát és a civilizációnkat alapvetően átalakító technológiáról beszélünk, ezért a lehető legjobban értenünk kell. No és a tudás hatalom.
Apropó tudás: mit tudsz a céged adatairól?
A sötét adatban szunnyadó versenyelőny
Képzeld el, hogy a Hungaroring célegyenesének végén nézed, ahogy a Formula–1-es autók nyaktörő féktávot vesznek, bámulatos sebességgel beveszik az 1-es kanyart, majd rakétaként kigyorsítanak.
Mindez tart 4 másodpercig.
A 4 másodperc alatt az autó 6000 adatpontot küld tovább a csapat számítógépes rendszereinek, ahol azt fogadják, elemzik és tárolják (természetesen az adatkezelésben és számítástechnikában is csúcstechnológiát használnak). A verseny éles, minden századmásodperc számít, minden adatpont fontos.
A céged talán nem ennyire élesben dolgozik. Valószínűleg adatból is kevesebb születik. Mégis ugyanúgy igaz: minél több adatot dolgoztok fel, annál több hozzáadott értéket tudtok kinyerni a folyamataitokból. (Az önmagát és piacát folyamatosan tanuló cégről olvashatsz bővebben.)
Milyen adataid vannak?
- Üzletileg kritikus. Pl. egy számlázási adat, egy szerződés, egy megrendelés leokézása: ha ez nincs meg v. elveszik, közvetlen kár éri a céget.
- Redundáns, elavult vagy triviális. Ez megvan, de minek. A kezelése és tárolása költséges, az adat alapú munkát nehezíti (mert meg kell tisztítani ezektől az adatbázist, hogy ne vigye félre az elemzéseket).
- Sötét adat. Olyan adat, melyről nem tudod, milyen értékes (értékes-e egyáltalán): strukturálatlan, nyers, tartalma nem teljesen ismert, a felhasználása talán nem most fontos (de később az lehet). Tartalmazhat üzletileg kritikus adatot is – de lehet RET (2-es kat.). Ebből van a legtöbb a cégedben: a SER Groupnál szakértőkre alapozott és elfogadott becslés az, hogy az adataid 80%-a sötét.
Rendben, mire jó neked ez a felosztás?
Először is: fogadjuk el, hogy az adat olyan, mint a termőföld, olajmező, aranybánya: potenciálisan értékes, de ahhoz művelés alá kell vonni (vagy kitermelni). Kell hozzá pénz, paripa, fegyver (közgazdászok nyelvén tőke, munkaerő, know-how.).
Másodszor: hasznosítsuk!
A kollégák belefulladnak az adattengerbe – ha hagyod
Idézd magad elé újra a Formula–1-es autót, 4 másodperc alatt 6000 adatpont. Egy teljes futam alatt sok-sok gigányi adat. Egy teljes versenyhétvége talán már terabyte-nyi adat. És idén van 22 nagydíj.
Természetesen ez már csak automatizmusokkal, okos adatrögzítéssel, AI-t használó analitikával kezelhető – mert egyébként csak megtelnek a felhőtárhelyek adatokkal, amelyekkel nem kezdünk semmit.
(Pedig komoly tartalék van a cégedben, ha csak a már meglévő adataid elkezded jobban használni. Talán ez a legolcsóbban megszerezhető versenyelőny.)
A következőkben a mesterséges intelligenciával összekötött dokumentumkezelést ismered meg így:
- A Doxis4 AI-funkcióiról egy gyors áttekintést kapsz
- Megérted, hogyan néz ki ez a gyakorlatban (konkrét use case az ügyfélszolgálati adatok hasznosítására)
- Megnézzük a megtérülést
Miért épp az ügyfélszolgálat?
Egyszerű: mert ez nem triviális feladat. Azt fogod látni, hogy ha a különböző csatornákat is képesek vagyunk automatizálni és digitalizálni, akkor a „közönségkedvenc” ügyféligények tényleg rutinfeladatnak számítanak (pl. a bejövő postád automatikus digitalizálása, a számlák teljes automatizálása és digitalizálása).
A Doxisba beépített „kognitív szolgáltatások” és okos funkciók
Mit tud ma egy modern dokumentumkezelő rendszer, amely AI-t és gépi tanulást (machine learning) használ?
A Doxis4 „cognitive services” ábrájának első magyar fordításával kapsz egy összképet, a csomag az Intelligens Tartalmi Automatizációs platform része, amely 2022 februárjában élesedett (hír róla itt) – de már ez is évtizedes munka és tapasztalat eredménye (neurális hálókat kb. 2 évtizede használunk).
Feldolgozás
- Kulcsszavak, űrlapok, számlák feldolgozása ( = nemcsak beszkenneljük, hanem az ECM-ed kinyeri és kezeli a dokumentum adatait)
- Összefüggések feltárása ( = nem neked kell beírnod, hogy melyik ügyfél melyik projektjének teljesítésigazolását szkenneled épp, hanem kiszedi a kontextust és magától berakja a megfelelő helyekre)
- Képfelismerés, hangfeldolgozás, videófeldolgozás
- Metaadatok kinyerése
- Tárgyfelismerés
- Szövegfeldolgozás
Nyelvi képességek
- Élőbeszédet és hangfelvételeket számítógép által feldolgozható szöveggé alakít
- Külső szoftverekhez csatlakozhat API-val
NLP (természetesnyelv-feldolgozás)
- Felismeri a dokumentum (szkennelt kép, szövegfájl, hangfelvétel stb.) nyelvét
- Megérti a szándékot, témakört, kontextust ( = ez az e-mail arról szól, hogy elfogadták az ajánlatot; ebben az üzenetben elégedetlenkedik a beszállító)
Képes keresőkifejezéseket alkotni
- Feladatokat létrehozni
- Státuszjelentéseket adni ( = ne én emlékezzek mindenre, hanem a szoftver)
- Befejezettnek jelölni azt, ami kész
Tanulási képesség
- Képes dokumentumcsoport feldolgozásával tanulni ( = ahogy használod, egyre jobban érti a kontextust, egyre pontosabban ismeri fel a szöveget, egy ügyesebben tölti ki a metaadatokat, „beletanul” a feladatába)
- Magától kategorizálja a dokumentumaidat (szerintünk a dokumentum nem arra való, hogy bíbelj vele – hanem arra, hogy segítse az értékteremtő munkád)
Javaslatok
- Egy-egy feladat, dokumentum, ügymenet legjobb kezelési módját v. kapcsolódó workflow-ját megadja
- Javaslatot tesz a workflow hatékonyabbá tételére
- Hasonló dokumentumokból javasol vázlatot, szavakat, bekezdéseket
Intelligens kereső
- Megtalálja a hasonló dokumentumokat, azokon belül a hasonló szövegrészeket ( = van egy cégen belüli Google-öd)
- A keresőkifejezéseket automatikusan csoportosítja
- A fontos kifejezéseket, kulcsszavakat felismeri és javasolja a kereséshez
Csoportosítás
- Felépítés, tartalom, struktúra, dokumentum eredete, kulcsszavak, szándék (stb.) szerint.
Így hasznosítsd az ügyfélszolgálati adataid mesterséges intelligenciával
Képzeld el, hogy az ügyfélszolgálati interakciókat szeretnéd gyűjteni és kategóriák szerint csoportokba rakni.
Miért tennél ilyet?
Mert szeretnéd az ügyfélszolgálati adatokat felhasználni a marketingben, termékfejlesztésben, üzletmenet fejlesztésében és a stratégiai döntéshozatal során. (Sok cégnél az ügyfélszolgálat egy „oldjuk meg, tároljuk, menjünk tovább” alapon működik – pedig ezek az adatok aranyat érnek. Csak, ugye, hasznosítani kell őket.)
Gondoljuk végig a projektet: az ügyfél hány csatornán léphet kapcsolatba a céggel? Hogy a tiéddel milyen módokon, azt az első találkozónkon átbeszéljük, addig is a példacégünknek legyen:
- 3 telephelye 3 külön telefonnal („recepció”)
- dedikált ügyfélszolgálatunk (példánkban mindegy, hogy ez most 1 ember vagy egy teljes központ, „fekete dobozként” kezelhetjük ezt az egységet)
- pár olyan értékesítő kollégánk, aki az eladás után is tartja az ügyfélkapcsolatot, felvesz szervizigényeket, megoldja a problémákat.
- legyen WhatsAppunk (mert modern cég vagyunk)
- e-mailünk (mert mindenkinek van)
- és ha Messengeren írnak ránk, azt is kezeljük le
A föntiekre beérkező ügyfélszolgálati információkat szeretnénk valahogy úgy rögzíteni, kategorizálni és tárolni, hogy 2 év múlva is tudjuk hasznosítani.
Természetesen az nem megoldás, hogy felveszünk rá valakit / kiadjuk meglévő kollégának, mert ennél hatékonyabbak szeretnénk lenni. A megoldandó feladat komoly hozzáadott értéket jelent, ennek ellenére sem tudnád önmagad vagy a cégvezetés felé azt igazolni, hogy 3 új ember manuálisan rögzítgesse és kategorizálgassa ezeket az adatokat – mert ez ma már teljesen automatizálható.
Figyeld csak, hogyan:
1. legyen meg minden csatorna metaadata
Beállítasz egy neked kényelmes címkézési rendszert, amiből tudni fogod, hogy mi melyik telefon, mi melyik platform, majd a Doxis4 automatikusan rögzíti, hogy ez itt telefon, az ott WhatsApp.
Sőt: az adatfeldolgozás után is megőrzi neked, hogy a származtatott dokumentum eredetileg „hol jött be” a cégbe (meg mikor, meddig tartott a beszélgetés)
Ezt azért fontos, mert később a metaadatok alapján is tudsz szűrni, elemezni, adatműveleteket végrehajtani.
2. szeretnél mindent szövegesen (is) tárolni
Itt egy folyamat a hívásokra:
- Bejövő hívást rögzítitek (ezt elmondjátok az ügyfélnek)
- A hangfelvétel automatikusan felkerül egy tárhelyre
- A Doxis4 „meghallgatja” a felvételt és szöveges átiratot készít belőle
- Ellenőrzöd és javítod, ahol tévedett (mivel erős mintafelismerés és öntanuló algoritmus van benne, ezért ahogy egyre többet dolgoztok vele, úgy lesz egyre pontosabb)
- A hívás szöveges átirata teljes értékű dokumentum a rendszeredben (tudod kategorizálni, keresni, módosítani)
Másik példa: a WhatsApp, e-mail és Messenger üzeneteket API-val a Doxis4-be vezeted át és ha valaki képet küldene, akkor a Doxis4 „megnézi” és adott esetben kinyeri róla az adatokat. Ez hasznos, ha valaki befotóz egy szerződést – az ECM-ed képes azt is kezelni (és megspórolja neked azt, hogy kézzel pötyögd fel az adatokat).
3. szűrd ki az ügyfélszolgálati hívásokat az összes hívás közül
Az ügyfélszolgálatra valószínűleg csak ügyfélszolgálati hívásokat kapsz, na de az értékesítő új üzletkötéseitől hogyan szálazod szét a ténylegesen ügyfélszolgálati hívásoktól?
Egyszerű: a Doxis4 megteszi ezt neked, mert ahogy egyre többet dolgozik a dokumentumaiddal, úgy tanulja meg azt, hogy nálatok hogyan néznek ki a „tipikus” ügyfélszolgálati hívások. Így ezeket kontextusból és tartalomból önmagától felcímkézi, a kevés „téves riasztást” pedig kézzel javítod.
4. okos kategóriákkal látod a céged és az ügyfélszolgálatod hatékonyságát (elégedettségmérés)
A te és a céged igényeitől függ, hogy milyen kategóriákat állítasz fel, de adok néhány izgalmas példát:
- elégedettségi szint (szétszedni az elégedett visszajelzést a panaszoktól, majd ezekben fokozatokat megadni a „kicsi gondtól” az „ügyfélvesztés, nagy gond” szintekig)
- ticketelés (még nem dolgoztunk rajta, dolgozunk rajta, megoldottuk)
- sikeresség (elfogadta a megoldást, nem fogadta el a megoldást, nem tudtuk megoldani)
Ha ezt egyszer beállítod, utána az ügyfélszolgálatodon termelődő anyagokat teljesen automatikusan feldolgozza és kategorizálja neked a Doxis4.
Hogyan lesz ebből sok millió Ft megspórolt költség, sok millió Ft előállított érték és egy boldogabb munkamenet?
Tegyük fel, hogy egy termékmódosítás előtt kíváncsi vagy arra, hogy várhatóan hogyan reagál rá az ügyfélköröd.
3 fő út van:
1. Azt mondod, minek ezen gondolkodni: meglépjük, aztán lesz, ami lesz. Ez bátor, de botor. Kotler 1999-es könyvében olvasod, hogy az új / módosított termékek 80%-a bukik – vagy jobb esetben nullszaldóra kijön. Nem triviális feladat elfogadtatni a piaccal egy változást.
2. Kívülről szerzed a tudást, pl. felkérsz egy piackutató céget. Sok milliós számla után kapsz válaszokat, de vajon azok jó válaszok? Nyilván ennyi pénz kifizetése után elhiszed, hogy igen, de vajon ők hozzáfértek a te ügyfélkörödhöz? Milyen adatokból, milyen módszertanból dolgoztak? Leginkább az a szűk keresztmetszet, hogy az ügyfelek sokszor mást mondanak egy kutatásban, mint ahogy a valóságban majd viselkedni fognak. Ezért az ügyfélszolgálati adatsor szinte mindig jobb insightokat ad, mert ez közelebb áll a tényleges viselkedéshez (tényleges örömök, tényleges problémák, tényleges vásárlások), ezért…
3. …Elkezdesz kutakodni a felgyűlt ügyfélszolgálati anyagokban. Ebben segítségedre van a Doxis4 „Kognitív Szolgáltatások” AI-csomagja (lsd. fönt), amivel lényegében egyszerű kulcsszavakkal kaphatsz igen komplex válaszokat.
Ha a „Chat with any PDF” koncepcióját érted, akkor a Doxis AI-csomagját is fogod. A PDF-es algoritmus feldolgozza a neki beküldött PDF-et, majd chates felületen adhatsz utasításokat (kérdezhetsz, megkérheted összefoglalásra stb.), a válaszokat a doksi tartalma alapján kapod. Hasonló történik a Doxisnál, csak sokkal nagyobban: keresőkifejezésekkel megnézed, korábbi termékbevezetésekre ki hogyan reagált.
Van-e egyértelmű eltérés a demográfiákban, ügyféltípusokban, időszakokban?
Megoldhatók-e a problémák?
Vesztettünk-e ügyfelet? Nyertünk-e újakat? A telefonáló ügyfelek elégedettebbek vagy elégedetlenebbek voltak, mint az ügyélszolgálati átlagunk?
Bármi eszedbe jut, a Doxis4 megfelelő adatmennyiség után megválaszolja neked. Minél több ügyfélszolgálati adatot adsz a rendszernek, annál jobban közelít a tipizált ügyfélkarakteredhez.
Nem olyan, mintha egy ügyfelednek tennéd fel a kérdéseket – hanem jobb. Ezek ugyanis már nem az „úgy hiszem” és „talán” körében mozgó válaszok, hanem az ügyfeleid tényleges viselkedését mutatók.
Képzeld el, hogy van egy belső Google-öd az ügyfeleid szívéhez. Ezt adja neked az MI-vel fölerősített Doxis4.
Megéri most bevezetni az MI-t a cégedbe?
Az előnyei annyira egyértelműk (gyorsabb és pontosabb munkavégzés, nagyobb termelékenység), hogy a választ sejted te is.
Talán már gondolkodsz is azon, hogy a számlázást teljesen automatizáld.
Arra kérlek, nézd meg ezzel a kalkulátorral, hogy (erős becsléssel) a te cégednél egy Doxis4 hány hónap alatt térülne meg. (Euróban számol.)
Ezután vedd fel velem a kapcsolatot és készítünk egy ennél pontosabb megtérülési számítást a cégedre szabva. Szerintem tetszeni fog az eredmény.
