At opdatere kontaktoplysninger, præferencer og statusser i et CRM efter en interaktion eller ændring er en af de opgaver, hvor AI i dag allerede kan overtage en stor del af arbejdet. Ikke fordi AI er "klog" nok til at forstå kunder, men fordi opgaven i sig selv kræver lidt fortolkning. En adresseændring, et nyt telefonnummer, en statusændring fra lead til kunde: det er felter der udfyldes, ikke vurderes.
Tre akser er afgørende her: strukturering, volumen og fejlkostninger.
Struktureringen scorer højt, fordi et CRM per definition arbejder med fastlagte felter. Et navn, en e-mailadresse, en præferencekategori: det er data med en fast plads og et fast format. Der er ingen fri tekst der skal fortolkes, ingen kontekst der skal afvejes. Det gør opgaven velegnet til regelbaseret behandling: hvis felt X ændres i kilde Y, opdater felt X i system Z.
Volumen er ligeledes højt. Hos en virksomhed med en omfattende kundebase handler det om titusinder til hundreder af ændringer om dagen, spredt over enkeltstående, små handlinger. Præcis den type arbejde, hvor et tilbagevendende, forudsigeligt mønster vejer tungere end enkeltstående undtagelser. Højt volumen kombineret med høj strukturering er den kombination, hvor automatisering betaler sig hurtigst tilbage.
Fejlkostningerne ligger i midten. Et forkert opdateret telefonnummer er ærgerligt, men som regel til at rette ved næste kontaktpunkt. Ved mere følsomme felter, såsom betalingspræferencer eller samtykke til markedskommunikation, vejer fejl tungere. Det er også derfor, validering ikke er et overflødigt skridt, men en forudsætning.
Beslutningsrum og kundekontakt scorer middel til høj, og det er præcis dér, nuancen ligger. En del af statusændringerne er entydige: en kunde flytter, adressen ændres, klar. Men ikke alle ændringer er så simple. Når en kundeservicemedarbejder efter en telefonsamtale skal vurdere, om en klage berettiger en statusændring til "risiko for opsigelse", er det ikke længere feltindtastning, men en vurdering. Den del forbliver menneskeligt arbejde, eller den bliver i hvert fald forelagt en medarbejder, der godkender eller afviser med en begrundelse.
Hos en virksomhed med en enkel kundeprofil og få undtagelser ligger den andel, AI kan overtage, dermed højere end hos en virksomhed med komplekse kunderelationer, mange skræddersyede aftaler eller følsomme personoplysninger. Compliance spiller også en rolle her: hvor mere et felt berører GDPR-følsomme oplysninger eller kontraktlige aftaler, hvor mere ønskeligt er et menneskeligt kontroltrin, før en ændring bliver endelig.
Den teknik, der allerede anvendes i dag, er primært RPA: software der efter fastlagte regler overfører data fra én kilde til en anden, signalerer dobbeltregistreringer og udfylder felter baseret på en fast mapping. Det er ikke kunstig intelligens, der "forstår" hvem kunden er, men automatiseret behandling af struktureret input.
Tre rammebetingelser afgør, om det fungerer:
Hvis en af disse tre mangler, flytter opgaven sig tilbage til kategori to: AI stiller forslaget, en medarbejder godkender eller afviser.
Hvad der ændrer sig nu, er ikke at medarbejdere bliver overflødige, men at deres tid forskydes fra indtastningsarbejde til kontrolarbejde. Hvor en medarbejder tidligere manuelt indtastede en adresseændring, vurderer den medarbejder nu en liste med foreslåede ændringer og klikker godkend eller afvis. Det er en anden opgave, med et andet tidsforbrug, ikke nødvendigvis mindre arbejde, men andet arbejde.
Denne forskydning følger samme mønster som det, der sker ved indtastning af ordrer i systemet og ved kontrol og kommunikation af ordrestatus: også dér er mønsteret struktureret input, højt volumen, begrænsede fejlkostninger, med undtagelser der forbliver hos et menneske. Den, der spekulerer på hvordan dette forholder sig til andre kundeorienterede opgaver, finder en lignende afvejning ved levering af lager- og leveringstidsoplysninger, hvor samme spænding gør sig gældende mellem hastighed og de sager, der kræver lidt mere forklaring. Og for den, der ser CRM-arbejdet primært som del af en bredere proces, er overblikket over arbejde i den finansielle afdeling et godt udgangspunkt, fordi kunde- og fakturadata ofte deler de samme kildesystemer.
Om og hvor hurtigt dette indføres i en organisation er ikke kun et teknisk spørgsmål. Personalemæssige konsekvenser, der eventuelt følger heraf, hører under arbejdsgiverens egne lovmæssige forpligtelser; denne side udtaler sig ikke om det.
Denne side beskriver én opgave isoleret. Det egentlige billede opstår først, når denne opgave ses sammen med de øvrige opgaver i en virksomhed: nogle med et sammenligneligt profil, andre helt anderledes. For at få et første indtryk af det findes der en gratis quickscan: tolv spørgsmål, uden konto, med som resultat en indikation af, hvor stor en del af timerne i den profil AI i dag kan overtage. Den fulde arbejdsanalyse, der bryder en virksomheds arbejde ned i opgaver og beregner det pr. opgave til fte-kapacitet, er stadig under udvikling.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.