A kapcsolattartási adatok, preferenciák és státuszok frissítése egy CRM-ben egy interakció vagy változás után egy azon feladatok közül, amelyek jelentős részét az AI már ma is átveheti. Nem azért, mert az AI elég "intelligens" ahhoz, hogy megértse az ügyfeleket, hanem mert a feladat maga kevés interpretációt igényel. Egy címváltozás, egy új telefonszám, egy státuszváltás lead-ből ügyféllé: ezek mezők, amelyeket kitöltenek, nem pedig megítélnek.
Három tengely a döntő itt: a strukturáltság, a mennyiség és a hibaköltségek.
A strukturáltság magasan pontoz, mert egy CRM per definitionem fix mezőkkel dolgozik. Egy név, egy e-mail cím, egy preferenciakategória: ezek olyan adatok, amelyeknek fix helyük és fix formátumuk van. Nincs szabad szöveg, amelyet interpretálni kellene, nincs kontextus, amelyet mérlegelni kellene. Ez alkalmassá teszi a feladatot szabályalapú feldolgozásra: ha az X mező megváltozik az Y forrásban, frissítse az X mezőt a Z rendszerben.
A mennyiség is magas. Egy nagy ügyfélállománnyal rendelkező vállalatnál napi tíz-száz módosításról van szó, elszórtan, apró, önálló műveletekben. Pontosan az a fajta munka, ahol egy visszatérő, kiszámítható mintázat többet nyom a latban, mint az alkalmi kivételek. A magas mennyiség magas strukturáltsággal kombinálva az a kombináció, amelynél az automatizálás a leggyorsabban megtérül.
A hibaköltségek középszerűek. Egy rosszul frissített telefonszám kellemetlen, de a következő kapcsolatfelvételkor általában helyreállítható. Érzékenyebb mezőknél, mint a fizetési preferenciák vagy a marketingkommunikációhoz való hozzájárulás, a hibák súlyosabban esnek latba. Ez az oka annak is, hogy a validálás nem felesleges lépés, hanem feltétel.
Az ítélőképesség-igény és az ügyfélkapcsolat közepes-magas pontszámot kap, és pontosan itt van a nüansz. A státuszváltozások egy része egyértelmű: az ügyfél elköltözik, a cím megváltozik, kész. De nem minden módosítás ilyen egyszerű. Amikor egy ügyfélszolgálati munkatársnak egy telefonhívás után kell felmérnie, hogy egy panasz indokol-e egy "felmondási kockázat" státuszváltást, az már nem mezőkitöltés, hanem megítélés. Ez a rész emberi munka marad, vagy legalábbis egy munkatárs elé kerül, aki jóváhagyja vagy elutasítja, indokkal.
Egy egyszerű ügyfélprofillal és kevés kivétellel rendelkező vállalatnál az AI által átvehető arány tehát magasabb, mint egy komplex ügyfélkapcsolatokkal, sok egyedi megállapodással vagy érzékeny személyes adatokkal rendelkező vállalatnál. A megfelelés (compliance) is szerepet játszik ebben: minél inkább érint egy mező GDPR-érzékeny információt vagy szerződéses megállapodásokat, annál inkább kívánatos egy emberi kontroll-lépés, mielőtt egy módosítás véglegessé válik.
Az a technológia, amelyet most már bevetnek, elsősorban az rpa: szoftver, amely fix szabályok szerint veszi át az adatokat egyik forrásból a másikba, jelzi a duplikált rekordokat, és mezőket tölt ki egy fix leképezés alapján. Ez nem olyan mesterséges intelligencia, amely "megérti", ki az ügyfél, hanem a strukturált bemenet automatizált feldolgozása.
Három peremfeltétel határozza meg, hogy ez működik-e:
Ha e három közül egy hiányzik, a feladat visszakerül a második kategóriába: az AI teszi meg a javaslatot, egy munkatárs pedig jóváhagyja vagy elutasítja.
Ami most változik, nem az, hogy a munkatársak feleslegessé válnak, hanem hogy az idejük eltolódik a bevitel munkájáról az ellenőrzés munkájára. Ahol egy munkatárs korábban kézzel írta át egy címváltozást, most egy lista javasolt módosításait értékeli, és jóváhagyást vagy elutasítást kattint. Ez egy másik feladat, más időbeosztással, nem feltétlenül kevesebb munka, de más munka.
Ez az elmozdulás párhuzamos azzal, ami a rendelések rendszerbe történő rögzítésénél és a rendelésstátusz ellenőrzésénél és közlésénél történik: ott is a mintázat strukturált bemenet, magas mennyiség, korlátozott hibaköltségek, kivételekkel, amelyek emberi kézben maradnak. Aki azt szeretné megtudni, hogy ez hogyan viszonyul más ügyfélközpontú feladatokhoz, hasonló mérlegelést talál a készlet- és szállítási idő információk megadásánál, ahol ugyanaz a feszültség érvényesül a gyorsaság és azon esetek között, amelyek egy kicsit több magyarázatot igényelnek. És akinek a CRM-munka elsősorban egy szélesebb folyamat része, a pénzügyi osztályon végzett munka áttekintése jó kiindulópont, mivel az ügyfél- és számlaadatok gyakran ugyanazokat a forrásrendszereket osztják meg.
Hogy ezt bevezetik-e, és milyen gyorsan, egy szervezeten belül, nem csak technikai kérdés. Az esetlegesen ebből eredő személyzeti következmények egy munkáltató saját törvényi kötelezettségei alá tartoznak; ez a lap ebben nem foglal állást.
Ez a lap egy feladatot ír le izoláltan. A valódi kép csak akkor alakul ki, amikor ezt a feladatot a vállalat többi feladata mellett nézzük: némelyik hasonló profillal, mások teljesen mások. Hogy ehhez első benyomást kapjon, van egy ingyenes gyorsteszt: tizenkét kérdés, fiók nélkül, eredményként egy jelzéssel arról, hogy az adott profilban ma az órák hányad részét veheti át az AI. A teljes munkateszt, amely egy vállalat munkáját feladatokra bontja, és feladatonként fte-kapacitásra váltja át, még épülőben van.
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.