在金融服务中部署聊天机器人——战略考虑

丹尼尔Faggella.
头像

Daniel Faggella是Emerj研究的首脑。丹尼尔呼吁由联合国,世界银行,国际刑警组织和龙头企业,丹尼尔是AI对商业和政府领导者竞争战略影响的全球追捧。

在金融服务中部署Chatbot

我们的AI机会景观研究清楚地展示了在市场上的聊天比较相对炒作,大多数买家由于结果而大大估计其有效性。我们的一些关于Bloviated索赔的新闻发布关于Chatbot部署的索赔已经卷曲了会话接口供应商的羽毛。

本文的目的是帮助领导识别地思考部署金融服务中的会话界面的一些挑战和机遇。以下课程来自我们的AI机会景观研究以及直接产生的数据采访在保险,银行和财富管理方面的聊天专家。

确定Chatbot的业务目标

我们希望通过我们的聊天或会话系统提供清晰的业务目标或ROI的类型非常重要。不幸的是,领导者经常进入与先入为主的谈话 - 但误导 - 这是聊天应用程序的想法。这可能是一个相当含糊的东西,例如“改善客户体验”或非常具体但不具体的东西,例如“节省成本”。

我们将使用一个例子客户服务在零售银行业务聊天作为代表性用例。虽然我们可以使用其他用例 - 例如内部问答聊天机器人对于员工,人力资源数据,其他类型的搜索应用,销售启用等 - 我们将与这一人一起运行,以帮助我们今天的观点。

对于领导者来说,对Chatbots的能力和实施它们的挑战非常重要。我们已经完成了许多关于这一主题的采访 - 兴趣的读者可能希望收听我们的以下剧集AI在金融服务中播客

订阅AI在金融服务中播客无论您在哪里获得播客:欧洲杯历史冠军

iTunes-podcast.
soundloud-podcast.
Spotify-vodcast.
Stitcher-Podcast.

下面我们以方便和有用的方式打破了一些这些目标。每个类别和几种不同类型的投资回报率为:

客户体验

更快的反应

提高客户服务的响应速度是我们可能用于AI系统的一个可测量基准。

在这种情况下,可能有一个聊天应用程序,可以处理零售银行客户经常询问的简单请求和回答死记硬背问题,所谓的“低悬挂水果”。这可能是:

  • “如何重置密码?”
  • “我的活期存款账户余额是多少?”
  • 等等…

为了实现可行的投资回报,银行内的跨职能AI团队必须确定他们通过聊天和语音渠道获得的最重复的问题,并确定其中哪些是有界和可理解的,以便可靠地训练机器以回应到。我们正在寻找技术上可以用AI,(B)对用户有价值的交叉点,(C)对业务有价值。

例如,可能有十几种方法可以问“我的平衡是什么”。在Chatbot应用程序的数据库中识别主题上的这些变化,可以使此挑战符合要求。

然而,当谈到更复杂的问题,例如“过去两个月我在杂货上花了多少钱?”有更多的排列,可能会少得多。

通过了解最有限和最常见的问题,我们将能够展示这些“低悬垂的水果”,可以比甚至人类代理更快,更有效的反应挑选。

人的代理人容易出错。当客户询问有关政策或产品(如适用于某些账户的当前利率或费用)的特定问题时,他们可能并不总是记得或知道正确的信息。至少,与能够更快、更一致地处理信息的聊天机器人相比,人类代理可能需要更长的时间来找到他们需要的信息。

当然,它需要训练聊天聊天能够更加一致地获得正确的更新消息,而这往往比似乎更复杂。对人类代理可以理解的查询可能不是那种在其数据库中没有可用的特定查询的聊天栏。

底线是聊天训练,可以训练,以比人类代理更快速和准确地处理一些客户交易,但只有这些交易是可行的并且对机器的可理解。

如果提高响应时间是目标,我们可以衡量客户在Chatbot之前和之后接收第一个回复所需的时间。我们也可能看待时间 - 解决方案,并衡量客户的前后时间,以便客户接收分辨率。

单独的速度不太可能是成功的唯一标准,但它是我们可以锚定我们的成功的有形特定基准。

自我报告的客户满意度

具有更深入的预测和衡量AI举措的财务影响的读者可能希望了解题为我们的报告生成AI ROI - 最佳实践和框架

许多金融机构允许客户获得客户服务体验。也许是通过电话,电子邮件或文本完成的1-5种满意度。当询问客户是否询问他们的最后一个客户支持互动是否处理其问题时,也许是“是”或“否”响应。在任何一种情况下,满足的基准是我们可以用来尝试聊天禁令。

在接受lexalytics的主席科学家进行的面试中保罗胡须,我们向他询问了公司如何使用自然语言处理,以及所需的(在专业知识,时间和培训方面)以获得这些系统的工作。他通过有趣和富有成效的用例,在不需要在不断变化的商业环境中保持NLP的后端“调整”揭示光线的有趣和富有成效的案例。基本上,他谈到了如何通过聊天日志梳理NLP方法,并确定客户的常见问题和挑战以及与客户相关的主题,积极情绪与客户以及负面情绪。

我们也许可以在不同的层次上突破这个问题。例如,我们可以确定是什么让老年客户生气。我们也许能够识别某些电话或问题的情绪差异,以及不同人群对聊天界面的反应。也许年轻人觉得这是一种比老年人更积极、更直接的回应,而老年人觉得这是一种更沮丧的回应。

能够了解我们的不同客户群体,了解他们喜欢的东西以及让他们扰乱的是什么是聊天乐队可能能够帮助我们的关键功能。它不仅可以帮助我们实际上解决问题,但可以在后端使用自然语言处理。我们可以从聊天对话中学习如何以一般方式改善客户体验。

我们可能会意识到,即使聊天人员在某些类别的问题上提供了更快的时间点分辨率,更多客户也会报告负面体验。在其他情况下,聊天禁止可能为客户提供可靠的支持体验。我们需要有基线测量到位,以便执行这些差异,并对工作的差异加倍。

降低成本

另一个潜在的商业目标将提高效率或降低成本。

例如,当在新地理区域中生长一个银行的新分支时,聊天设备的就业可能会有效地增长了客户服务功能,而不会越来越高的人数和工资费用。会话界面也可能降低海外呼叫中心代理的需求,减少了整体外包服务费用。

同样,使用人工智能驱动的聊天机器人来处理与客户的初步接触,将使一些客户服务代理腾出时间,在银行内完成其他类型的生产性任务,比如销售电话。从广义上讲,这将降低客户服务功能的总体成本。

目前,大多数对话系统似乎不会导致员工数量减少,但应用程序做得正确,至少应该能够以比正常情况下可能需要的更少的新增员工(或外包代理)来扩大客户服务响应。这应该是可衡量的。在聊天机器人项目开始时,银行需要确定它想要遵循的成本节约指标或基准。例如:

  • 当我们的客户群增长X%时,我们是否知道有多少fte或外包代理是必要的?我们能否确定,通过对话界面,员工数量的增加是否能有意义地减少?
  • 我们是否能够量化在客户互动上花费减少的人类小时数,并将其归因于呼叫中心的工作人员或客户服务函数一般?

提高收入

收入增加也是金融服务聊天聊天的可行目标 - 尽管它不如降低成本和改善客户体验的常见。

一个是通过使用相互作用期间捕获的数据来减少流失并提高保留,以确定这些交互可能归因于改善客户保留。会话数据也可用于识别客户的风险,并采取行动将其重新聘用,例如通过电子邮件或短信向他们发送特殊优惠,以便数据显示它们将欣赏。

另一个有关的聊天申请可能涉及跨销售和销售。这并不是说Chatbot将预计将为商业支票账户或新贷款的交易缩小,这极不可能。相反,Chatbot可以检测购买额外产品或服务的最高可能性的客户,方便地将这些客户交给最有可能(a)处理他们的需求的代理商,而(b)销售用户似乎的任何服务最有可能购买(根据有关用户的人口统计信息,或者简单地基于用户的表达或陈述)。

为了确定有效性,将在首先通过Chatbot或者首先通过Chatbot或者对人类代理商进行贷款时,将交易的成功率或贷款进行比较。这也可能是衡量投资回报率的好方法。

值得注意的是,我们可以衡量ROI的更多潜在方式,并且每个业务都会对他们的重要意义有不同的考虑因素。我们与企业一起工作的一部分正在探索可以合理地预期公司的资源和资源限制的投资回报率 - 并确定应对项目负责的公制基准。

建立一个跨职能的AI执行团队

剧本
在建立跨职能的AI团队时,保留经验教训是成功的要素之一EMERJ的AI成熟功能模型

一定程度的跨职能团队将需要参与评估聊天设备的可行使用情况 - 以及可行的成功措施。但是 - 需要建立更重要和更重要的合作

这通常涉及:

  • 专门的主题专家- 通常客户服务专家,了解客户的需求,公司的会话流程以及客户服务如何解决下游业务影响。
  • 专业数据科学人才- 数据科学家不了解主题数据。来自Carnegie Mellon的AI博士并不意味着您知道银行客户服务请求的第一件事。数据科学人才需要通过“渗透”来学习,与理解与客户服务有关的IT问题的主题专家,以及业务的客户服务流程和流程的主题专家来学习。智能假设无法制定。
  • 它冠军- 虽然多次全职IT人员可能需要成为任何AI转换项目的一部分(聊天没有异常),但必须至少在IT函数中进行冠军。它与AI倡议的赔率令人难以理解,因为AI项目通常会对已经不堪重负的IT员工留下各种新问题并要求。如果没有一个相信AI项目的潜力的IT冠军,谁能向IT领导力和员工传达这个价值 - 项目可能会遇到太多的IT摩擦,以免生机。
  • 商业冠军-这个人不太可能是真正开账单的决策者,但应该是(a)相信这个项目,并希望完成它的人,(b)有能力完成它AI采用和AI使用情况的概念理解(c)可以通过所述决策者沟通(阅读:翻译)。

(注意:Emerj Plus会员可以更多地了解非技术主题专家在题为的非技术主题专家的角色人工智能在商业中的应用——主题专家的关键作用.)

未能涉及它并未能带来专用主题专家是不成功的Chatbot举措的常见原因。跨职能团队的具体余额将因项目项目而异,团队的人才需求将在项目的生命中发展。标签数据和培训的初始繁重升降机可能需要比正在进行的维护和异常管理所需的较大的团队,以便在设置并运行它已经设置并运行。

该团队必须每天确定沟通和协作的节奏,以及与业务的领导地位或其他部分的交流的另一个节奏。一旦团队沉浸在解决问题本身,就会发生任何商定的会议和沟通的召开会议。然而,与一个开始的节奏进入比学习更好(艰难的方式)在没有这样的节奏的情况下迅速分崩离析。

采用公司的最聪明的AI意识到这些交叉功能团队建造的方式,以及他们沟通的方式(与自己和其他团体,这样的商业领导及其)是需要保留为“剧本”或者的主要经验教训“最佳实践”,潜在应用于未来的AI项目。

执行数据审核

来源 -(EMERJ PLUS)数据审计的5个阶段 - 评估企业的AI机会

商业领袖还需要进行数据审核,这涉及通过现有的所有现有聊天日志或呼叫中心日志来了解可用的信息。它还涉及以组织和可理解的格式确定数据的可访问性,以及是否存在业务以生产方式使用自然语言处理(NLP)的历史。

数据审核将查看以下内容:

  • 业务考虑因素- 相关用例和已建立的投资回报率在必要的团队成员被拉在一起之后,无法更深入地了解,并可以从不同的角度来看项目。在许多情况下,例如,一旦右手专家就可以改变ROI投影,并且更多对可用数据的了解。
  • 培训模型- 有必要基于所识别的界限使用情况和会话流程培训模型。然后可以在孤立的环境中测试系统,并查看常见类型的响应和聊天消息是否获得了所需的结果。
  • 测试模型- 在进行一些内部测试之后,可以通过有限地将工作模型曝光到客户交互,然后部署来进行测试版测试。
  • 部署- 一旦执行了模型的成功测试,就可以实际将系统集成到客户服务流中,并使其成为日常工作过程的一部分。

部署实际上是一个多相过程,很容易弄错。事实上,由于各种原因,AI部署在90%的时间内完成了错误,并且成本巨大。为避免制作相同的错误,您可以了解实际部署聊天聊天的完整过程AI部署路线图,这将有助于您确定团队成员需要成为项目的一部分,所有各种阶段都需要通过一个完全部署来带来AI。

结论

部署会话界面并不容易 - 正如许多金融机构都发现了艰难的方式。领导力必须促进对技术实际上实际上的内容 - 跨职能团队必须逼真地确定如何测量项目的成功,以及哪些用例对于Chatbot应用程序甚至是可行的。

我们几年远离机器,能够完全取代人类客户服务代理,但具有现实和圆润的方法,银行应该能够使用NLP和会话接口:

  • 在合适的时间可靠地将客户服务查询咨询到正确的人类代理
  • 可靠地处理极端重复的“低挂果”应用
  • 改善IVR和电话互动,使客户询问更快地解决

该技术仍处于纳西松,成功远非保证 - 特别是雄心勃勃的项目,旨在实现客户服务互动的大量条件。没有即插即用的解决方案,希望本文提供了读者,了解克服攻击和经营所需的业务流程所需的挑战。

保持领先于AI曲线

发现区分未来商业赢家和输家的关键人工智能趋势和应用。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
订阅镜像
保持在机器学习曲线的前面

加入超过20,000名以上的可调性的商业领袖,并收到每周提供的最新的AI研究和趋势。

感谢您订阅Emerj“AI优势”时事通讯,请查看您的电子邮箱确认。