在金融服务中部署Chatbot - 战略考虑

丹尼尔Faggella
《阿凡达》

Daniel Faggella是Emerj的研究主管。他受到联合国、世界银行、国际刑警组织和领先企业的呼吁,是一位全球广受欢迎的专家,研究人工智能对企业和政府领导人的竞争战略影响。

在金融服务中部署Chatbot

我们的人工智能机遇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。我们的一些关于部署聊天机器人的冗长声明的新闻稿已经惹怒了会话界面供应商。

这篇文章的目的是帮助领导者现实地思考在金融服务中部署对话界面的一些挑战和机会。下面的经验教训来自我们的人工智能机会景观研究和直接的数据面试与保险、银行和财富管理领域的聊天机器人专家交流。

确定聊天机器人的业务目标

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”。

我们用a的例子零售银行的客户服务聊天机器人作为一个典型的用例。尽管我们还可以使用其他的用例,比如内部q-and-a chatbots对于员工、人力资源数据、其他类型的搜索应用程序、销售支持等,我们今天将用这个来说明我们的观点。

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金融服务中的人工智能播客

订阅金融服务中的人工智能播客无论您在哪里获得播客:欧洲杯外围赛积分

iTunes-podcast.
soundloud-podcast
spotify-podcast
stitcher-podcast

下面我们将以一种方便和有用的方式对这些目标进行分解。有三个类别和几个不同类型的ROI为每个:

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,它可以处理简单的请求并回答零售银行客户经常问的死记硬背的问题,也就是所谓的“低挂的水果”。“这可能是:

  • “我如何重置密码?”
  • “我的支票账户余额是多少?”
  • 等等…

为了实现可行的投资回报,银行内的AI跨职能团队必须确定最重复的问题他们收到通过聊天和语音通道和确定哪些是有界的,可以理解的足够可靠地训练机响应。我们正在寻找以下几个方面的交集:(a)技术上可行的人工智能响应;(b)对用户有价值;(c)对企业有价值。

例如,问“我的余额是多少”可能有很多方法。“识别出一个主题的这些变体,并将它们包含在聊天机器人应用程序的数据库中,可以克服这一挑战。

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。

人类药剂受到错误。当客户询问有关适用于某些账户的当前利率或费用等政策或产品时,他们可能并不总是记住或了解正确的信息。至少,人类代理可能需要更长时间的时间来查找与可以更快且始终如一地处理信息的聊天设备所需的信息。

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我们的目标,那么我们可以测量客户在聊天机器人之前和之后收到第一个回复所花费的时间。我们还可以查看解决方案的时间,并测量客户收到解决方案的前后时间。

速度本身不可能是成功的唯一标准,但它是一个有形的、具体的基准,我们可以将成功寄托在它上面。

自我报告的客户满意度

对于预测和衡量人工智能项目的财务影响有更浓厚兴趣的读者,可能想了解我们的报告标题生成人工智能投资回报率-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。

我们采访了Lexalytics的首席科学家保罗巴巴我们询问了他公司是如何使用自然语言处理的,以及需要什么(专业知识、时间和培训)才能让这些系统工作。他向我们介绍了一些有趣且富有成效的用例,这些用例阐明了在不断变化的商业环境中保持NLP生产力所需的后端“调整”。基本上,他谈到了如何使用NLP方法梳理聊天日志,识别常见的问题和客户的挑战,以及与客户相关的主题,正面情绪与客户,以及负面情绪。

我们可能能够在不同的地层中打破这一点。例如,我们可能能够确定往往让老年人高级公民的愤怒。我们可能能够识别某些呼叫或问题的情绪差异以及不同的人口统计组如何响应聊天界面。也许年轻人发现它比老年人更积极,更直接的响应,他们发现它更多是沮丧的反应。

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,即使聊天机器人在解决某些类别的问题时提供了更快的时间,但更多的客户报告了负面的体验。在其他情况下,聊天机器人可能会为客户提供可靠的更好的支持体验。我们需要有适当的基线测量,以便调查这些差异,并加倍确定哪些是有效的。

降低成本

另一个潜在的业务目标是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。

沿着同一条线,使用AI Powered Chatbot处理与客户的初始联系人会释放一些客户服务代理商在银行内做其他类型的富有成效任务,如销售电话。这将在广泛的意义上降低客户服务函数的总体成本。

目前,大多数会话系统似乎没有导致数量缩减,但是右边的应用程序应该 - 以最小值的最小值 - 能够使用比通常需要的员工(或外包代理)扩展客户服务响应。这应该是可衡量的。在Chatbot项目的开始,银行需要确定它想要坚持的度量或基准的成本节省费用。例如:

  • 我们是否知道当我们通过x%播放客户群时需要多少脚本或外包代理 - 并且我们可以确定是否可以通过会话接口有意义地减少头部增加的情况?
  • 我们是否能够量化花在与客户互动上的人力时间减少的数量,并将其归因于呼叫中心或客户服务职能部门的人员减少?

改善收入

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。

另一个与收入相关的聊天机器人应用可能涉及交叉销售和向上销售。这并不是说这个聊天机器人会被期望完成一个商业支票账户的交易或一笔新的贷款,这是非常不可能的。相反,聊天机器人可以检测可能性最高的客户购买更多的产品或服务,并方便地手那些最有可能的客户去代理(a)处理他们的需求,和(b)向他们出售在任何服务用户似乎最有可能购买(基于用户的人口统计信息,或者仅仅是根据表达的需要或语句的用户)。

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,我们有很多潜在的方法来衡量ROI,每个企业对于什么对他们来说是重要的都有不同的考虑。我们与企业合作的部分工作是,在公司的数据和资源限制下,探索人们可以合理预期的ROI类型,并确定项目应该负责的度量基准。

构建跨职能的AI执行团队

剧本
在建立交叉功能AI团队时保留经验教训是成功的成功要素之一Emerj的人工智能成熟度关键能力模型

一定程度上的跨职能团队将需要参与评估可行的聊天机器人用例,以及可行的成功度量。然而,需要建立更重要的长期合作关系

这通常涉及:

  • 专业主题专家- 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。
  • 敬业的数据科学人才- 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。
  • 它的冠军- 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。
  • 业务冠军- 这不太可能成为实际削减支票的决策者,但它应该是(a)相信项目的人,并希望看到它,(b)有一个对人工智能采用和人工智能用例的概念性理解, (c)能与所述决策者沟通(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应用AI在业务中 - 主题专家的关键作用。)

没有涉及到它,也没有请到专门的主题专家,是聊天机器人计划失败的常见原因。跨职能团队的具体平衡会因项目而异,团队的人才需求也会随着项目的发展而变化。与维护和异常管理系统所需的持续维护和异常管理相比,最初对数据进行标记和训练算法的繁重工作可能需要更大的团队。

团队必须确定每天沟通和协作的节奏,以及与领导层、IT部门或业务其他部门沟通的另一节奏。一旦团队沉浸在问题本身的工作中,任何商定的会议和交流的节奏都可能发生变化。然而,一开始就有节奏要比了解到项目在没有这种节奏的情况下很快就会失败要好得多。

最聪明的AI采用公司意识到这些跨职能团队构建的方式,和他们的沟通方式(自己和其他团体,这样一个业务领导和它)是关键教训需要保留“剧本”或“最佳实践”,并有可能应用于未来的人工智能项目。

执行数据审计

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ROI将不可避免地得到更深入的关注,在必要的团队成员已经聚集在一起,并能够真正从不同的角度思考项目。例如,在许多情况下,一旦正确的专家加入,并且对可用数据有了更多的理解,ROI预测就会发生变化。
  • 训练模型-有必要根据已确定的有界用例集和会话流程训练模型。这样就可以在一个孤立的环境中测试该系统,并查看常见类型的响应和聊天消息是否获得了预期的结果。
  • 测试模型-在进行一些内部测试之后,就可以通过有限的与客户互动的工作模型进行beta测试,然后再进行部署。
  • 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:

  • 可靠地将客户服务查询在正确的时间发送给正确的人工代理
  • 可靠地处理极其重复的“低悬果”应用
  • 改善IVR和电话交互,更快地解决客户的询问

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AI曲线的领先地位

发现在业务未来将赢家分开获奖者的关键AI趋势和应用程序。

注册“AI Advantage”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
保持领先于机器学习曲线

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 Advantage”时事通讯,请检查您的电子邮件收件箱进行确认。