在金融服务中部署聊天机器人——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这清楚地说明了聊天机器人在市场上是如何被相对夸大的,结果大多数买家都大大高估了它们的有效性。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

重要的是,首先要清楚地了解我们希望通过聊天或对话系统实现的业务目标或ROI类型。不幸的是,领导们经常带着先入为主(但误入歧途)的想法进入谈话,他们认为这将是一个聊天应用程序。这可能是相当模糊的内容,如“改善客户体验”,或者是非常具体但不具体的内容,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:188bet客服中心

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人工智能系统的一个可衡量基准。

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:

  • “我怎么重置密码?”
  • “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,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,当涉及到更复杂的问题时,比如“过去两个月我在食品杂货上花了多少钱?”“有更多的排列方式,而且可能不那么有限制。”

通过理解那些最容易理解和最常见的问题,我们将能够展示有多少“容易摘到的果实”能够比人类代理更快、更有效地做出反应。

人类代理容易犯错误。当客户询问有关保单或产品的特定问题(如当前利率或适用于特定账户的费用)时,他们可能并不总是记得或知道正确的信息。至少,与聊天机器人相比,人类代理可能需要更长的时间来找到他们需要的信息,而聊天机器人可以更快、更一致地处理信息。

当然,这需要训练聊天机器人能够更一致地传递正确的更新信息,而这往往比看起来更复杂。人类代理可以理解的查询,对于数据库中没有特定查询的聊天机器人可能就不是这样了。

底线是,聊天机器人可以被训练得比人工代理更快、更准确地处理一些客户交易,但前提是这些交易是可限制的、机器可以理解的。

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。

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

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。

在接受lexalytics的主席科学家进行的面试中保罗胡须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。

我们也许可以在不同的岩层中进行突破。例如,我们可以确定什么会使老年客户生气。我们可能能够识别特定类型的电话或问题的情绪差异,以及不同的人口统计群体对聊天界面的反应。也许年轻人觉得这是一种更积极、更直接的反应,而年长者则觉得这是一种更令人沮丧的反应。

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。

与此同时,使用人工智能驱动的聊天机器人来处理与客户的初始联系,可以让一些客户服务代理腾出时间在银行内部做其他类型的生产性工作,比如销售电话。从广义上讲,这将降低客户服务职能的总体成本。

目前,大多数对话系统似乎不会导致员工人数的减少,但如果应用程序做得好,至少应该能够以比通常需要的更少的增加员工(或外包代理)来扩大客户服务响应。这应该是可衡量的。在一个聊天机器人项目开始时,银行需要确定它希望遵循的成本节约指标或基准。例如:

  • 当我们的客户基础增长X%时,我们是否知道需要多少fte或外包代理?我们能否确定员工人数的增加是否可以通过对话界面有意义地减少?
  • 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?

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。

建立一个跨职能的AI执行团队

剧本
保留在构建跨职能AI团队时学到的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

这通常包括:

  • 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-数据科学家不理解主题数据。卡内基梅隆大学(Carnegie Mellon)的人工智能博士学位并不意味着你对银行的客户服务请求了如指掌。数据科学人才将需要通过“渗透”来学习,隐喻地说,要与了解与客户服务相关的IT问题、客户服务流程和业务流程的主题专家肩并肩地学习。否则,智能假说就无法发展。
  • 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空头支票的决策者,但应该是(a)相信项目并想要完成它的人,(b)有a的人对人工智能采用和人工智能用例的概念性理解(c)可以通过所述决策者沟通(阅读:翻译)。

(注意:Emerj Plus成员可以在我们的文章中了解更多关于非技术主题专家的角色将人工智能应用于商业——主题专家的关键角色)。

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。

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。

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。

执行数据审核

来源 -(EMERJ PLUS)数据审计的5个阶段 - 评估企业的AI机会

业务领导还需要进行数据审计,包括查看所有现有的聊天日志或呼叫中心日志,以了解可用的信息类型。它还将涉及确定数据的可访问性,以一种已被组织和可理解的格式,以及企业是否曾经以一种富有成效的方式使用自然语言处理(NLP)。

数据审计将检查以下方面:

  • 业务注意事项- 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。
  • 训练模型- 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-该模式测试成功后,便可将该系统实际融入客户服务流程,并成为日常工作流程的一部分。

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,这将帮助你准确确定哪些团队成员需要参与项目,以及你将AI从一个想法带到全面部署所需要经历的所有不同阶段。

结论

部署一个对话界面并不容易——许多金融机构已经用艰难的方式发现了这一点。领导必须对技术的实际能力有一个合理的理解——跨职能团队必须现实地确定如何衡量项目的成功,以及哪些用例对于聊天机器人应用程序是可行的。

我们离机器完全取代人类客户服务代理还有很多年的时间,但通过现实和全面的方法,银行应该能够使用NLP和对话界面来实现:

  • 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
  • 可靠地处理重复性极高的“低挂果实”应用
  • 改善IVR和电话交互,更快地解决客户的询问

这项技术仍处于起步阶段,成功还远未得到保证——特别是对于那些雄心勃勃的项目来说,这些项目旨在实现大量客户服务交互的自动化。没有即插即用的解决方案,希望本文能够让读者了解要克服的挑战,以及正确完成聊天机器人活动所需的业务流程。

保持领先于AI曲线

发现在未来商业中区分赢家和输家的关键AI趋势和应用。

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
走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的“人工智能优势”通讯,请查看您的电子邮件收件箱确认。