عصر تراکنش
رسانه مدیران فناوری‌های مالی ایران

هوش مصنوعی و شخصی‌سازی سفر مشتری

تجربه‌های شرکت‌های مرکوری فایننشال، سی‌وی‌اس هلث و استارباکس درباره ادغام ابزارهای هوش مصنوعی در زمینه‌های تجاری گوناگون

عصر تراکنش ۷۵ / مرکوری فایننشال (Mercury Financial) که در سال ۲۰۱۴ میلادی راه‌اندازی شده، یک فین‌تک کوچک با مأموریتی بزرگ است؛ کمک به مشتریان برای بازیابی پروفایل اعتباری‌شان! «جیم پترسون»، مدیرعامل مرکوری و یک کهنه‌کار امور مالی از همان ابتدا می‌دانست که هوش مصنوعی برای شخصی‌سازی سفر مشتری در مرکوری حیاتی است؛ همان چیزی که در قلب محصولات و خدمات مرکوری جریان داشت و می‌توانست با بهبود، آن را تا عرش بالا ببرد. به همین خاطر نیز در سال ۲۰۲۱ میلادی، شروع به جست‌وجوی یک موتور مبتنی بر فناوری هوش مصنوعی کرد که بتواند به هر یک از مشتریان مرکوری، در زمان مناسب، از طریق کانال مناسب، بهترین و مناسب‌ترین پیشنهاد را ارائه دهد.

این پیشنهاد می‌تواند تقسیم‌ پرداخت بین چند کارت اعتباری متعدد باشد، یا یک هشدار نرم و دوستانه مبنی بر اینکه اعتبار مشتری رو‌به‌اتمام است. این در حالی است که برخی مشتریان ممکن است به پیام‌های متنی پاسخ بدهند و برخی دیگر ممکن است با ارسال ایمیل ارتباط برقرار کنند. برخی ممکن است نیاز داشته باشند که دو هفته قبل از اتمام اعتبار از موضوع باخبر شوند و برای برخی دیگر، ممکن است این بازه زمانی در حد دو روز باشد. هر یک از این عناصر (نه به‌تنهایی، بلکه به‌طور خاص ترکیب آنها) می‌تواند مشتریان را از هم متمایز کند. برخی از آنها به‌شدت درگیر و علاقه‌مند هستند، در حالی که برخی دیگر آزرده‌خاطرند و رضایت چندانی ندارند.

توسعه‌دهندگان مرکوری سابقه و مهارتی در ساخت‌وساز فناوری نداشته و ندارند. از این رو کار را با هوش مصنوعی منبع‌باز آغاز کردند. با توجه به اینکه اکثریت قریب‌به‌اتفاق این ابزارها، بر اساس استفاده شارژ می‌شوند، بنابراین در مورد هزینه‌ها جای نگرانی وجود نداشت. هزینه‌های اولیه بسیار پایین و قابل تحمل بودند. آنچه مرکوری بر آن تمرکز داشت، نحوه ادغام راه‌حل‌های هوش مصنوعی موجود با سیستم‌های مدیریت محتوا، کلاهبرداری، واجد شرایط بودن و بسیاری از سیستم‌های فرانت و بک‌اند دیگر بود. گام دوم اتوماسیون فرایندها بود که باز هم با استفاده از ابزارهای هوش مصنوعی منبع‌باز و در دسترس ممکن شد.

با این حال مرکوری از کدهای خودش برای یادگیری و شخصی‌سازی و انجام آزمایش‌ها و تمرین‌ها استفاده کرد تا بتواند نتایج گذشته را بر اساس نیاز و خواسته خود ردیابی کند. سیستمی که مرکوری ساخته بود، بر مدیریت صدها متغیر به‌منظور دستیابی به اهداف هدفمند و ایجاد محتوا به روش میکروگرانولار (Microgranular) متمرکز بود. در عرض فقط شش ماه، مرکوری توانست به بهبودی ۱۰درصدی در پروتکل خود دست یابد. اکنون دیگر همه‌چیز مسجل شده بود؛ مسیری که مرکوری در پیش گرفته بود کاملاً درست بود و قرار بود به امور بسیار بهتر و بزرگ‌تر دست پیدا کند.

هوش مصنوعی برای دستیابی به دقت و مقیاس‌پذیری در شخصی‌سازی، یک نیاز حیاتی است. هوش مصنوعی می‌تواند حجم عظیمی از داده‌های مشتریان فردی را جمع‌آوری کرده، تجزیه‌و‌تحلیل کند، برای آزمایش و یادگیری مورد استفاده قرار دهد و سفر مشتری را در هر نقطه تماس برند با مشتری (Touch point) تنظیم کند. تجربه شرکت مرکوری، یا تجربه شرکت‌هایی مانند سی‌وی‌اس (CVS) و استارباکس (که به‌تفصیل به آنها نیز خواهیم پرداخت) این تصور رایج را که هوش مصنوعی ابزاری برای خلق فناوری است، از بین می‌برد. این تفکر مدت‌هاست که رنگ باخته و اکنون شرکت‌های هوشمند به این نتیجه رسیده‌اند که برای استفاده از پتانسیل‌های هوش مصنوعی و دستیابی به نوآوری، نیازی نیست چیزی را از آن خلق کنند؛ کافی است این فناوری خارق‌العاده را به‌درستی با یک زمینه تجاری خاص ادغام کنند تا نتایج درخشانش را ببینند.

وقتی ارزش تمرکز روی ادغام منابع و تحول فرایندها را درک کنید، خیلی راحت‌تر می‌توانید آنچه را در هوش مصنوعی نیاز دارید، ببینید و به آن دست پیدا کنید. در سایه این رویکرد شما شروع می‌کنید به دیدن داده‌های خود و بر اساس این داده‌ها و داشته‌ها، شروع به طراحی معماری فناوری خودتان می‌کنید؛ فناوری‌ای که مختص شماست و یک دارایی ارزشمند رقابتی برای مجموعه شما به حساب می‌آید. به‌تدریج سایر بخش‌های مجموعه را نیز تحت فشار قرار می‌دهید تا آزمایش‌های بیشتری انجام دهند و داده‌های بیشتری را فراهم آورند. روندی که به مرور زمان سیستم هوش مصنوعی سازمان شما را تغذیه و تقویت می‌کند و می‌تواند میسری را پیش روی شما باز کند که به موفقیت می‌رسد.

اما نکته اینجاست که در این ادغام (اگر آن را یک سس در نظر بگیریم!) هوش مصنوعی فقط حدود ۱۰ درصد از این سس را تشکیل می‌دهد. ۹۰ درصد باقی‌مانده در ترکیبی از داده‌ها، آزمایش‌ها و استعدادها نهفته است؛ همان ‌چیزی که مدام هوش مصنوعی شخصی‌سازی‌شده را بهبود می‌بخشد، فعال می‌کند و آگاه‌ترش می‌سازد.

بله، هدف شخصی‌سازی است. این درست همان‌ چیزی است که ساختار استراتژیک یک شرکت را تشکیل می‌دهد. نکته اینجاست که فناوری هم صرفاً یک ابزار برای رسیدن به این ساختار استراتژیک است. آنچه امروز قرار است سازنده فردای ما و صنعت خدمات مالی باشد، ادغام ابزارهای هوش مصنوعی در زمینه‌های تجاری، تمرین و تکرار مداوم، تولید یادگیری مداوم و وارد کردن داده‌های جدید به این ترکیب است تا در نهایت سفر مشتری اصلاح شده و بهبود یابد.


بیایید در مورد دستیابی به فناوری دوباره فکر کنیم!


هرچه باب صحبت بیشتر باز می‌شود، بیشتر مشخص می‌شود که برخی مدیران چقدر در مورد استفاده از هوش مصنوعی در اشتباه‌اند و در مقابل، چقدر آن دسته از مدیران که هوشمندانه در قبال این فناوری عمل می‌کنند، پیشرفت می‌کنند. واقعیت این است که یک شرکت، نباید آرزوی این را در سر بپروراند که اپل باشد، گوگل یا مایکروسافت، یا ادوبی باشد! یا هر شرکت دیگری که سازنده ابزارها و فناوری‌های هوش مصنوعی است یا دست‌کم در حوزه فروش این ابزارها و فناوری‌ها فعالیت دارد.

نام‌های آشنای فعال در حوزه هوش مصنوعی نظیر اسپاتیفای، اوبر و نتفلیکس، اگرچه ممکن است در حال تحقیق و تفحص یا توسعه راهکارهای جدیدی مبتنی بر این فناوری باشند، اما معمولاً این کار را با اهداف خاصی دنبال می‌کنند. مثلاً از آن برای توسعه برنامه‌هایی استفاده می‌کنند که به آنها مقیاس‌پذیری عظیمی می‌بخشد یا از آن در عملکردهای خاصی بهره می‌برند که می‌تواند آنها را از دیگر رقبایشان در بازار متمایز کند. مثلاً در مورد نتفلیکس، هدف خاص استفاده از هوش مصنوعی تجزیه‌و‌تحلیل فریم فیلم‌ها (Movie Frame Analysis) است که بدون آن، شاید نتفلیکس معنایی بسیار سطحی‌تر از چیزی داشت که امروز دارد.

با این حال، تعداد بسیار اندکی از شرکت‌های خارج از دنیای فناوری هستند که توانسته‌اند از نوآوری‌های دیجیتال‌شان کسب درآمد کنند. برای اکثریت قریب‌به‌اتفاق آنها، نوآوری در حقیقت ارائه یک راهکار جدید روی پشته‌ای از قابلیت‌های دیجیتال است. همه آنها به یک میزان به فناوری هوش مصنوعی و ابزارهای ارائه‌شده توسط غول‌های ارائه‌دهنده دسترسی دارند، اما وقتی دقت می‌کنیم، نتایجی که به دست آورده‌اند به طرز فاحشی با هم متفاوت هستند.

یکی از مهم‌ترین علل این تفاوت فاحش در نتیجه کسب‌وکار‌ها، داده‌هایی است که هر شرکت از آن تغذیه می‌کند؛ همان داده‌هایی که شرکت در اختیار فناوری و ابزار هوش مصنوعی خود قرار داده است. برای اینکه به‌عنوان یک شرکت علاقه‌مند به هوش مصنوعی بتوانید به مزیت رقابتی دست پیدا کنید، باید به گردآوری بی‌وقفه داده‌ها روی آورید، آنها را به‌صورت مدیریت‌شده تبدیل یا غنی‌سازی کرده و کتابخانه‌های هوش مصنوعی خود را تغذیه کنید. این رویکرد می‌تواند قابلیت‌های مورد نیاز برای اقدامات مثبت بعدی را فراهم آورد.

در حال حاضر، انبوهی از فناوری‌های هوش مصنوعی منبع‌باز در دسترس هستند؛ مانند ابزارهای هوش مصنوعی مولد نظیر جی‌پی‌تی-۴ (GPT-4) ارائه‌شده توسط شرکت Open AI یا کتابخانه‌های کامل هوش مصنوعی (برنامه‌هایی که به زبان‌های منبع‌باز نوشته شده و برای استفاده‌های خاصی بسته‌بندی شده‌اند) یا ایکس‌جی‌بوست (XGBoost). بیگ‌تک طیف گسترده‌ای از ابزارها و فناوری‌های خود را به‌صورت کاملاً قابل استفاده و منبع‌باز در دسترس قرار داده است. مثلاً می‌توان به متا، با ارائه کتابخانه پرافیت (Prophet) خود برای پیش‌بینی، یا ایربی‌ان‌بی با ایر فلو (Airflow) خود که یک پلتفرم مدیریت گردش کار برای مهندسیِ داده است، اشاره کرد.

امروز حتی بسیاری از ابزارهای رایج تجربه مشتری نیز به هوش مصنوعی مجهز هستند. مثل فناوری‌های ابری و هوش مصنوعی مورد استفاده در سلزفورس و ادوبی که به‌صورت مستقیم با کاربران و مشتریان در تعامل‌اند. اتفاقاً این شرکت‌ها و ابزارها به‌صورت مداوم در حال توسعه و بهبود هستند. به لطف رابط‌های برنامه‌نویسی کاربردی (API) و معماری سیستم‌های فناوری مدرن، تعامل سیستم‌ها با یکدیگر آسان‌تر شده و همین امر باعث شده توسعه و بهبود آنها تسهیل و تسریع شود؛ موضوعی که در ادامه به آن نیز خواهیم پرداخت.

یکی دیگر از مواردی که معمولاً بسیاری از شرکت‌ها و مدیران آنها را به اشتباه می‌اندازد، «شروع بزرگ» است. بر خلاف تصور عموم، ورود به حیطه هوش مصنوعی و استفاده از آن قرار نیست یک شروع انفجاری باشد! مثل باقی رویکردهای هوشمندانه و چابک، بهتر است در ابتدای امر محدود و گزیده شروع کرده و روی موارد استفاده خاص تمرکز کنید؛ مثلاً برای شروع کافی است روی «ورود مشتری یا تعامل اولیه» متمرکز شوید. به جای اینکه تلاش کنید با اتکا به هوش مصنوعی کل تجربه مشتری را از ابتدا تا انتها متحول کنید، یک منطقه و حوزه خاص را برگزینید و تمام تمرکزتان را معطوف آن کنید. خواهید دید که در این منطقه خاص کشش واقعی پیاده‌سازی و ادغام هوش مصنوعی را دارید. پس از اینکه موفق شدید، می‌توانید آن را به‌تدریج به سایر حوزه‌ها و مناطق نیز تسری دهید؛ بله، بسیار هوشمندانه است!

هیچ‌کدام از اینها به این معنی نیست که اجرای سفر مشتری مبتنی بر هوش مصنوعی آسان و کارِ یکی، دو روز است. حتی اگر مناسب‌ترین و بهترین راهکار هوش مصنوعی ممکن را هم در اختیار داشته باشید، سه نقطه‌عطف وجود دارد که کوچک‌ترین مشکل در آنها می‌تواند شما و کسب‌و‌کارتان را با چالشی جدی مواجه کند.

  • محدودیت در جمع‌آوری داده‌ها

این اتفاق معمولاً زمانی رخ می‌دهد که داده‌ها و گردآوری آنها فاقد ساختار باشد (مثل صنعت پزشکی و مراقبت‌های بهداشتی) یا داده‌ها به ثبت نرسیده باشند (مثل صنعت مهمان‌یاری). درست است که در اکثر هتل‌ها و اماکن مهمان‌یاری کارت‌های نظرسنجی در اختیار افراد می‌گیرد، اما واقعیت این است که چه کسی این داده‌ها را (که اتفاقاً اطلاعات بسیار ارزشمندی از آنها قابل استخراج است) به ثبت می‌رساند؟ هتلی را تصور کنید که همه ترجیحات شما در مورد نوع اتاق و دکوراسیون، سرویس‌دهی، غذا و خورد و خوراک، حساسیت‌های غذایی، برنامه نظافت، امکانات رفاهی و… را به ثبت رسانده است. بدون شک بار دومی که در آن هتل اقامت دارید، خدمات و امکانات بسیار شخصی‌سازی‌‌تر و بهینه‌سازی‌تری را دریافت خواهید کرد.

  • عدم ارتباط بین راهکار هوش مصنوعی و بازاریابی

فرض کنید یک سوپرمارکت بزرگ دارید؛ آن هم در وسط شهری بزرگ که اکثر ساکنان آن وگن (گیاه‌خوار) هستند یا دست‌کم علاقه چندانی به غذاهای گوشتی و چرب ندارند. حال تصور کنید یک ابزار هوش مصنوعی پیشرفته در اختیار دارید که چنین پیش‌بینی‌های شخصی‌سازی‌شده‌ای را به‌طور خودکار و در مقیاس عظیم در اختیارتان قرار می‌دهد! اما برای فعال‌سازی این قابلیت شما به یک سیستم فناوری بازاریابی یا به اختصار MarTech نیاز دارید تا بتوانید داده‌ها را در قالب کلمات و گفتار به آن انتقال دهید. بدون شک صرف داشتن این بینش و پیش‌بینی نمی‌تواند برای شما ارزش بیافریند.

  • عدم توانایی سیستم در مقیاس‌پذیری خودکار

بینش‌ها و پیش‌بینی‌های متعدد، در صورتی که سیستم هوش مصنوعی شما قادر نباشد هر یک از آنها را به اقداماتی مناسب برای شخصی‌سازی متناسب با مشتریان تبدیل کند، ارزش و کاربرد چندانی نخواهند داشت. شما نمی‌توانید برای دستیابی به یک کمپین کاملاً شخصی‌سازی‌شده به ورودی‌ها یا تجزیه‌وتحلیل‌های دستی اتکا کنید. سیستمی موفق خواهد بود که قوی و مقیاس‌پذیر باشد. در غیاب چنین سیستم قوی و مقیاس‌پذیری، داده‌ها و بینش‌ها سرکوب خواهند شد یا صرفاً در عملکردی محدود و منحصر‌به‌فرد مورد استفاده قرار خواهند گرفت.


چهار کلید یکپارچه‌سازی یا ادغام هوشمند


شرکت‌های مختلف، حین توسعه سفر مشتری مبتنی بر فناوری هوش مصنوعی، چهار ویژگی تعیین‌کننده برای ادغام هوش مصنوعی پیش رو دارند. این چهار کلید عبارت‌اند از:

  • شفافیت و همسویی اهداف؛
  • ابزار دقیق داده‌ها؛
  • معماری فناوری متصل؛
  • فرهنگ تجربی.

لازم به توضیح است که هیچ‌یک از این چهار کلید، شامل داشتن الگوریتم هوش مصنوعی برتر و بهتر نیست، هرچند همه آنها به داده‌های دقیق و درست و همین‌طور الگوریتمی با آموزش بهتر نیاز دارند.


۱. شفافیت و همسویی اهداف


بازاریابی مبتنی بر هوش مصنوعی به اهداف بهینه‌سازی واضح برای هر مورد استفاده نیاز دارد. این در حالی است که هر یک از این اهداف هم باید به‌طور معقولی محدود و قابل دستیابی باشند. اهداف کلی و گسترده (مثل تسریع رشد فروش) یا اهدافی که بیش از حد بلندپروازانه و آرمانی هستند، عملاً هیچ‌وقت حاصل نمی‌شوند، اما می‌توان به اهداف جزئی‌تر و منطقی‌تر مثل به حداقل رساندن زمان انتظار، کاهش هزینه‌های تشویقی در هر فروش یا ارائه پیشنهادی که مشتری بپذیرد، دست یافت. این قبیل اهداف نه‌تنها دست‌یافتنی هستند، بلکه کاملاً شفاف و واضح نیز مشخص شده‌اند. اما ممکن است اقدامات متعددی وجود داشته باشد که مشتری انجام می‌دهد یا دوست دارید در مورد مشتری اعمال کنید. این دیگر با شماست که تصمیم بگیرید کدام گزینه را انتخاب کنید. می‌خواهید ابزارهای هوش مصنوعی خود را معطوف به باارزش‌ترین گزینه‌ها کنید یا برای هر چیزی اعمال کنید که مشتری ممکن است انجام دهد.

برنامه‌های کاربردی هوش مصنوعی اساساً بر اساس داده‌های تاریخی کار کرده و پیش‌بینی می‌کنند. در صورتی که گستره تمرکز هوش مصنوعی بیش از حد بزرگ باشد، قدرت بهینه‌سازی خودش را از دست می‌دهد. اگر هم با موقعیتی مواجه شود که هیچ‌گونه داده تاریخی برای آن در دسترس نیست، پیش‌بینی‌هایی غیرواقعی و نادرست خواهد داشت. به همین دلیل اگر قرار باشد برای بهینه‌سازی فاکتورهای متعدد از هوش مصنوعی استفاده کنید، شاید بهتر باشد به جای استفاده از یک موتور هوش مصنوعی برای شخصی‌سازی و بهینه‌سازی این چند فاکتور، از چند موتور هوش مصنوعی استفاده کنید؛ در واقع برای هر مورد، یک موتور هوش مصنوعی تا بتواند نهایت تمرکز را به کار گیرد.

تنها در این صورت است که هوش مصنوعی می‌تواند به تجربه مشتری گسترده‌تر بینجامد. به‌عنوان مثال، یکی از شرکت‌های پیشرو فعال در حوزه بهداشت و درمان، یک موتور هوش مصنوعی به شناسایی اعضای طرح سلامتی اختصاص داده که بیشتر در معرض خطر یک حادثه حاد یا ابتلا به یک بیماری ویژه هستند. یک موتور هوش مصنوعی نیز به نحوه عضوگیری اختصاص داده، در حالی که طرح‌های آزمایشی مرتبط با آزمایش‌های بهداشت و درمان نیز از یک موتور هوش مصنوعی خاص دیگر بهره می‌برند. به همین منوال، یک موتور هوش مصنوعی نیز وظیفه توسعه و بهینه‌سازی مجموعه بر اساس بودجه‌های خاص را بر عهده دارد و… .

یکی از دلایل موفقیت استارباکس در شخصی‌سازی مبتنی بر هوش مصنوعی، شفافیت هدفی است که مشخص کرده است. این شرکت به این واقعیت دست یافته که برای فروش بیشتر و بازاریابی موفق‌تر، بهترین راه این است که تجربه مشتری را (با استفاده از ادغام فناوری هوش مصنوعی در بازاریابی) بهبود بخشیده و وی را وادار به قبول چیزی کند که بازاریابان ارائه می‌دهند. وقتی مشتری با استفاده از ماوس خودش محصول مورد نظر را (انگار که دقیقاً آن را در دست دارد) برانداز می‌کند، می‌چرخاند و از زاویه‌های مختلف می‌بیند، چاره‌ای برایش باقی نمی‌ماند جز اینکه سه بار در هفته بخواهد دوباره آن را تجربه کند و در اغلب موارد، مبلغ آن را پرداخت کرده و خریداری‌اش کند.

در واقع، استارباکس با ادغام هوش مصنوعی توانسته در عین ارائه پاسخ‌های واقعی، در مشتریانش علاقه ایجاد کند. ضمن اینکه استارباکس روی بهینه‌سازی سود و زیان یک محصول خاص تمرکز نکرده، بلکه سعی دارد افزایش کل درآمد خالص خود با تکیه بر فناوری هوش مصنوعی را هدف‌گیری کند؛ چیزی که به نظر می‌رسد درست هم بوده و توانسته با ارائه یک تعریف جامع از موفقیت، به آن جامه عمل بپوشاند.


۲. ابزار دقیق داده‌ها


مکانیسم‌هایی که داده‌های تعاملات مشتریان، اقدامات شرکت و نتایج به‌دست‌آمده در نقاط تماس را به ثبت می‌رسانند، سازمان‌دهی می‌کنند و به اشتراک می‌گذارند، در حقیقت پیچ‌ و مهره‌های برنامه شخصی‌سازی هوش مصنوعی یک شرکت هستند. ابزار دقیق این داده‌ها شامل همه‌چیز می‌شود؛ از گزارش‌های مرکز تماس و داده‌های به‌دست‌آمده از روابط اشخاص ثالث گرفته تا نرم‌افزارهای اتوماسیونی که ارتباطات دیجیتال را تولید و ردیابی می‌کنند. اشخاص ثالثی که در اینجا مد نظر هستند، همان شرکای دیجیتال، کارگزاران یا شرکت‌های رسانه‌ای هستند و نرم‌افزارهای اتوماسیون نیز شامل پروتکل‌هایی نظیر سلزفورس است.

یک شرکت برای دریافت اطلاعات مربوط به تعاملات هر یک از مشتریان در کانال‌های مختلف، به یکسری «گیرنده» نیاز دارد. اطلاعاتی که با استفاده از این گیرنده‌ها در خصوص تعاملات مشتریان در اختیار شرکت قرار می‌گیرند باید درست و به معنای واقعی کلمه دقیق باشند. به‌عنوان مثال، در مورد واحد «مرکز تماس»، اطلاعاتی که از سوی گیرنده‌ها در اختیار شرکت قرار می‌گیرند، باید داده‌هایی دقیق و واقعی باشند. داده‌هایی در خصوص اینکه «هدف از برقراری این تماس‌ها چه بوده است؟»، «آیا تماس‌گیرنده (مشتری) اذیت شده، گیج شده یا ناراضی است؟»، «آیا تماس‌گیرنده دستورالعمل‌هایی را که نماینده عنوان کرده، جدی گرفته و دنبال کرده یا خیر؟» یا اینکه «هنگام مذاکره تلفنی متوجه صحبت‌های نماینده بوده یا حواسش پرت چیز دیگری بوده است؟» و مواردی از این دست.

از طرف دیگر، زمانی که یک شرکت یک ایمیل برای یکی از مشتریان خودش ارسال می‌کند، باید بتواند بر همه‌چیز در مورد این ایمیل نظارت کرده، در صورت نیاز آن را شخصی‌سازی و بهینه‌سازی کند. عبارات‌، تصاویر تعبیه‌شده، اندازه فونت‌ها و رنگ‌های استفاده‌شده و هر متغیر دیگری که احتمالاً بر پاسخ مشتری تأثیرگذار هستند، باید بهینه‌سازی و شخصی‌سازی شوند. معماری برچسب‌گذاری چیزی است که امکان آزمون و یادگیری را در اختیار شرکت‌ها قرار می‌دهد تا بتوانند فراداده یا متادیتای این تعاملات و ارتباطات را جمع‌آوری، نظارت، طبقه‌بندی و مدیریت کنند.


۳. معماری فناوری متصل


پشته فناوری تجربه مشتری، شامل یک موتور پیش‌بینی، یک موتور مدیریت تجربه یا اصطلاحاً توالی‌یابی (Sequencing)، یک موتور محتوا، موتورهای دلیوری کانال و یک موتور آزمایش و تجزیه‌وتحلیل است. علاوه بر این، هوش مصنوعی برای پیوند دادن سفر مشتری به هم از پنج یا چند سیستم نیز استفاده می‌کند؛ بازاریابی، خدمات مشتریان، کاربرد محصول، ارائه‌دهندگان صورت‌حساب، کانال‌های آنلاین و گاهی اوقات یک فروشگاه خرده‌فروشی. با توجه به اینکه احتمال اضافه‌شدن قابلیت‌های جدید به این مجموعه وجود دارد و نیاز است چندین موتور هوش مصنوعی به آن اتصال پیدا کنند، بهتر است پشته را به‌صورت ماژولار طراحی کنید.

فناوری هوش مصنوعی؛ هوش مورد نیاز، سرعت لازم و مقیاس محاسباتی درخور را برای عملیات سوخت‌رسانی فراهم می‌کند که به‌طور فزاینده‌ای نیز توسط اتوماسیون هدایت می‌شود. با این حساب، فناوری‌هایی که اجراکننده اتوماسیون هستند، باید بتوانند سیگنال‌های هوش مصنوعی را پذیرفته و اطلاعات را به آن برگردانند تا به بهبود آن کمک کنند. به عبارتی در یک معماری فناوری متصل نیاز است که سیستم‌ها با یکدیگر کار ‌کنند، با هم در تعامل و اتصال باشند، اما به هم وابسته نباشند؛ این ایده‌آل‌ترین حالت ممکن برای دستیابی به نتیجه مطلوب است.

API‌هایی که در دسترس عموم قرار دارند، این معماری ماژولار را فعال می‌کنند. این APIها به توسعه‌دهندگان این امکان را می‌دهند تا از طریق یک استاندارد ارتباطی ساده و همه‌کاره، به نرم‌افزارهای اختصاصی دسترسی داشته باشند. APIها در حقیقت زبان گفت‌وگوی دیجیتال در پلتفرم‌های متفاوت هستند. مثال ساده‌ای از این رابط‌های برنامه‌نویسی کاربردی، رابطی است که سیستم مدیریت ارتباط با مشتری (CRM) یک شرکت را به یک سیستم تلفن مبتنی بر ابر پیوند می‌دهد؛ پیوندی که به نماینده مرکز تماس اجازه می‌دهد تا بدون نیاز به خروج از نرم‌افزار مدیریت ارتباط با مشتری، فوراً با یک لید جدید تماس بگیرد. به لطف این APIهای باز و در دسترس، می‌توان اطلاعات را به‌طور یکپارچه انتقال داد، مدل‌ها را به‌راحتی به‌روزرسانی کرد و قابلیت‌های جدیدی را به مدل ماژولار افزود.

چنین معماری به‌هم‌پیوسته‌ای به شرکت‌ها اجازه می‌دهد تا مانورهای رقابتی سریع‌تری را انجام دهند؛ چراکه به لطف آن شرکت‌ها این امکان را دارند که به محض در دسترس قرار گرفتن قابلیت‌های جدید و بهتر، به‌راحتی اجزا را در لحظه و با حداقل هزینه سوئیچینگ تعویض کنند.

برای اینکه ببینید یک معماری این‌چنین به‌هم‌‌پیوسته، ادغام عناصر مختلف پشته را چگونه ممکن ساخته و از شخصی‌سازی در مقیاس بزرگ پشتیبانی می‌کند، شرکت کام‌کست (Comcast) را در نظر بگیرید. این شرکت دریافته بود که اتصال رسمی همه سیستم‌های داده مشتری عملاً بی‌مفهوم و غیرممکن است. اما اگر قرار است هوش مصنوعی داده‌ها را دریافت کرده، آنها را دسته‌بندی، تجزیه‌و‌تحلیل و آزمایش کند، بر اساس آنها یادگیری داشته باشد و در نهایت بر اساس آنها اقدامات لازم را انجام دهد، این اتصال بین سیستم‌های داده الزامی و غیر قابل اجتناب است. پس چاره چیست؟

پوینتیلیست (Pointillist) چاره‌ای است که کام‌کست برای این مسئله اندیشید. سیستم‌ها باید به نحوی به هم مرتبط شوند و پوینتیلیست، ابزار تصمیم‌گیری هوش مصنوعی کام‌کست، یک وظیفه مضاعف برای برقراری این ارتباط و اتصال در اکوسیستم انجام می‌دهد. ابتدا داده‌های مشتری را از تمام سیستم‌های شرکت (تعامل‌های جاری در اپلیکیشن، مرکز تماس، گزارش‌های استفاده از محصول و…) دریافت کرده و با هم مطابقت می‌دهد تا دیدی یکپارچه از مشتری ایجاد ‌کند، سپس مانند یک میان‌افزار عمل می‌کند؛ چندین پایگاه داده را در یک پایگاه داده یکپارچه به هم متصل می‌کند و نیاز به ایجاد یک پایگاه‌ داده رسمی و کلی را از بین می‌برد.

در حقیقت وظیفه پوینتیلیست این است که همه داده‌های مشتری را از نقاط مختلف گرد آورده و آنها را در راستای ایجاد بینش پیرامون مشتری و بهینه‌سازی سفر مشتری در اختیار شرکت قرار دهد. سیستم در زمان واقعی می‌تواند بر اساس یافته‌ها و اطلاعاتی که این پروتکل در اختیارش قرار می‌دهد، نیازهای مشتری را درک کند، نقشه‌های سفر مشتری را ترتیب دهد، ناهنجاری‌هایی را که به رسیدگی نیاز دارند، کشف کرده و به آنها توجه کند و با بررسی علت‌های ریشه‌ای رضایت، عدم رضایت، شادی، آزار یا غیره، خودش را برای مشتری شخصی‌سازی و بهینه‌سازی کند. پوینتیلیست با استفاده از استانداردهای جنسیس (Genesys)، سیستم مشتری مرکزی کام‌کست، اطلاعات مربوط به مشتری را به تمام سیستم‌های تعامل با مشتری که با رابط برنامه‌نویسی کاربردی جنسیس سازگار هستند، هدایت می‌کند.

تعاملات مشتری به ترتیب زمانی و بر اساس برچسب‌گذاری زمانی ردیابی می‌شوند. این سیستم به‌صورت زمان واقعی و بلادرنگ به کام‌کست هشدار می‌دهد که مثلاً «جین دو» (Jane Doe) (یکی از مشتریان) در اپلیکیشن موبایلی است و مثلاً در دسترسی به اطلاعات طرح خدمات مشکل دارد. حتی قبل از اینکه جین دو بخواهد با مرکز پشتیبانی مشتریان کام‌کست تماس بگیرد تا مشکلش را عنوان کند، سیستم یک پیام متنی برای او ارسال کرده و یک راه‌حل سریع برای مشکلی که دارد، پیشنهاد می‌دهد.

در صورتی که جین دو از راه‌حل مورد نظر استفاده نکرده یا اقدام خاصی انجام ندهد، این ‌بار سیستم هشدار می‌دهد که مشتری احتمالاً تماس خواهد گرفت. جالب اینجاست که با این رویکرد، حتی اگر جین دو با مرکز تماس هم بگیرد، نماینده و سیستم پاسخگویی از قبل می‌دانند مشکل چیست و به‌راحتی می‌توانند بهترین راهکار را پیش روی او قرار دهند. حتی می‌توان تعیین کرد که یک سیستم پاسخگویی خودکار یا یک هوش مصنوعی مولد پاسخ جین دو را بدهد یا بر اساس نیاز، بهتر است یک نیروی انسانی با جین دو در تعامل باشد (که البته به‌عنوان راه‌حل پرهزینه‌تر، همیشه آخرین گزینه است). آنچه این سیستم را جذاب می‌کند، پاسخگویی آنی، سرعت و تجربه بدون اصطکاک آن است.

به مرور زمان، همین‌طور که پوینتیلیست به گردآوری اطلاعات و تطابق آنها ادامه می‌دهد، کام‌کست را قادر می‌سازد تا به‌طور مداوم روش‌های جدیدتر، بهتر و مؤثرتری را برای رسیدگی به هر مشکلی که ممکن است پیش آید، آزمایش کند. پس کام‌کست می‌تواند ایده‌آل‌ترین پیام و پاسخ را ارائه دهد، برای رهگیری مشتریان راهکارهای بهتر و تأثیرگذارتری را بیابد و حتی ردیابی کند که مشتریان با سیستم تماس می‌گیرند یا خیر، یا اینکه آیا لازم است تماس بگیرند یا خیر؟

فقط در ۱۸ ماه نخست، همین سیستم مبتنی بر هوش مصنوعی که در کام‌کست پیاده شده، توانست ۱۰ درصد در هزینه‌های مرکز تماس صرفه‌جویی کند. بهبودها و بهینه‌سازی‌هایی که در تجربه مشتری آنلاین ایجاد شده و بازخوردی که شرکت دریافت می‌کند، باعث شده مشتریان دلایل کمتری برای تماس با سیستم داشته باشند. ایکس‌فینیتی موبایل (Xfinity Mobile)، زیرمجموعه کام‌کست، در سایه این سیستم توانسته برای چندمین سال متوالی از سوی جی‌دی پاور (J.D. Power) به رتبه برتر نائل شود.


۴. فرهنگ تجربی


هوش مصنوعی به یک شرکت اجازه می‌دهد تا ایده‌ها را بسیار سریع‌تر از حالت عادی آزمایش کند و کارها را بسیار بیشتر و بهتر از مقیاس معمولی انجام دهد و از این رو خلاقیت را تقویت می‌کند. همچنین این فناوری از میلیون‌ها میلیون داده (در گذشته) یاد می‌گیرد و می‌تواند نوآوری را بسیار سریع‌تر از هوش انسانی فعال و عملی کند. اما واقعیت این است که خلق‌کردن، کار هوش مصنوعی نیست. تنها کاری که از دست هوش مصنوعی برمی‌آید، این است که می‌آموزد چه چیزی، برای چه کسی، چه زمانی و چگونه کار می‌کند. خلق‌کردن مستلزم فرهنگی است که برای ریسک‌پذیری، تمرین و تکرار ارزش قائل باشد.

اگر قرار باشد همه‌چیز، همه شرایط و مسائل و اتفاقات و جریان‌ها برابر و یکسان باشند، داده‌های تجربی نه یک مزیت رقابتی که یک مزیت غیرقابل رقابت برای شرکت‌ها خواهند بود، اما واقعیت این است که همیشه این‌طور نیست. باید قبول کنیم که تغییرات، تفاوت‌ها و اختلافات همیشه وجود دارند و همین امر، باعث می‌شود طیف گسترده‌ای از آزمایش‌ها صرفاً روی دست ما هزینه بگذارند؛ بدون اینکه به نتیجه مطلوب برسند. طبق تعریف، برخی آزمایش‌ها کارساز نخواهند بود، اما حتی همین آزمایش‌های ناموفق هم درس‌های ارزشمندی به ما می‌دهند.

تیم‌های چابک به این مهم پی برده‌اند و از آن نهایت استفاده را می‌برند. آنها جسارت، استعداد و خلاقیت لازم را دارند تا ریسک کرده، ایده‌های جدید را دنبال کنند و حتی در صورت شکست‌خوردن‌های پی‌درپی، در طول زمان آنها را بهبود ببخشند.

چابک‌بودن به این معنی است که شما برای آنچه می‌خواهید و می‌توانید برنامه‌ریزی کنید، اما برای چرخش سریع به سمت آنچه آزمایش‌ها نشان می‌دهند هم فضا بگذارید. به همین خاطر است که مدیران شرکت‌ها برای عملی‌کردن هوش مصنوعی در اکوسیستم خود باید انگیزه‌ها و برنامه‌های عملیاتی‌شان را به نحوی تدوین کنند که از چابکی لازم برخوردار باشد. آنها باید بپذیرند که داشتن آزمایش‌هایی که نتیجه مطلوب در پی نداشته‌اند بخشی از کار است و در عین حال می‌توانند انعطاف‌پذیری لازم برای تغییر مسیر را نیز حفظ کنند. در کنار این موضوع، حمایت از هوش تجربی نیز از اهمیت بالایی برخوردار است؛ هوشی که می‌تواند ریسک‌پذیری بالایی داشته باشد و برای خلق‌کردن مناسب است.

آزمایش‌هایی که در این اکوسیستم انجام می‌شوند، برخی موفق و برخی ناموفق خواهند بود و از این رو، به یک سیستم یا گروه‌های کنترلی نیز نیاز است تا نتایج آزمایش‌ها را بررسی کرده و آنها را تأیید یا رد کنند. شما باید بتوانید به‌عنوان رهبر یک اکوسیستم، باخت‌های مجموعه خود را کاهش داده و بردها را دوبرابر کنید. شما باید تغییرات عملیاتی، ایده‌های نو و جذاب و مشوق‌های جدید را که نیاز به آزمودن دارند، تأمین مالی کنید. هرچه این تأمین مالی سفت و سخت‌تر باشد، نوآوری و خلق‌کردن نیز سفت و سخت‌تر خواهد بود. اگر اهل ریسک‌کردن نباشید، نمی‌توانید آزمایش کنید و بدون آزمایش، نمی‌توانید انتظار نوآوری و خلق‌کردن داشته باشید.

تسلطی که استارباکس بر بازاریابی دارد تا حد زیادی به‌دلیل همین آزمایش، تمرین و تکرار مداوم و همچنین تعهد آن به حمایت مستمر از منابع اطلاعاتی لازم است. این شرکت نه‌تنها بر داده‌های گردآوری‌شده دیجیتال و فناوری‌های دیجیتال متکی است، بلکه از تجارب خرده‌فروشی هم غافل نشده است. فناوری که در استارباکس استفاده شده، ۱۰۰ درصد از زبان و ابزار‌های منبع‌باز تشکیل شده است. آنچه استارباکس بر آن تمرکز کرده، غنی‌سازی مداوم مجموعه داده‌های خود و اتصال آنها به معماری فناوری اکوسیستم است؛ نه توسعه الگوریتم‌ها.

استارباکس هر هفته آزمایش‌های تصادفی یا برنامه‌ریزی‌شده متعددی را روی زیرمجموعه‌ای از مشتریان خود و داده‌های آنها انجام می‌دهد. هدف از انجام این آزمایش‌ها هم آزمون‌وخطا، یادگیری، تقویت و به چالش کشیدن فرضیه‌های بازاریابی است. اکثریت قریب‌به‌اتفاق مشتریانی که از فروشگاه‌های خرده‌فروشی بازدید می‌کنند، تشویق می‌شوند تا با این اکوسیستم از طریق اپلیکیشن استارباکس تعامل داشته باشند و اگر امکان داشت یک خُرده‌خرید دیجیتال هم تجربه کنند. همین اپلیکیشن، داده‌های بسیار حیاتی و غنی را برای استارباکس جمع‌آوری می‌کند. مثلاً اینکه مشتریان معمولاً چه چیزی سفارش می‌دهند، چه زمان‌هایی سفارش بیشتری دارند، یا در کجا این سفارش‌ها انجام می‌شوند.

آیا آنها سفارش‌های خودشان را عادی ثبت می‌کنند یا دنبال چیز خاصی هم در اپ می‌گردند. اپلیکیشن در مورد جزئیات رفتاری مشتریان و نحوه بازخورد آنها هم اطلاعات خوبی در اختیار استارباکس قرار می‌دهد؛ از جمله پیام‌ها یا ایموجی‌هایی که از طریق این اپلیکیشن ارسال می‌شوند، پیام‌هایی که بلافاصله باز شده و مشاهده می‌شوند، یا پیام‌هایی که نادیده گرفته می‌شوند و موارد بسیاری از این دست. همه این اطلاعات، داده‌هایی ارزشمند هستند که اپلیکیشن استارباکس ارائه می‌دهد تا بازاریابی را بهینه‌سازی کرده و آن را بر اساس تمایلات و نیازهای مشتریان شخصی‌سازی کند.

آزمایش‌هایی که این شرکت در دستور کار خود قرار داده، می‌توانند شامل محصولات قبلی شده یا محصولات جدید را دربر بگیرند. به‌عنوان مثال، ممکن است سیستم با آزمون‌وخطا تصمیم بگیرد پیام‌رسانی یا قالب‌بندی را بهبود ببخشد؛ تحولی که ممکن است در آن رنگ‌ها، فونت‌ها، زبان، اندازه‌ها و تصاویر تعبیه‌شده تغییر پیدا کنند (بهبود یابند). شاید هم بخواهد قیمت‌گذاری یا توصیه‌های محصول را در بخش‌های مشتری یا در مؤثرترین کانال‌های خودش آزمایش کند. هرچه تعداد پارامترهای مورد آزمایش بیشتر باشد، طبیعتاً تعداد جایگشت‌های آزمایش نیز بیشتر خواهد بود. این آزمایش‌ها ممکن است به زمان بیشتری نیاز داشته باشند. به همین خاطر بهتر است آزمایش‌کردن به یک تلاش مستمر در اکوسیستم تبدیل شود.

سفری که استارباکس برای ادغام هوش مصنوعی در فناوری خود شروع کرد، باعث شد ۴۵ درصد افزایش درآمد خالص را تجربه کند؛ رشدی که استارباکس آن را مرهون فروش منتسب به بازاریابی (به استثنای تخفیف‌ها) است و فقط در عرض چهار ماه حاصل شده است. پس از یک دوره ۱۲ماهه، پس از انجام آزمایش‌های تصادفی، جریان ثابت داده‌های جدید، انجام آزمایش‌های بیشتر و توسعه طرح به پایگاه کامل مشتریان، نتیجه‌ای که استارباکس دریافت کرد، خارق‌العاده بود. استارباکس شاهد افزایش ۱۵۰درصدی بود و این رشد، با هیچ‌چیز جز ادغام هوش مصنوعی امکان‌پذیر نبود. جالب‌تر اینکه با اضافه‌شدن کانال‌های بیشتر، ترکیب‌های پیشنهادی بیشتر و جایگشت‌های بیشتر، این میزان رشد به ۳۰۰ درصد رسید.


ادغام هوشمند در ارتباطات پیچیده با مشتری


بر خلاف استارباکس، شرکت سی‌وی‌اس هلث (CVS Health) در یک صنعت تحت نظارت فعالیت می‌کند. صنعتی که ارائه پاداش و طرح‌های تشویقی برای جذب مشتری در آن ممنوع است. در عین حال، داده‌ها و نوع ارتباط آنها با سلامت و وضعیت جسمانی مشتریان نیز اگرچه ممکن است از نظر اهمیت مشابه استارباکس باشد (شاید کمی بیشتر)، اما بسیار پیچیده‌تر از آن است.

سفر سی‌وی‌اس از «ایتنا» (Aetna) شروع شد. از سال ۲۰۱۸ میلادی که ایتنا تصمیم گرفت افراد عضو بیمه مدیکر (Medicare) را به انجام اقدامات بهداشتی و درمانی سالم‌تر تشویق کند، این رویکرد برای هر دو طرف برد بود؛ مشتریان زندگی بهتر و سالم‌تری را تجربه کرده و در عین حال هزینه‌های پایین‌تری را متحمل می‌شدند و شرکت نیز فرصت آن را پیدا می‌کرد تا محصولات و خدماتش را بهینه‌سازی کند.

ایتنا فکر می‌کرد که می‌تواند مشتریان را برای انجام ده‌ها اقدام بهداشتی و درمانی تشویق کند. با این حال، بعد از مدت‌زمان بسیار کوتاهی شرکت متوجه شد که در همان ابتدای امر، بازنویسی نسخه‌ها برای مشتریان خودش یک پروسه زمان‌بر است. هر نسخه متفاوت بود و کلی زمان می‌برد و این در حالی بود که هر یک از مشتریان تفاوت‌هایی با یکدیگر داشتند و همین امر پروسه‌ را زمان‌برتر می‌کرد.

واقعیت این بود که داده‌ها بهترین ابزاری بودند که ایتنا می‌توانست از آنها بهره ببرد. داده‌ها انواع و اقسام گوناگونی داشتند؛ از ادعاهای اخیر مشتریان، پاسخ‌های آنها به کمپین‌های بازاریابی، استفاده مشتریان از ابزارهای دیجیتال، جمعیت‌شناسی اولیه و تغییرات منطقه‌ای گرفته تا پروتکل‌های بالینی و غیره. ایتنا برای اینکه بتواند در میان سیستم‌ها و کانال‌های خودش ارتباط برقرار کرده و با مشتریان نیز برای جذب و گردآوری داده‌ها مرتبط باشد، شروع به سرمایه‌گذاری روی جنبه‌های مختلف این ارتباطات (کانال، زمان، فرکانس، پیام، زبان و…) کرد. نتیجه این بود که میلیون‌ها تغییر بالقوه و بالفعل در اکوسیستم اعمال شد.

هدف اصلی آزمایش‌هایی که در ایتنا انجام می‌شدند، سفارشی‌کردن ابزارهای معمول مارتک بود، تا به اندازه کافی انعطاف‌پذیر باشند و بتوانند از این گستره در حال توسعه داده‌ها نهایت استفاده را ببرند. با این حال، برای اینکه ابزارهای هوش مصنوعی بتوانند در سایر جنبه‌های اکوسیستم نیز شروع به شخصی‌سازی و بهینه‌سازی کنند، شرکت به داده‌های تاریخی بسیار بیشتر و غنی‌تری نیاز داشت. داده‌هایی که در آن برهه از زمان در اختیار ایتنا قرار داشتند، بد نبودند، اما قادر نبودند پاسخگوی نیاز ابزارهای هوش مصنوعی باشند و نمی‌توانستند آن‌طور که باید در یادگیری آن سودمند عمل کنند. به همین دلیل نیز ایتنا تصمیم به انجام یکسری آزمایش‌ در مقیاسی عظیم و با جایگشت‌های متعدد، اما کنترل‌شده، گرفت.

حال یک آزمایش در این مقیاس، با جایگشت‌های بالا، ولی کنترل‌شده، چطور آزمایشی می‌توانست باشد؟ برای درک بهتر موضوع این مثال را در نظر بگیرید؛ فرض کنید می‌خواهیم یک تعامل در پیشخوان یک داروخانه را در بوته بحث و آزمایش قرار دهیم. ما قصد داریم زمان این تعامل، پاسخ‌هایی که رد‌و‌بدل می‌شوند و در عین حال انگیزه برقراری ارتباط و انجام این تعامل را در نتیجه آزمایش مورد نظر بهینه‌سازی کنیم.

هرچه زمان می‌گذرد و آزمایش جلوتر می‌رود، تعداد فاکتورها و در نتیجه جایگشت‌های آزمایش افزایش پیدا می‌کنند. ایتنا برای مدیریت آزمایش‌ها از یک ابزار هوش مصنوعی استفاده کرد؛ ابزاری که بتواند گزینه‌های مختلف را آزمایش کند، تعداد آزمایش‌های مورد نیاز برای دستیابی به نتیجه مطلوب را به حداقل برساند و برای ردیابی نسبی هر جایگشت ایده‌آل‌ترین و بهینه‌ترین حالت ممکن را فراهم آورد.

ایتنا به جای اینکه یک الگوریتم هوش مصنوعی جدید برای خودش خلق کند، از همان الگوریتم‌های منبع‌بازی که در دسترس هستند، کمک گرفت. متخصصان و دانشمندان زیادی پشت پرده این سیستم‌ها هستند و آنها را برای پاسخگویی به نیازهای گوناگون طراحی می‌کنند و وقتی متخصصان و دانشمندان دیگر (نظیر توسعه‌دهندگان ایتنا) از آنها استفاده می‌کنند، نتایج درخشانی به دست می‌آیند. توسعه‌دهندگان ایتنا به همین منوال از الگوریتم‌ها استفاده کرده، آنها را با انواع داده‌های جدید تغذیه کردند، به تجزیه‌وتحلیل پرداختند و یک دوره کامل از آزمایش مبتنی بر هوش مصنوعی را به انجام رساندند.

ضمن اینکه ایتنا در کنار استفاده از متخصصان فناوری و ابزارهای هوش مصنوعی، از اقتصاددانان رفتاری نیز کمک گرفت. این اقتصاددانان در توسعه استراتژی‌های تماس نقش تعیین‌کننده‌ای داشتند و توانستند به برنامه ادغام هوش مصنوعی ایتنا برای تشویق مشتریان به انجام اقدامات درمانی و بهداشتی بیشتر کمک کنند. برخی از این متخصصان اقتصاد رفتاری مشتریان را با تأکید بر عوارض عدم رسیدگی به خود تشویق می‌کردند، برخی با متوسل‌شدن به اهمیت سبک زندگی سالم‌تر، برخی با تأکید بر خانواده و اهمیت آن برای هر فرد و برخی دیگر با استفاده از داده‌های بهداشت و درمان جامعه بومی.

در نهایت، ترکیبی ایده‌آل از سیستم‌های هوش مصنوعی و فناوری و انسان‌ها در ایتنا تشکیل شد؛ اکوسیستمی که منحصراً برای بهینه‌سازی و شخصی‌سازی سی‌وی‌اس ایجاد شده بود و به نظر می‌رسید درست هم کار می‌کند. در پایین‌دست، موتور این اکوسیستم قرار داشت که مجموعه‌ای از کانال‌ها و پروتکل‌های ارتباطی تأمین‌کننده آن بودند، مانند ایمیل‌ها، سیستم‌های مدیریت ارتباط با مشتری (CRM)، اسکریپت‌نویسی‌های مراکز تماس، پیام‌های متنی، اعلان‌های دریافتی توسط اپلیکیشن و حتی پنجره‌های بازشو روی صفحه‌نمایش کامپیوتر داروسازان. این موتور در حقیقت تغذیه‌کننده سیستم‌ها و ابزارهای هوش مصنوعی است. داده‌ها از این موتور در اختیار سیستم‌های هوش مصنوعی قرار می‌گیرند تا بر اساس آنها، یادگیری و تجزیه‌وتحلیل داشته باشند.

نکته اینجاست که به مرور زمان، برخی از این داده‌ها پیچیده‌تر می‌شوند. سی‌وی‌اس با اشراف بر این موضوع، با تمرکز بر جریان داده‌ها، پتانسیل نوآوری، آزمایش و معماری، همچنین ابزارهای هوش مصنوعی منبع‌باز و امثال آنها توانسته بر پیچیدگی داده‌ها نائل آمده و حتی آنها را به یک فرصت برای پیشبرد اهدافش تبدیل کند. حاشیه سود قابل ملاحظه‌ای که این شرکت پس از ادغام هوش مصنوعی در فناوری‌های زیرساختی خود به آن دست یافته، هزینه‌های پزشکی کمتر، رتبه‌بندی خدمات بهتر، نتایج سلامت بهبودیافته و فرصت‌های جدید فروش هستند که نشان می‌دهد سی‌وی‌اس، مسیر خود را به‌درستی انتخاب کرده و در حال پیمودن آن است.

برای ایجاد مزیت رقابتی با استفاده از فناوری هوش مصنوعی، باید بتوانید سیستم‌های داخلی و زیربنایی خود را با سیستم‌های هوش مصنوعی ادغام کنید. اولین گام برای این ادغام، گردآوری داده‌های مشتریان است، سپس تجزیه‌وتحلیل آنها، انجام آزمایش‌ها و دستیابی به یکسری بینش و در نهایت شخصی‌سازی و بهینه‌سازی بر اساس بینش‌هایی که به آنها دست یافته‌اید.

این فرایند بسیار مقیاس‌پذیر است و دامنه گسترشی نامحدود دارد. هرچه میزان و تنوع داده‌هایی که در اختیار سیستم قرار می‌دهید و البته پیچیدگی این داده‌های تغذیه‌کننده سیستم‌های هوش مصنوعی بالاتر باشد، هرچه بتوانید متغیرهای بیشتری به فرایند افزوده و جزئیات را بیشتر و شفاف‌تر کنید، نتایج درخشان‌تری به دست خواهید آورد. مدیران، در این فرایند خالق نیستند، بلکه بیشتر یک یکپارچه‌ساز و ادغام‌کننده هستند. این دست مدیران باید مدل رهبری جدیدی برای خودشان و مجموعه اتخاذ کنند و بتوانند اولویت‌های جدیدی تعریف کرده و از امکانات موجود نهایت استفاده را ببرند.

ادغام و یکپارچه‌سازی درست، به‌طور فزاینده‌ای تجربه مشتری برتر (بهینه‌سازی‌شده و شخصی‌سازی‌شده) را به همراه دارد و همین تجربه مشتری برتر، عاملی تعیین‌کننده در نحوه ایجاد ارزش ویژه برای برند خواهد بود.

منبع هاروارد بیزینس ریویو
از طريق مترجم: ثریا حقی
ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.