Последние несколько лет главный герой многих технологических новостей ― это искусственный интеллект. Без него, кажется, уже не обходится практически ни одна сфера. А как обстоят дела в клиентском опыте? Об этом мы поговорили с co-founder UX Feedback Арсланом Разыковым. Он рассказал о текущих трендах в работе с обратной связью, опыте создания собственного ИИ-инструмента в UX Feedback, и к чему стоит быть готовым, если вы хотите начать работать с AI.
В 2023 году мы видели очень активное развитие различных ИИ-решений, и в этом году процесс шел не менее быстрыми темпами. Но основное отличие в том, что если год назад компании только знакомились с AI и по большей части тестировали какие-то вещи, то сейчас они пытаются найти бизнесовую ценность и применение технологии на практике. Сейчас, из тех продуктов с использованием ИИ, что вышли на рынок, есть как провальные, так и успешные проекты с капитализацией в один миллиард.
Однако тут есть важный момент: многие компании в погоне за трендом и, так сказать, «для галочки» добавляют к себе в описание продукта работу с ИИ-инструментами. Но это исключительно для того, чтобы быть на волне. На самом деле у них нет core-составляющей искусственного интеллекта, им они просто дополняют свой функционал.
Сбор
Тем не менее, многие российские и зарубежные компании тестируют гипотезы на тему того, как ИИ может задавать пользователям дополнительные вопросы, чтобы получать более точечный фидбек. Это, что касается этапа сбора. Там же, кстати, есть еще одна история про ассистента, который помогает тебе лучше сформулировать вопрос или выбрать логику опроса. Но эта штука появилась не вчера, он уже прорабатывается довольно давно.
Пока мы не видим каких-то больших результатов, чтобы можно было говорить о серьезной ценности. Однако сама по себе оптимизации этапа сбора обратной связи в будущем ― отличная история, где через некоторое время может появиться немало классный кейсов. Потому что на этапе сбора мы всегда сражаемся с несколькими проблемами: как не замучить пользователя вопросами, но при этом получить конкретный содержательный комментарий. И вот тут ИИ может помочь создать ощущение того, что ты лично общаешься с клиентом и даст возможность доуточнить какие-то моменты.
Тут же мы видим историю про автоматизацию и упрощение процесса создания опросов: можно прикидывать разные формулировки, сценарии и так далее. Если вы, например, только начинаете работать с обратной связью, то ИИ может помочь оптимизировать процесс. Например, показать, как лучше, с точки зрения конверсии собрать фидбек, или какие вопросы лучше задать, и где. По нашему опыту скажу, что это не самая большая боль, но такой умный ассистент может сделать процесс удобнее.
Обработка
Что касается обработки, то с точки зрения ИИ ― это один из самых «подходящих» этапов. Например, большие компании собирают десятки тысяч единиц фидбека, поэтому им сложно на базе регулярных исследований каждый раз предметно обрабатывать обратную связь. В этом ключе у ИИ может быть большое будущее. Одно из самых благодатных полей ― это категоризация (тематизация) фидбека. Об этом мы, кстати, совсем недавно рассказывали в отдельной статье. Автоматическое размечивание фидбека снимает очень большой объем работы и помогает быстро перейти к этапу анализа. Более того, сейчас ИИ может определять и тональность комментариев, отсортировывая негативные, позитивные и нейтральные.
Здесь также существует одно направление, которое уже довольно давно в обиходе ― это саммари. ИИ с этим хорошо справляется. Однако он не умеет давать рекомендации, так как мало контекста и его нужно больше погружать в детали самого бизнеса.
Мы сами сейчас много работаем над развитием AI именно на этапе обработки, у нас даже есть отдельный продукт, заточенный под размечивание и определение тональности обратной связи. Называется он Yotitle и, что интересно, мы начали экспериментировать с этой темой еще до появления моделей, заточенных на то, чтобы оптимизировать работу с фидбеком. Нам повезло, что мы заранее увидели этот тренд и вот уже три года в формате полноценного продукта развиваем наш Yotitle и в целом направление.
Анализ
Если говорить про аналитику, то и здесь ИИ может быть полезен. Однако это пока что только на уровне гипотез, потому что сейчас нет каких-то подтвержденных успешных кейсов. Мы наблюдаем много попыток, особенно среди зарубежных компаний, эту историю протестировать (например, анализировать графики, искать инсайты и точки роста), но пока еще она неприменима в реальной жизни. Здесь ИИ нужны очень глубокие знания о продукте, необходимо большое количество интеграций, что довольно сложно настраивается. Это усложняет проверку гипотез и получения ценности. Так что здесь мы пока просто наблюдаем, как развивается эта тема, потому что скорость обработки данных открытыми моделями растет огромными темпами. Причем даже не из года в год, а буквально каждый квартал. Так что в будущем уровень моделей и их возможности будут настолько высоки, что они смогут обрабатывать и хранить в себе очень большой объем данных.
Добавлю еще, что сейчас в ходу общие модели, которые создают компании вроде OpenAI. Они всем известны и широко используются для разных целей. Но недавно начали появляться компании, которые создают персонализированные модели. Например, они могут быть заточены чисто на право и заменить тебе юриста. Однако этот тренд пока еще на стадии зарождения, но потенциально он может вырасти во что-то большое, когда мы постепенно перейдем на модели, натренированные под конкретные задачи. В общем под CX или под конкретные этапе работы с фидбеком. Например, когда модели будут помогать продактам работать с обратной связью под их конкретные задачи, или под целое направление, такое как e-commerce.
Наш опыт работы с клиентами
У наших клиентов появляется потребность в автоматизации обработки фидбека. Мы видим, что у многих цифровых гигантов есть собственные модели, которые они стараются применять в этой части. Но не у всех компаний есть опыт и такое количество данных для обучения собственных моделей. Тут могут помочь готовые продукты, такие как наш Yotitle, например. Технологии с каждым годом становятся лучше, а также появляется больше вариаций. Однако ключевой момент ― они становятся доступнее.
Но даже в обработке все используют ИИ по-разному. Не всем нужен слишком глубокий уровень детализации. Например, кому-то достаточно посмотреть на общую картину и увидеть, какая область «болит» больше. А кто-то настраивает свои модели так, чтобы разложить все на еще более мелкие составляющие.
Мы периодически видим, как ИИ используют не для того, чтобы собирать или обрабатывать фидбек, а для такой базовой вещи, как оптимизация работы саппорта или отделов, которые имеют дело с обращениями. Это очень утилитарная и понятная история, которую легко посчитать и оценить. В целом, обработка обратной связи, поступающей в саппорт или чат-боты, через ИИ ― уже общепринятая практика. Тут довольно просто посчитать экономику и понять, какие инвестиции требуются.
Но если мы говорим об исследованиях, ― это совершенно другие бюджеты. Здесь командам сложнее защитить экономическую составляющую, потому что это не про финансовый выхлоп, а про оптимизацию базовой рутины. Так что компаниям иногда выгоднее просто взять еще одного человека в команду, нежели внедрять новые технологии. Но я уже упоминал выше, что технологии становятся доступнее, так что это хороший задел на то, чтобы команды исследований в будущем могли позволить себе такие инструменты без сложных защит бюджета и расходов на интеграцию.
Однако надо понимать, что развитие AI, ― процесс, который начался совсем недавно. Даже мы со своим опытом и датасетом, ежемесячно улучшаем модели и делаем более пресонализированными. Так что компаниям в будущем надо будет строить отдельные процессы, которые будут позволять корректировать и дообучать ИИ.
Например, если мы еще пару лет назад просто тестировали гипотезы и собирали MVP, то сейчас мы уже можем развивать Yotitle «в бою» вместе с нашими клиентами. Так мы получаем совместный опыт и можем предоставить второй стороне быстрый доступ к технологиям. То есть, не нужно с нуля развивать собственные решения и проходить весь тот путь, который мы уже прошли за последние три года.
Однако, чтобы сделать все максимально адаптивно (под свои потребности, категории и так далее), даже при наличии объемного датасета, необходимо от полугода до года. Это большой интеграционный процесс. Нельзя сегодня подключить ИИ, а завтра уже ничего не делать и просто пользоваться им без изменений. Необходимо непрерывно улучшать модель, потому что ИИ ― это не серебряная пуля, которая сразу решит все вопросы в части работы с фидбеком.
Сложность сейчас часто заключается в том, что у пользователей изначально очень высокие ожидания от ИИ. Например, если применить текущие модели к этапу обработки, то они получат какой-то невероятный результат с очень высоким уровнем точности. И что главное ― это только интеграция и настройка, а дальше оно уже само собой работать будет.
Впрочем, наш опыт говорит о том, что человек сейчас все равно еще лучше размечает фидбек. Но если мы говорим о будущем, то компании все равно делают ставку на ИИ, потому что всегда есть человеческий фактор и вот эти ошибки хотят исключить. Получается, что точность со стороны людей всегда выше, но процент ошибок у ИИ ниже. Сейчас AI показывает точность от 50% и выше, но мы видели также, что в узкоспециальных темах, она была и 30%. А дальше все зависит от датасета, усилий и времени, которое вы тратите, чтобы дообучить модель. Так что это игра в долгую, где надо набраться терпения и приготовиться к долгому пути.
Без вовлечения нашей команды продукта и команды клиента, мы бы никогда не смогли двигать этот процесс. Наша практика показывает, что те ребята, которые смогли вместе с нами поставить эту историю на рельсы, добиваются все большей точности. На данный момент точность некоторых категорий доходит до 97%. Но за этими процентами стоит очень большая работа.
Подытоживая, хочу сказать, что ИИ, несмотря на быстрое развитие, все еще ищет своего применения в работе с фидбеком. Так что здесь важно правильно строить ожидания. Кроме того, несмотря на то, что каждый год технология дешевеет, AI все еще остается дорогим, особенно для маленьких команд. И с точки зрения наибольшей полезности, ― пока что ИИ лучше всего работает на этапе обработки фидбека. Однако здесь еще не стоит ожидать максимальной точности, особенно если регулярно не обучать модель.
Думаю, что в будущем мы услышим о компаниях, которые сейчас активно ищут пути применения ИИ в контексте CX и экспериментируют. Потенциально они будут иметь весомое конкурентное преимущество в работе с клиентским опытом. Но это будет долгий и не самый простой путь.
Канал о том, как дружба с пользователями помогает улучшать продукты и двигать горы ⛰
Подпишитесь на наш телеграм-канал, чтобы читать о Customer Experience и получать советы про опросы и пользовательский фидбек
Подробнее
