De volgende stap in Customer eXperience Management (CXM): De toekomst van CXM, van digitale transformatie naar digitale conversatie

Er is de afgelopen jaren veel nadruk gelegd op het versnelde tempo van digitale transformatie. Verschillende bedrijven hebben geïnvesteerd in self-service en straight-through processing (volledig geautomatiseerde afhandeling van klantaanvragen), waarbij een digitaal portaal hun belangrijkste contactpunt met hun klanten is. De volgende stap komt steeds dichterbij: van digitale transformatie naar digitale conversaties. Een digitale conversatie gaat verder dan de ‘gesprekken’ die we momenteel voeren met Siri, die voornamelijk bestaan uit een functioneel spel van vragen en antwoorden. Een digitale conversatie is een vorm van interactie die gebruikmaakt van context over wie je bent en wat de vraag achter je vraag is, wat de basis vormt voor een productief gesprek. Voor digitale conversaties – vooral wanneer de klant niet rechtstreeks met een medewerker praat, maar met een algoritme – is het zeer interessant om te kijken naar de wereld van robotica en de ontwikkelingen die daar plaatsvinden, omdat ze de ultieme digitale conversatie mogelijk zullen maken: natuurlijke gesprekken met machines.

“De voortdurende groei in het volume van klantcontact, de consolidatie van markten en het tekort op de arbeidsmarkt maken het steeds moeilijker om klantcontact persoonlijker te maken.”

 

Robots en menselijke interactie: wat is de situatie in Nederland?

Je kunt nu spelen met een kunstmatige hond en een robot vragen om je veters te strikken. Maar zullen robots binnenkort onze gevoelens begrijpen? Apparaten worden slimmer, maar ook ‘gevoeliger’, waarbij ontwikkelaars hard werken om hun gevoel voor moraliteit te ontwikkelen.

 

In januari 2022 organiseerde Underlined, samen met MOA (het Expertisecentrum voor Marketing inzichten, Onderzoek en Analyse), de eerste sessie van de Data Science werkgroep – een webinar met Professor Piek Vossen van de VU Universiteit Amsterdam. We namen deelnemers mee in de wereld van een communicerende robot en kunstmatige intelligentie-toepassingen op het gebied van klantbeleving (CX). We ontmoetten ook zo’n robot genaamd Leolani, wat zoiets betekent als ‘stem van een engel’ in het Hawaïaans. Leolani maakt haar eigen klantreis en heeft het vermogen om te zien, te luisteren, te praten, verbindingen te leggen op basis van wat ze al weet en hier uiteindelijk van te leren. Hoewel ze momenteel naar schatting 10% van de hersencapaciteit van een mens heeft, is de technologie erachter zeer interessant, vooral voor ons vakgebied.

 

Hoe werkt een moderne data science-architectuur voor conversatie- en klantbelevingsanalyse?

Om Leolani te laten werken en conversatie-analyse in het algemeen te laten werken, moeten we beginnen met een real-time data science-oplossing. Conversatie-analyse is de data science die we gebruiken om stem- en tekstgesprekken van klanten te analyseren, zoals een chat, en er mogelijk automatisch op te reageren met behulp van een algoritme. De oplossing is niet één enkel algoritme, maar een hele groep ervan – waarbij beeld, geluid, tekst en context worden gecombineerd tot een betekenisvolle dialoog. Deze technieken zijn gebouwd op een real-time platform dat stukjes data oppikt en verrijkt met behulp van een relevant algoritme. Om dit alles samen te brengen, hebben we een ‘brein’ nodig dat alle verrijkte stukjes data verzamelt, samenvoegt en benut. In Nederland heeft bijvoorbeeld KPN (een partner van Underlined) precies dit soort infrastructuur ontwikkeld, dat zeer geschikt is voor dit doel en ROCX’R wordt genoemd. De VU Universiteit heeft haar eigen platform ontwikkeld voor wetenschappelijke toepassingen voor Leolani, en grote spelers zoals Microsoft zullen zeker volgen. Het ontwerpen van deze architectuur en hoe deze communiceert met data science-algoritmes vereist een andere denkwijze dan een klassieke analytische benadering. Klassieke analyse gebruikt meestal een samengestelde dataset, in plaats van een op zichzelf staande dataset met alleen afbeeldingen of tekst. In deze nieuwe data science-architecturen kan een specifiek algoritme deze databestanden oppikken en verrijken, en ze vervolgens terugplaatsen. Het ‘brein’ brengt vervolgens al deze componenten weer samen en geeft ze weer in de juiste context.

Juist deze context speelt een belangrijke rol in een digitale conversatie, want wat weet het kunstmatige intelligentie (AI)-algoritme over jouw diensten en jouw klanten en hun behoeften? In deze moderne architecturen wordt elk data science-algoritme voor beeld, geluid, tekst of klantbeleving zelfstandig. Elk algoritme kan ook worden geoptimaliseerd. Je kunt dus zien hoe een bot-algoritme zoals Leolani veel sneller leert dan een benadering via klassieke analyse.

 

Data-gedreven CX management

Data-gedreven CX management (CXM) – ons vakgebied – is het concept van het verbeteren van de klantbeleving door middel van de beschikbaarheid en ontwikkeling van gegevens. Steeds meer data science wordt toegepast in dit veld, variërend van tekst- en proces mining tot diverse machine learning-algoritmen om drivers in de klantbeleving te identificeren. Dit helpt CX-professionals kansen te identificeren en benutten voor een betere en persoonlijkere ervaring via datavisualisatie.

 

Het doel is om klanten gelukkiger te maken met schaalbare bedrijfsconcepten voor een op maat gemaakte servicegesprek, bijvoorbeeld.

 

Afbeelding: De belangrijkste balans in CXM: waarde voor de klant en waarde voor de organisatie.

 

De voortdurende groei van het volume van klantcontact, de consolidatie van markten en het tekort op de arbeidsmarkt maken het steeds moeilijker om klantcontact persoonlijker te maken. Hier ziet Underlined dat zich steeds sneller een nieuwe vorm van interactie ontwikkelt, waarin we ook zwaar investeren: het persoonlijke digitale gesprek. Dit creëert authentieke gesprekken tussen consumenten en bots. Gesprekken waarin kunstmatige intelligentie een sleutelrol speelt om dit mogelijk te maken, gebruikmakend van kennis die voortdurend wordt ontwikkeld door middel van gegevens.

Nu robots steeds vaker voorkomen in verschillende klantondersteuningsomgevingen, wordt het des te belangrijker dat ze de nuances van menselijke communicatie en reactie begrijpen. Dit stelt ons in staat ze te gebruiken voor een persoonlijk servicegesprek. We zullen binnenkort robots zien in verschillende rollen, zoals informatiegidsen in winkelcentra, conciërges in slimme omgevingen, helpdeskadviseurs en obers in restaurants. Robots hoeven niet altijd een fysieke vorm aan te nemen; velen van ons praten al een tijdje met chatbots, maar hun huidige intelligentie is twijfelachtig, om nog maar te zwijgen over het empathisch vermogen van chatbots uit de huidige generatie.

 

Robots en machines hebben nog veel te leren over de wereld, maar ook over ons… de mensen die ze bedienen. Via taalcommunicatie kan een robot efficiënt feedback krijgen en leren van mensen, net zoals kinderen leren, niet alleen via ervaring, maar ook via instructies.

 

Laten we even een stap terug doen: veel projecten voor het in kaart brengen van klantreizen richten zich op de processen en aanrakingspunten, maar slagen er niet in de emoties vast te leggen die klanten voelen tijdens hun reis. Het in kaart brengen van de klantreis is een van de belangrijkste tools geworden voor organisaties die in direct contact staan met klanten. In veel gevallen ontbreekt echter een cruciaal element in de reisbeschrijvingen zelf – iets dat de ROI nog verder kan verhogen. Dat element is emotie, een essentieel onderdeel van menselijke besluitvorming. We nemen beslissingen op basis van emoties en rationaliseren ze pas later.

 

Maar laten we teruggaan naar de robots: ze moeten klanten begrijpen om correct te kunnen reageren, zonder de klantbeleving negatief te beïnvloeden. Een benadering die meerdere uitingen kan lezen, zal leiden tot betere interacties tussen mensen en robots en kan zelfs nieuwe mogelijkheden creëren voor klantbelevingen, waardoor de algehele merkrelaties verbeteren.

 

Omdat productaankopen zo sterk verbonden zijn met emoties, hebben marketing en klantbeleving ook emotionele AI-technologie nodig om publieke feedback op commercials en advertenties te bepalen, zodat ze de ware reacties op producten en diensten kunnen begrijpen. Emotie-analysetechnologie en robots beloven nieuwe, spannende soorten gegevens te leveren die we in de loop van de tijd zullen moeten leren gebruiken en verfijnen.

 

Dit artikel is oorspronkelijk gepubliceerd in: MOA Topic of the Year 2018-2022.