人工智能如何通过更好地倾听来改变客户体验

近年来，人工智能在人类语言处理中的应用有了重大突破。例如OpenAI公司开发了一种革命性的人工智能模型，可以阅读、理解和书写，几乎与人类的能力水平相当。该公司是一家由伊隆·马斯克提供支持的非盈利研究机构。

OpenAI公司认为这一技术突破很可能带来更大的风险，以至于没有共享这一技术的代码，而是发布了限量版本。在此将深入探讨这一里程碑的发展，并介绍企业在利用人工智能驱动的自然语言处理方面的进展。

是什么使这一突破如此显著（并且可能具有危险性）？

OpenAI公司通过从互联网上800万页资料来训练大规模语言模型，然后该模型使用这种学习来生成给定句子中的下一个单词。然而，令研究人员感到惊讶的是，它如此熟练，以至于它可以在只有一个主句的情况下进行扩展，并写出几页散文。以下是研究人员分享的众多例子之一：

虽然使用的模型并不新颖，但其具有里程碑意义的是它在使用特别大的数据集训练时达到的性能水平。相比之下，想象一个人阅读了维基百科网站上的所有文章，并使用这些知识创造性地撰写任何一个指定的主题。除此之外，还需要回答阅读理解的风格、翻译语言或总结性文章等问题。这就是人工智能模型能够做到的。

虽然这一切都很酷，但当模型可以提取场景，适应人类的写作风格，甚至通过引入虚构的人物或想象的事实来获得创造性时，就会变得更加令人担忧了。想想那些虚假的新闻，它们能够以惊人的规模被大量制造出来，而这对于想要传播虚假信息的恶意行为者来说，采用这种技术很容易实现。

也许正如OpenAI公司所预期的那样，这个消息使得围绕人工智能伦理的探讨对话更加激烈。随着这种能力的再利用，只需要几个月的反复试验就能实现，因此人工智能行业正在努力采取保护措施，防止它落入更危险的人的手中。

具有杰出文学技能的人工智能如何帮助企业？

在这种发展的背景下，探索这种能力在企业中的良好利用方式是有意义的。尽管人工智能处理文本、图片和视频的能力稳步提高，但大多数组织仍然对数字和结构化数据有很大的依赖性。

虽然金融交易、业务交易和操作更新可以量化和计算，但人类交互不能这样做。自然语言是人与人之间自由的交流方式，口语和书面语中蕴藏着丰富的信息。如今，这在很大程度上仍然有所不足。

无论是定期的客户调查、社交媒体上的聊天、评论网站上的反馈、通过联系中心的互动，还是与客户服务专业人员的持续沟通，所有这些接触点都充满了重要的线索，这些线索可以帮助回答价值数百万美元的问题，“客户真正想要什么？”

然而，许多企业使用过时的方法进行客户调查和数字收听计划。来自这些程序的文本反馈通常受到肤浅的文本分析，这些分析不仅仅是简单的文本摘要，单词的频率计数或情绪分析。这些浪费了宝贵的客户信息，缺乏智能和可操作性。这类似于在互联网和电子邮件时代通过鸽子发送信息。

以下是使用高级分析的人工智能通过重新设计客户反馈和倾听策略来帮助改变客户体验的5种方式：

1.通过适应性调查更好地倾听

客户反馈计划（如NPS、VOC或CSAT）通常使用标准调查问题。随着个性化和有针对性的营销现在已经成为常态，对数千名客户使用一系列问题是过时且效率低下的。这些调查包括提示“告诉更多”的开放式问题，而事实上，很少有客户自己给出详细的反馈。

另一方面，适应性调查可以使用有针对性的问题和明智的后续行动来调查客户，以获得更深入和更具体的响应。当客户写下不良订单体验时，语言模型可以向他们查询流程的具体细节，这些细节可能会出现问题。如果他们的回答太笼统，它可能推动用户共享更具操作性的内容。通过用更少的问题深入调查，适应性调查可以提高整体反应率。

2. 持续倾听并利用多个渠道保持对话

客户调查计划通常是定期触发的，或者基于预先定义的事件。然而，在当今这个时代，随着大多数人一直在线，仅仅依靠每季度或每年一次的客户反馈进行判断是短视的。

持续倾听并利用多个渠道保持对话是至关重要的。每季度的客户满意度调查可以通过每月的客户访谈来增强，在线聊天由微小事件（例如订单确认）以及始终在线的社交倾听引发。在这种多渠道方法中，关键是使用分析来将反馈内容化，并为可操作的全面报道集成见解。

3.理解语言的深层意图

企业中的大多数客户调查分析都局限于对文本反馈的肤浅处理——显示频率计数的词语云、基于词典的摘要或情感模型。他们对文本进行切片和切分，但最终会失去关于更深层次客户意图的宝贵信息。

先进的人工智能模型可以收集成千上万的评论来识别人们心中的主题，并进一步提出直接促成他们成为推动者的主题。通过检测情绪，他们可以将所有评论汇总成易于理解的一段摘要。如果发现产品安装是满意度评级的最大影响者，并且周转时间的增加正在扰乱新客户，那么这不是很有见地吗？

4. 整合客户和产品的整体视图

虽然这种具有更深入分析的多渠道策略可以开始呈现新信号，但它也可能很快变得势不可挡。为了提高未发现的许多见解的可操作性，需要将这些信号混合在一起以呈现整合视图。这带来了实际挑战，因为各种数据流既没有共同的受众群体，也没有明确的集成点。

这可以通过聚合定义的所有权级别或逻辑层次结构（例如产品，品牌或地理位置）的洞察力来解决。然后必须根据频道对消息实施场景化，因为Twitter上的随机投诉需要与使用呼叫中心记录的票证不同的处理方式。最后，这些见解必须作为连贯的叙述与视觉叙事一起呈现，抽象出普通用户的分析复杂性。

5.实现组织设计，为集成的客户体验战略铺平道路

虽然人们处于技术和数据可行性阶段，可以利用来自不同渠道的客户信号，但组织结构可能还没有为此做好准备。在中型到大型企业中，客户NPS、CSAT、社交倾听、联络中心情报和客户宣传等举措可能属于不同的业务部门。超越这些传统的尝试往往遇到阻力。

管理客户体验的综合战略需要在拥有不同所有权和激励结构的众多团队之间进行深度协作。因此，必须通过正确的组织设计来实现这一举措。良好的开端是引入高管级别的支持，确定战略目标，并为团队之间的合作伙伴关系制定框架。

总结

总之，当前的企业实践中的客户反馈和社会倾听提供了很大的改进空间。调查管理、多渠道信号整合，以及对收集的数据进行分析的成熟度方面都有机会。

虽然分析已经准备就绪，但管理人员需要通过规划正确的组织设计从战略上实现这一点。