首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >用户体验、AI和ML「AI产品/工程落地」

用户体验、AI和ML「AI产品/工程落地」

作者头像
用户7623498
发布2020-08-05 17:22:22
4350
发布2020-08-05 17:22:22
举报

作者 | Michelle

报道 | towardsdatascience

人工智能(AI)和机器学习(ML)现在都是热门话题,这是理所当然的,因为它们对重新定义商业的许多方面做出了重大贡献。然而,很多人仍然对人工智能和ML在提升客户体验方面的应用持怀疑态度。

有些人可能会认为,机器不可能接管客户服务,因为客户服务非常注重人际互动。机器缺乏同理心和情商,无法提供良好的客户体验。另一方面,许多人也看到了应用人工智能和ML来自动化重复性任务的好处,这让人类有更多的时间来做人类。

我们一起来看看领域的专家们是怎么看的。

客户体验的当前状态是什么?您如何看待它随着AI & ML技术的发展?

目前的客户体验“AI无处不在,但结果大相径庭”。使用同一项服务的两个客户可能对他们的体验有完全不同的印象,而且在很多情况下,这项服务是笨拙的,结构也很糟糕。不幸的现实是,78%的消费者因为糟糕的服务体验而放弃了一次交易或没有进行有意的购买。事实上,只有4%的顾客表示不满。

消费者有这么多选择,比起花时间抱怨或打电话询问问题,找到另一家提供类似服务的公司要容易得多。这就是为什么我们非常需要关注客户体验,这个因素对于留住现代客户变得越来越重要。

Canva的机器学习工程师保罗•Tune认为,“在改善客户体验方面有两种趋势:

  • 为个人量身定做的趋势,因为更多的数据被收集到每个客户的大规模;
  • 通过预期客户的需求,为客户提供跨多个接触点的平稳体验的趋势。

为了演示客户体验是如何发展的,Paul继续举了一个例子。早期的推荐系统,比如亚马逊(Amazon)和NetFlix在21世纪初开发的推荐引擎,提供的推荐内容要粗糙得多,主要针对特定的客户群体。在不久的将来,建议的粒度将会更细。

例如,我最近采访的一位来自NetFlix的工程师提到,当电视连续剧被选中时,用户最喜欢的角色就会出现在菜单中。这意味着必须更多地了解每个客户,并预测他们的习惯。我们还在智能个人助理(如Alexa和Siri)的形式上看到了这一点。

Oovvuu的创始人兼首席执行官Ricky Sutton补充说,虽然人工智能和ML“(在客户体验方面)当然有发挥作用的因素,但它们也缺乏一个关键因素:同理心。”所以我认为它会进化。人工智能使用得越多,它学到的就越多,得到的也就越好,但人类层面的同理心目前仍是一个白日梦。”

你从将智能技术应用于客户体验中学到的最大教训是什么?

对安东尼来说,教训是人们需要使用智能技术来正确地理解它——“我的经验是,人们通常不会相信他们不理解的东西。最新的技术可以很好地抓住新闻头条,但只有最具前瞻性的企业才会认真地利用它们来获取价值。这并不一定是件坏事——领域知识对于良好的数据科学来说是必不可少的,盲目依赖新方法有很多固有的风险。随着时间的推移,我们从客户体验中学到了很多东西,有必要用正确的语言向商业人士解释智能技术,让他们充分实现其价值。”

对Paul来说,最重要的是客户的端到端体验。这意味着与客户的所有接触点都应该是无缝的。在他看来,“整合智能技术以改善用户体验的挑战与管理任何其他复杂系统类似:活动部件越多,系统出现故障的几率就越高。”天真地用机器学习来改善客户体验是一种误导。如果机器学习能对客户体验起到补充作用,有助于增强伟大产品的体验,那么它的效果最好。”

在Canva,我们的目标很简单:我们想给客户最好的体验,授权他们创造和设计。为此,我们关注两个方面。

首先,我们如何使他们的设计所需的内容易于访问。其次,我们如何预测未来哪些资源可能对他们有帮助。我们通过改进搜索和推荐服务来提升客户体验,从而达到上述目标。”

对瑞奇来说,最大的教训是“人工智能将人类变成了超人,但只适用于某些特定的任务。当我们开始Oovvuu时,我们雇佣了编辑来阅读文章和寻找相关视频,他们每天能够阅读一篇文章并找到40个相关视频。”使用我们创造的人工智能工具的同一个人,现在每天可以阅读10万个出版商和30万个故事,涵盖2600万个话题,并从全球40多个广播公司找到相关视频。人工智能在自动完成人工任务方面威力惊人,但在所有让我们成为人类的事情上,人类仍然做得更好。”

试图整合AI & ML技术和客户体验的企业面临哪些挑战?

Anthony、Paul和Ricky一致认为,企业面临的巨大挑战是没有坚实的数据基础设施,或者不能深刻理解为了实现业务目标和客户满意度应该测量什么。

“许多公司找我们,希望把人工智能作为解决商业问题的现成灵丹妙药。其他人来要求和人工智能玩,这样他们可以找到商机。没有确实有效。”瑞奇说。“对我们来说,解决办法就是知道我们要解决的是什么商业问题:也就是说,在全世界发表的每篇文章中都放一个相关的视频。然后我们使用人工智能来解决它,但我们的开始是非常基础的,不能胜任这项工作。我们有一个团队花了近1000天的时间来培养教学,以达到现在的效果。”

安东尼接着补充道:“没有什么灵丹妙药——需要优秀的数据科学家将这些算法转化为商业价值。拥有坚实的数据科学战略是至关重要的,通过良好的领导能力、提高的数据素养和对如何建立高性能数据科学团队的理解,企业可以利用这些技术来打造竞争优势。”

Paul总结了许多企业在流程中采用AI和ML时面临的另一个常见挑战——数据量。他说:“目前的机器学习技术依赖于相对大量的数据来提供良好的预测。”“虽然目前正在进行基础研究(希望)减少训练这些机器学习模型所需的数据量,但目前需要大量数据的主要技术限制在可预见的未来仍将存在。”但是“幸运的是,如果收集的数据质量足够高,这种影响可以减轻。”

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-08-02,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 决策智能与机器学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档