Artificial intelligence
klantenservice

Succes met artificial intelligence in klantenservice

Artificial intelligence kan uw klantenservice duurzaam verbeteren. Je kunt hier lezen hoe.

Het is zeer waarschijnlijk dat een ieder van ons al eens in contact is gekomen met artificial intelligence en het misschien niet eens heeft opgemerkt. Maar wat is artificial intelligence?

Het onderzoeksgebied van artificial intelligence houdt zich bezig met de methoden waarmee een computer taken kan oplossen die intelligentie vereisen. AI wordt tegenwoordig op veel gebieden gebruikt. Het belang dat u specifiek hebt voor klantenservice zal hieronder meer gedetailleerd worden onderzocht.

Inhoud

Google duplex - een wonder van technologie

Google veroorzaakte een sensatie op I / O in 2018 met een spraakrobot die menselijke oproepen imiteerde. De geavanceerde assistent van Google klonk bedrieglijk echt toen hij telefonisch een afspraak maakte met de kapper.

Google Duplex heeft zelfs typische menselijke kenmerken als het gaat om uitspraak en korte pauzes om na te denken om er zo menselijk mogelijk uit te zien.

Bedrieglijk echte stem roept zorgen op

Naast grote verbazing wekte de bedrieglijk mensachtige stem ook zorgen op. Google wees er daarom op dat kunstmatige intelligentie zichzelf altijd als zodanig zou identificeren. Op deze manier zouden gebelde partijen altijd weten of er een persoon of een machine aan de andere kant van de lijn was.

Maar hoe is het Google gelukt om zo'n mensachtige virtuele assistent te creëren? Om deze vraag te beantwoorden, moeten we omgaan met hoe kunstmatige intelligentie nieuwe kennis verwerft.

De basistypen van machine learning

Machine learning is een generieke term voor het vermogen van kunstmatige intelligentie om kennis uit ervaring te genereren. Er zijn drie basistypen van machinaal leren: begeleid leren, zonder toezicht leren en empowerment.

1. Begeleid leren

In het zogenaamde begeleide leren zijn zowel invoer- als uitvoerparameters bekend. Mensen weten dus wat het systeem moet herkennen op basis van de invoerparameters.

Het systeem zou nu de relatie tussen invoer- en uitvoergegevens moeten herkennen. Het doel is dat het systeem ook kan worden voorzien van nieuwe, onbekende gegevens als invoerparameters.

Aangezien het eerder geschikte modellen voor relaties tussen invoer- en uitvoergegevens had gecreëerd, zou het in staat moeten zijn om geschikte uitvoergegevens te leveren voor de nieuwe invoergegevens.

Begeleid leren in de praktijk

In de praktijk wordt dit type machine learning vooral gebruikt bij het maken van voorspellingen. AI kan bijvoorbeeld actuele marktgegevens gebruiken om voorspellingen te doen voor de toekomstige ontwikkeling van de markt.

2. Ongecontroleerd leren

Bij niet-gecontroleerd leren kent het systeem alleen de invoerparameters. Het weet dus niet wat het als het eindresultaat moet herkennen. Het gaat er in feite niet om een eindresultaat of uitvoerparameter te herkennen. In plaats daarvan moeten patronen en relaties tussen invoerparameters worden herkend bij niet-gecontroleerd leren.

Leren zonder toezicht in de praktijk

Met behulp van kunstmatige intelligentie kunnen klanten bijvoorbeeld worden onderverdeeld in verschillende doelgroepen op basis van hun koopgedrag. Ongecontroleerd leren wordt gebruikt op het gebied van marketing en marktonderzoek.

3. Empowerment

Naast onder toezicht en zonder toezicht leren, is empowerment leren een van de drie basisleermethoden van machine learning. In feite lijkt het erg op menselijk leren.

De initiële parameters zijn niet vooraf gedefinieerd in het versterken van leren. Het doel is eerder om de ontvangen beloningen te maximaliseren voor bepaalde acties die worden uitgevoerd met behulp van trial-and-error-procedures.

De kennis of intelligentie ontstaat dus in de loop van vele succesvolle en mislukte runs.

Empowerment leren in de praktijk

In de praktijk kan versterkend leren bijvoorbeeld worden gevonden in kunstmatige intelligentie, die in bepaalde spellen met echte spelers kan concurreren. AlphaGo van Google is hier een voorbeeld van. Kunstmatige intelligentie kan het spel zelfstandig leren, d.w.z. zonder menselijke tussenkomst.

Naast deze drie hoofdcategorieën wordt ook zogenaamd semi-begeleid leren gebruikt. Het is een hybride van onder toezicht en zonder toezicht leren.
Veel mensen zullen bekend zijn met een andere term in verband met machine learning: deep learning. Maar wat is "deep learning" precies?

Deep learning

Deep learning maakt gebruik van grote hoeveelheden gegevens en zogenaamde kunstmatige neurale netwerken (KNN). Deze zijn samengesteld uit kunstmatige neuronen en hebben het biologische model van een zenuwstelsel.

De manier waarop het werkt is grotendeels geïnspireerd door het leren van het menselijk brein. Tijdens het leerproces worden de neurale netwerken of de kunstmatige neuronen van het netwerk herhaaldelijk met elkaar verbonden.

Gelaagd leren

Deep learning wordt ook wel meerlaags leren genoemd vanwege zijn structuur. Het kunstmatige zenuwstelsel bestaat uit input- en outputneuronen. Daartussen bevinden zich verschillende lagen van zogenaamde tussenliggende neuronen. Met behulp van deze tussenliggende neuronen kunnen inputneuronen steeds opnieuw of anders of anders worden verbonden met outputneuronen.

Met het aantal tussenlagen neemt de complexiteit van de relaties die de kunstmatige intelligentie kan herkennen toe.

AI in klantenservice

Kunstmatige intelligentie wordt al in veel gebieden van het dagelijks leven gebruikt. AI-ondersteunde functies en applicaties worden steeds belangrijker, vooral op het gebied van klantenservice.

De details hiervan en hoe kunstmatige intelligentie de klantenservice op de lange termijn kan veranderen, worden hieronder in meer detail besproken.

Natuurlijke taalverwerking (NLP)

De natuurlijke taalverwerking is een van de meest fundamentele vaardigheden van kunstmatige intelligentie. De generieke term van NLP bestaat uit drie belangrijke componenten:

  • Natuurlijke taalproductie
  • Het natuurlijke begrip van taal
  • De stemmingsanalyse

Natuurlijke taalgeneratie in klantenservice

We kwamen eerder natuurlijke taalgeneratie tegen. De virtuele assistent Google Duplex heeft precies van deze mogelijkheid gebruik gemaakt om een afspraak met de kapper te maken. Maar hoe werkt zo'n realistische taalproductie?

Spraaksynthese wordt gebruikt voor het genereren van spraak. Dit combineert eerder opgeslagen geluiden volgens de tekstvolgorde.

Een volledig synthetische versie daarentegen probeert ook de werking van het menselijk vocale kanaal aan de softwarekant te simuleren. In de regel worden de eerder besproken kunstmatige neuronale netwerken ook gebruikt voor een volledig synthetische versie.

Virtuele assistentie

In klantenservice kan zogenaamde natuurlijke taalgeneratie bijvoorbeeld worden gebruikt als onderdeel van een virtuele assistent. Dit is in staat om klantverzoeken snel en gericht te verwerken. Door de interactie van taalgeneratie en taalbegrip kunnen hele gesprekken met één machine worden gevoerd.

Dit betekent echter niet dat AI in dit geval de klantenservice zal vervangen. Kunstmatige intelligentie heeft eerder een ondersteunende, verlichtende functie. Kunstmatige intelligentie kan eenvoudige problemen zelf aan.

Als het een probleem is dat een ervaren medewerker van de klantenservice vereist, kan de virtuele assistent de klant zelfstandig doorsturen. 

Natuurlijk taalbegrip in klantenservice

Het natuurlijke begrip van taal is en wordt waarschijnlijk al in het dagelijks leven aangetroffen. Veel mobiele telefoons kunnen bijvoorbeeld spraakopnamen in enkele seconden omzetten in geschreven berichten.

Bij klantenservice wordt spraakherkenning bijvoorbeeld in het callcenter gebruikt. Velen zullen bekend zijn met het volgende scenario:

U belt het centrale klantenservicenummer. Een aankondiging begint aan het begin van het gesprek. Afhankelijk van het type zorg, moet op knop één, twee of drie worden gedrukt.

Maar wat als de zorg niet onder een van de drie vooraf gedefinieerde categorieën valt? U zult dan lang in de wacht staan voordat u wordt verbonden met een medewerker van de klantenservice, die u dan meestal opnieuw moet doorsturen. Dus er gaat veel tijd voorbij voordat een eigenlijk simpele kwestie is opgelost.

Het natuurlijke taalbegrip van kunstmatige intelligentie kan hierbij helpen. Klanten kunnen hun zorgen kenbaar maken aan het begin van het gesprek. Kunstmatige intelligentie identificeert bijvoorbeeld waar de klant naar zoekt door bepaalde sleutelwoorden te herkennen - en stuurt deze vervolgens rechtstreeks door naar de verantwoordelijke medewerker van de klantenservice.

De klantenservice via de telefoon is op een duurzame manier verbeterd, omdat klanten niet ontevreden hoeven te zijn met lange wachttijden.

Chatbots - een belangrijk onderwerp op het gebied van klantenservice

Chatbots kunnen eenvoudige zorgen van klanten identificeren met behulp van trefwoorden en deze onafhankelijk beantwoorden. Dit is gunstig voor zowel bedrijven als klanten.

Aan de zakelijke kant zijn medewerkers van de klantenservice opgelucht. Dit geeft hen tijd om belangrijkere of veeleisende taken op zich te nemen. Met andere woorden, klantenservice maakt middelen vrij die elders winstgevender kunnen worden gebruikt.

Bovendien neemt de medewerkerstevredenheid toe omdat monotone of repetitieve taken worden overgenomen door kunstmatige intelligentie.

De toegevoegde waarde van chatbots voor klanten

Intelligente chatbots kunnen ook een grote toegevoegde waarde voor klanten vertegenwoordigen. U hoeft niet langer lange rijen te nemen voordat een medewerker van de klantenservice een korte vraag kan beantwoorden.

Als het een NLP-ondersteunde chatbot is, kan deze ook de stemming van de klanten herkennen. Op basis hiervan kan de chatbot interpreteren wanneer een verzoek beter naar een menselijke accountmanager kan worden verstuurd.

Via machine learning zijn chatbots met enige tijd ook in staat om emoties en zorgen met toenemende nauwkeurigheid te herkennen.

Artificial intelligence in ticketbeheer

NLP en machine learning spelen ook een belangrijke rol op het gebied van ticketprioritering. Vooral de klantenservice van grote bedrijven heeft elke dag te maken met een stroom aan inkomende tickets. Een ticketsysteem heeft verschillende organisatorische voordelen, maar een chronologische verwerking van de inkomende tickets is niet noodzakelijk de beste methode.

Prioriteit van tickets

Sommige CRM-systemen hebben een functie die klanten kunnen gebruiken om hun tickets een bijbehorende prioriteit toe te wijzen. Als het om een dringende kwestie gaat, kan de prioriteit als hoog worden geclassificeerd.

In het geval van een minder urgente kwestie moet de prioriteit dienovereenkomstig laag zijn. Verkeerslichtsystemen zijn bijvoorbeeld gebruikelijk in deze context.

Om dit systeem goed te laten werken, moeten klanten bijvoorbeeld hun ticket de juiste prioriteiten stellen. De verleiding is groot om de prioriteit van je eigen ticket zo hoog te schatten om zo snel mogelijk een antwoord te krijgen.

Dit is waar kunstmatige intelligentie in het spel komt.

Een door AI ondersteund ticketsysteem kan herkennen welke vragen van klanten als urgent moeten worden aangemerkt. Op deze manier kunnen medewerkers van de klantenservice eerst urgente vragen verwerken.

Conclusie: AI brengt klantenservice naar een nieuw niveau

Kunstmatige intelligentie kan de klantenservice naar een heel nieuw niveau tillen. De ondersteuning van kunstmatige intelligentie ontlast menselijke medewerkers van de klantenservice. Dit maakt middelen vrij in klantenservice die elders winstgevend kunnen worden gebracht.

Vaardigheden zoals machine learning maken van AI een flexibel onderdeel van de klantenservice dat zich aan nieuwe eisen kan aanpassen. Dit betekent dat AI het potentieel heeft om de klantenservice op de lange termijn te verbeteren.

Lees meer over:
Oriƫntatie

Hoe lang kan ik mijn CRM-software gebruiken?

Zo zorgt u ervoor dat u zo lang mogelijk gebruik kunt maken van uw CRM-software.

Lees verder
Oriƫntatie

Evalueer uw CRM om het maximale eruit te halen

Hoe kom je erachter of de CRM-software oplevert waarvoor je deze hebt aangeschaft?

Lees verder