Telefoni med AI. Er du klar til udnytte mulighederne?

Er du klar til at udnytte telefoni med kunstig intelligens?

Umiddelbart forekommer spørgsmålet futuristisk. Det fremkalder forestillinger om at skulle tale med en programmeret ”stemme” og ikke et ægte menneske. Lidt ligesom, når man chatter med en kundeservice chatbot på et stort amerikansk website. Kunstig intelligens (AI = artificial intelligence) er et meget bredt begreb og bliver anvendt meget forskelligt.

I dagligdagen møder du AI. når du f.eks. googler og bruger din gmail, og når du f.eks. er på LnkedIn og Facebook. I denne artikel tænker vi blot på at anvende basal ”machine learning” som et hjælpeværktøj til dit firmas medarbejdere, så de er bedre klædt på med viden, når telefonerne ringer.

Alle firmaer kan få nytte af ML – også telefoni med ML

Machine Learning (ML) er en teknik til at udlede en følgeslutning med en vis sandsynlighed om en ny observation ud fra en opstillet matematisk model, der er skabt på toppen af historisk data.

Eller sagt med andre ord: Har dit firma en tilstrækkelig mængde data om f.eks. danske firmaer med et kendt resultat på en afgørende dimension (f.eks. har et firma været kunde i dit firma? Ja eller nej), så kan du bruge disse data og nogle matematiske redskaber til at udforme en model, der giver en beregnet sandsynlighed for, om et kundeemne vil blive kunde i dit firma.

Modellen anvender du hver gang, du påtænker at gå i dialog med et kundeemne. Du fodrer modellen med kendte data om kundeemnet, hvorefter modellen spytter sandsynligheden for kundeemnets konvertering til kunde ud til dig.

Det kan de fleste firmaer gøre uden at bruge for mange kræfter. Men hvordan anvender du det sammen med telefoni?

Fra idé til implementering

Forberedelse, computing power og integration

Har du først din forudsigelsesmodel på plads, er der ikke langt til at kunne bruge det, når du taler med kundeemnerne.

I stedet for at du udfører processen med at fodre modellen med specifikke kundeemne data, når du er i dialog med et kundemne, for at få modellens output-sandsynlighed, så kører du alle kundeemner i din database igennem. Gennemregningstiden er alene et spørgsmål om computing power.

Hvert kundeemnes beregnede sandsynlighed for at blive kunde indlæser du på rette sted for det enkelte kundeemne i din kundeemnedatabase.

Derefter etablerer du integration mellem firmaets telefoni og firmaets kundeemnedatabase. Det kan gøres på mange måder, hvis telefonien ellers er forberedt til det.

Når et kundeemne uopfordret ringer til dit firma, kan telefonisystemet genkende telefonnummeret, finder kundeemnets data inkl. konverteringssandsynligheden og viser det automatisk på skærmen hos den medarbejder, når medarbejderen besvarer opkaldet.

Ser medarbejderen, at der er 80% beregnet sandsynlighed for konvertering fra emne til kunde, bliver engagementet formodentlig skarpere end en tal på 3%.

Isoleret set gør det måske ikke nogen praktisk forskel, idet et emne er et emne. Men når tiden er knap, skal der prioriteres mellem tilbudssager. Her kan tallet, der jo kan betragtes som et udtryk for, hvor godt dit firma og kundeemnet passer til hinanden, være styrende for, hvilke sager der styres i mål nu, men sager med de laveste tal skubbes til næste salgsperiode.

Kan indringende kundeemners tal vises på en oversigt med samtidige opkald, der venter i kø, kan et højere tal være en begrundelse for at springe over i køen.

Det er også muligt at dirigere opkald direkte til de rette kompetencer. Opkald fra emner med stort potentiale og/eller høj beregnet sandsynlighed for konvertering til kunde dirigeres direkte til f.eks. Key Account Management afdelingen for at modtage VIP-behandling, mens opkald fra emner med mindre potentiale og lavere konverterings-sandsynlighed styres direkte til SME salgsafdelingen med tilhørende standardbehandling.

Andre anvendelser af telefoni med machine learning

Eksemplet har fokus på salg til kundeemner og er meget simpelt. Det tjener til at illustrere, hvad telefoni med ML kan gøre basalt set. Modellen kan raffineres til at beregne sandsynlighed på flere forhold i tilknytning til erobring af nye kunder. Den kan f.eks. gøres dynamisk, hvis du indlejrer data for adfærdsmønstre op til køb i modellen, så sandsynligheden ændrer sig løbende afhængig af kundeemnets faktisk udviste adfærd. Den kan f.eks. nuanceres til også at forudsige, hvilke varer kunden sandsynligvis vil købe. Fantasien og data sætter grænserne for anvendelsesmulighederne.

Tilsvarende kan du udforme modeller, hvor du fokuserer på forudsigelse af mersalgsmuligheder til eksisterende kunder og forudsigelse af tab af kunder.

API

Krav til telefoni med machine learning

Det kræver mindre, end de fleste tror.

  • Tilstrækkelig med historiske data så komplette som muligt
  • Kompetence til at udforme ML-modellen
  • En database eller et IT-system med alle kundeemner med tilstrækkelig stamdata inkl. tlfnr.
  • Indlæsning af de beregnede nøgletal i databasen/IT-systemet
  • Et telefonsystem, der kan integrere med IT-systemet/databasen via API eller opslag, og som kan vise de relevante data på skærmene hos de medarbejdere, der får opkaldene

Er idéen interessant, er der ikke langt til virkeliggørelse. Ønsker du integrationen mellem dit Connect telefonsystem og dit IT-system, kan det etableres relativt hurtigt og koster ikke meget.

Det er indkapslingen af den mest rigtige anvendelsesformål, som kræver energi. Dernæst kræver rensning af data som regel en del energi, hvilket også gælder udformning af modellen og finetuningen af den.

Har dit firma ML-kompetencerne i huset, er investeringen til integrationen ganske overskuelig.

Er du interesseret i en drøftelse af dine muligheder, så ring 8888 7753, eller lad os ringe dig op.

Referencer

Skal vi kontakte dig om telefoni med Machine Learning?

Udfyld og send formularen, så kontakter vi dig hurtigst muligt.

7 + 9 =