Bagaimana Mengubah Layanan Pelanggan Melalui Pemrosesan Bahasa Alami

NLP dalam Layanan Pelanggan: 9 Kasus Penggunaan Teratas

1) Perutean panggilan yang akurat dengan sistem IVR

Pernahkah Anda menelepon saluran dukungan pelanggan dan perlu mengatakan "Penagihan" untuk mencapai departemen keuangan? Anda sedang berbicara dengan sistem Interactive Voice Response (IVR). IVR adalah teknologi dasar yang mengubah frasa (“perbarui kartu kredit saya” atau “lakukan pembayaran”) menjadi transfer Anda ke departemen penagihan.

Pelanggan kemungkinan menggunakan sistem ini untuk menghubungi tim Anda. Tetapi ketika AI percakapan mendasari sistem, Anda dapat secara akurat mengalihkan panggilan mereka ke saluran yang paling relevan. Mengapa? Karena NLP memahami permintaan mereka.

Anda tidak perlu meminta pelanggan Anda untuk "mendengarkan opsi berikut" untuk mengarahkan mereka ke arah yang benar.

AI percakapan dalam sistem IVR hanya dapat meminta pelanggan Anda untuk menjelaskan apa yang mereka butuhkan bantuan. Mereka dapat melakukan ini dengan kata-kata mereka sendiri sebelum NLP mengirim mereka dalam perjalanan.

American Airlines melihat hasil yang signifikan dari kasus penggunaan NLP ini untuk tim layanan pelanggan mereka. Setelah memperbaiki sistem IVR mereka, mereka meningkatkan penahanan panggilan sebanyak 5%—menghemat jutaan dolar maskapai.

2) Tiket dukungan perutean

Anda memberi orang tiket dukungan saat mereka mencoba menghubungi tim Anda. Interaksi ini kemudian menyaring antrean tim dukungan Anda.

NLP dapat membantu merampingkan proses ini. Mengapa? Karena AI percakapan dapat memahami topik tiket. Itu dapat mengalihkan tiket dukungan ke orang yang paling relevan, membantu menyelesaikan masalah lebih cepat.

Katakanlah pelanggan Anda mengirimkan tiket dukungan. Pesan mereka memiliki kata-kata "Saya butuh bantuan untuk mengubah detail pembayaran saya." Platform manajemen tanpa NLP meneruskannya ke meja dukungan umum Anda.

Seseorang kemudian perlu mengalihkan pelanggan ke departemen keuangan Anda. Ini perlu dilakukan secara manual. (Anda bisa melewatkan tenggat waktu selama satu jam yang diharapkan pelanggan dibalas email mereka.)

Platform yang menggunakan NLP akan melihat bahwa pelanggan membutuhkan bantuan terkait keuangan. Ini akan secara otomatis mengirimkan tiket dukungan ke tim keuangan Anda.

3) Memahami umpan balik pelanggan

Umpan balik pelanggan adalah data berharga untuk bisnis. Ini dapat membantu Anda memperbaiki kekurangan pada produk Anda dan mengidentifikasi aspek mana yang disukai orang. Keduanya merupakan fondasi yang sangat baik untuk kampanye pemasaran dan periklanan Anda.

(Tidak hanya itu, tetapi juga dapat meningkatkan reputasi Anda. 77% konsumen memandang merek lebih baik jika mereka mengundang dan menerima umpan balik pelanggan.)

Anda tidak perlu menghabiskan waktu berjam-jam untuk menyisir jenis data kualitatif ini secara manual.

NLP membantu mengidentifikasi kata atau frasa yang biasa digunakan. Misalnya, kata-kata seperti “modern”, “intuitif”, dan “mahal”, yang dapat menunjukkan bahwa pelanggan Anda melihat Anda sebagai merek kelas atas yang mewah.

NLP juga dapat menemukan topik yang dibicarakan dalam formulir umpan balik. Ini mungkin berupa kata-kata seperti “peluncuran yang mudah” atau “rencana yang terjangkau”.

Anda dapat menggabungkan NLP dengan analisis sentimen dan mendapatkan ikhtisar tingkat atas tentang pendapat pelanggan, menjadikannya cara yang efektif waktu untuk menganalisis umpan balik pelanggan.

4) NLP dan chatbot layanan pelanggan

Penelitian telah menemukan bahwa 42% konsumen lebih suka terhubung dengan perusahaan melalui obrolan langsung, dibandingkan 23% untuk email atau 16% untuk media sosial:

(Sumber)

Itu karena 70% milenium lebih memilih interaksi chatbot untuk pendekatan swalayannya.

Chatbots harus memiliki tempat yang nyaman di tumpukan teknologi Anda karena alasan itu. Mereka memungkinkan Anda berkomunikasi dengan pelanggan dengan cara yang mereka sukai, dan juga memberikan dukungan waktu nyata, tanpa harus menunggu tanggapan.

Tetapi apa yang terjadi jika tim dukungan pelanggan Anda penuh sesak dan tidak dapat menjawab pertanyaan dukungan secara real-time melalui obrolan langsung di situs web Anda?

Dengan NLP, Anda dapat membuat chatbot yang tidak hanya memahami permintaan pelanggan, tetapi juga menjawabnya untuk mereka. Berikut ini contoh dari Cheapflights:

(Sumber)

Tidak masalah apakah pertanyaan dukungan Anda memiliki kesalahan tata bahasa atau kalimat yang tidak lengkap. NLP cukup pintar untuk memahami konsep pesan dan merespons tanpa campur tangan manusia.

Tidak mengherankan bahwa pada tahun 2020, 80% bisnis diharapkan memiliki beberapa bentuk integrasi chatbot yang tersedia untuk pelanggan mereka.

5) NLP untuk dukungan agen

Tahukah Anda bahwa rata-rata agen dukungan pelanggan hanya dapat menangani 21 tiket dukungan per hari? Sangat mudah untuk melihat bagaimana agen berjuang untuk terus mengikuti pertanyaan pelanggan!

(Anda dapat menghitung rata-rata interaksi/tiket Anda untuk melihat berapa lama biaya interaksi ini.)

Semakin banyak agen yang beralih ke perangkat lunak pembelajaran mesin untuk mengatasi permintaan yang tinggi itu. Salesforce menemukan 69% agen layanan berkinerja tinggi secara aktif mencari situasi untuk menggunakan kecerdasan buatan (AI).

AI percakapan dapat menangani kueri yang tidak membutuhkan banyak perhatian. Ini membuat agen memiliki lebih banyak waktu untuk menangani pertanyaan kompleks yang membutuhkan sentuhan manusia.

AI percakapan Anda dapat menangani pertanyaan seperti:

• “Di mana input HDMI di TV Samsung saya?”
• "Apa status pesanan saya?"
• “Bagaimana cara menghubungkan akun Google Analytics saya?” Tiket dukungan itu akan menjadi bagian yang cukup besar dari tiket. Tetapi dengan mereka yang sudah ditangani, agen Anda dapat menjawab pertanyaan emosional seperti "akun saya ditutup dan saya butuh bantuan secepatnya."
  

  6) Analisis data bisnis

  Sebelumnya, kami menyebutkan bagaimana NLP memungkinkan bisnis untuk menganalisis data kualitatif dari umpan balik pelanggan. Itu juga dapat menambang informasi dari tempat lain, dan mengatur tren umum untuk diikuti oleh tim Anda.

  Ini bekerja sangat baik dengan keluhan pelanggan. Apakah mereka datang langsung melalui email atau melalui "mengapa Anda meninggalkan kami?" kotak pada formulir pembatalan Anda, NLP dapat memilih tren dalam data ini, dan memberi tahu tim Anda sebelum menjadi masalah.

  Mari kita praktikkan dan katakanlah Anda memiliki 150 keluhan untuk diajukan. Formulir pembatalan Anda meminta orang untuk mencentang salah satu kotak berikut:

• Proses orientasi yang membingungkan
• Itu terlalu mahal
• Saya tidak punya waktuOrang mungkin mencentang kotak yang salah. Ini berarti Anda berpikir masalahnya ada di satu area. Namun pada kenyataannya, keluhan telah diajukan dengan tidak benar. Akibatnya, Anda mungkin menaikkan harga karena orang mencentang kotak dengan mengatakan itu terlalu tinggi. Tapi sebenarnya ada masalah dengan proses penagihan mereka.

7) Analisis sentimen dan kepuasan pelanggan

Anda mendapatkan umpan balik pelanggan yang menyaring ke tim dukungan Anda. Bagaimana Anda tahu apakah, secara keseluruhan, orang senang dengan produk atau layanan Anda? Anda tidak punya waktu untuk menyisirnya sendiri.

Analisis sentimen menggunakan NLP untuk menentukan emosi yang mendasari dalam sebuah pesan. Misalnya: Jika Anda mendapatkan tanggapan ini dari formulir umpan balik:

• “Agen yang saya ajak bicara luar biasa.”
• "Pesanan saya tiba lebih cepat dari yang saya harapkan."
• “Sangat mudah untuk menyinkronkan data saya. Terima kasih telah mengumpulkan dokumen orientasi Anda!” Analisis sentimen akan mengambil alih dan menafsirkan kata-kata itu sebagai emosi. Dalam kasus di atas, kata-kata itu mungkin "luar biasa", "lebih cepat", atau "mudah". Sistem pembelajaran mesin kemudian akan memberi tahu Anda bahwa sebagian besar umpan balik adalah positif. Ini memberi Anda pemahaman kasar tentang seberapa baik kinerja Anda. Bagian terbaiknya? Anda dapat menggunakan sistem AI untuk memindai penyebutan merek Anda. Kemudian, Anda dapat menggunakan analisis sentimen untuk menentukan apakah cakupan yang Anda peroleh sebaik yang Anda harapkan.

8) Aplikasi ucapan-ke-teks

Anda mungkin pernah mendengar statistik yang mengatakan pencarian suara sedang meningkat. Beberapa peneliti memperkirakan bahwa 30% dari semua pencarian akan dilakukan tanpa layar pada tahun 2020.

Aplikasi yang membantu menghidupkan statistik itu adalah perangkat ucapan-ke-teks. Perangkat seperti Google Home, Amazon Alexa, dan Siri adalah asisten pribadi kami. Kami meminta mereka untuk merencanakan setiap menit dari hari kami—mulai dari merencanakan rute terbaik ke rumah teman Anda, hingga memesan lebih banyak sereal yang baru saja Anda habiskan.

…Tapi apa artinya itu bagi layanan pelanggan Anda?

Anda dapat membuka dasar untuk sistem pengenalan suara dengan:

• Mengizinkan pelanggan mengakses akun mereka dengan suara mereka
• Menerjemahkan kueri pelanggan dalam bahasa asli mereka ke bahasa Anda
• Mengintegrasikan perangkat lunak Anda dengan asisten suaraTak satu pun dari situasi ini akan bekerja tanpa NLP, yang menafsirkan kata yang diucapkan. Itu memberi Anda kesempatan untuk memperkenalkan aplikasi ucapan-ke-teks dan menawarkan layanan pelanggan yang lebih baik.

9) Bilah pencarian bawaan di basis pengetahuan

Bilah pencarian di situs Anda adalah adik SEO. Mereka bertindak mirip dengan raksasa pencarian seperti Google. Seorang pengguna mengetik apa yang mereka cari, dan bilah pencarian mengambil daftar tautan yang relevan dengan kueri mereka.

Sekitar 50% pengguna langsung membuka bilah pencarian segera setelah mereka tiba di situs web. Kemungkinannya, kueri penelusuran mereka bukanlah kalimat lengkap. Itu akan berupa kata-kata dan frasa singkat dan tajam yang terkait dengan hal yang mereka cari, seperti “nasihat blogging” atau “Fujifilm Instax.”

Hasil kueri pengguna Anda harus menampilkan informasi yang relevan. Jika tidak, mereka akan meninggalkan situs web Anda. Ini memengaruhi metrik utama seperti rasio pentalan, konversi, dan waktu di situs.

Tetapi bilah pencarian situs Anda tidak akan menampilkan informasi yang relevan untuk kueri tersebut tanpa beberapa bentuk NLP.

Perangkat lunak pembelajaran mesin menafsirkan arti dari kueri tersebut. Ini memahami apa yang dicari pengguna—bahkan jika itu tidak dalam bahasa Inggris biasa, mengandung kesalahan tata bahasa, atau salah eja.

NLP = Pengalaman & Personalisasi Pengguna yang Lebih Baik

NLP adalah bagian inti dari pembelajaran mesin yang harus Anda gunakan di departemen layanan pelanggan Anda.

Agen dukungan Anda mendapatkan mesin yang dapat menghemat waktu berjam-jam, tetapi pelanggan Anda juga akan diuntungkan. Mengapa? Karena mereka dapat berkomunikasi dengan cara yang sesuai untuk mereka, melayani asisten pribadi mereka tidak akan lagi tanpanya.

Diterbitkan ulang dengan izin. Asli di sini.

Gambar: Depositphotos.com