Utiliser la technologie pour améliorer les relations personnelles
T-Mobile s'enorgueillit d'être un acteur du changement dans le monde des communications sans fil, et d'avoir toujours une approche créative de sa relation avec les clients. Cela inclut l'approche de l'entreprise en matière d'utilisation de l'IA pour le service client.
Utiliser les capacités prédictives du machine learning pour améliorer le service client est un excellent exemple d'augmentation des capacités humaines effectuée grâce à l'IA. T-Mobile y voit une opportunité d'améliorer la qualité et la rapidité du service client, ce qui bénéficie non seulement à l'entreprise et à ses agents de service mais améliore également l'expérience client et crée des relations plus fortes entre être humains.
« La plupart des secteurs utilisent l'IA et le machine learning pour créer des systèmes de serveur vocal interactif (IVR pour Intercative Voice Response) et des chatbots plus sophistiqués afin d'éviter aussi longtemps que possible l'interaction entre un agent de service client humain et le client, » explique Cody Sanford, vice-président exécutif et directeur de l'information chez T-Mobile. Mais T-Mobile a choisi de renverser complètement ce mode de fonctionnement. Les clients de T-Mobile sont immédiatement mis en contact avec un agent de service client qui les connaît, plutôt que de devoir parler à un IVR ou un chatbot. Grâce à l'IA, ces agents de service client peuvent rapidement accéder aux informations qui répondent au mieux aux besoins des clients.
Offrir aux agents des informations contextuelles en temps réel permet de garantir une résolution rapide et précise de tout problème rencontré par les clients. À cette fin, T-Mobile a développé des modèles de machine learning de compréhension du langage naturel capables d'analyser de grandes quantités de données textuelles et d'en extraire le sens. Les données de l'entreprise incluent des centaines de milliers de requêtes clients entrantes par jour, ainsi que des référentiels de connaissances permettant de trouver les réponses potentielles aux requêtes clients. Les modèles de machine learning prédisent ensuite quelles informations répondront aux besoins spécifiques des clients, pour les aider à payer leur facture ou ajouter une nouvelle ligne téléphonique par exemple, puis le contenu pertinent s'affiche pour l'agent de service client qui fait partie du groupe soudé de l'équipe d'experts (TEX pour Team of Experts) et connaît bien le client car il travaille régulièrement avec lui.
« Les clients de T-Mobile aiment avoir un contact personnel et humain avec nous. Grâce au machine learning, nous pouvons repenser la manière dont nos clients sont en contact avec nous. »
Cody Sanford
Vice-président exécutif et directeur informatique
T-Mobile
« Les clients de T-Mobile aiment avoir un contact personnel et humain avec nous. Grâce au machine learning, nous pouvons repenser la manière dont nos clients sont en contact avec nous. »
Cody Sanford
Vice-président exécutif et directeur informatique
T-Mobile
Cependant, avant de pouvoir entamer ce processus, il est nécessaire d'ajouter des étiquettes aux données afin de former ces modèles de machine learning prédictifs. Auparavant, T-Mobile s'appuyait sur des équipes de scientifiques de données qui s'occupaient d'étiqueter manuellement les données. C'était une tâche cruciale, mais elle était fastidieuse et chronophage. Les scientifiques de données épluchaient les messages des clients à la recherche de phrases et de mots-clés et les associaient à des types de transactions.
Pour intégrer l'IA à son étiquetage de données, T-Mobile s'est tourné vers Amazon SageMaker Ground Truth. Ground Truth accélère et met à l'échelle l'étiquetage des données de formation, ce qui est indispensable pour permettre aux modèles de machine learning de produire des prédictions dotées d'une précision élevée. Plutôt que d'effectuer cette tâche manuellement, Ground Truth apprend de ces annotations en temps réel et applique automatiquement des étiquettes à la plupart des jeux de données restants.
L'utilisation de Ground Truth a permis non seulement de fluidifier ce processus, mais aussi de libérer les scientifiques de données de T-Mobile, qui peuvent se consacrer à des tâches plus spécialisées, comme la création, l'analyse, la validation et le déploiement des modèles.
« Nos scientifiques de données passaient un temps considérable à étiqueter des milliers de messages », raconte Sanford. « Ground Truth a permis de rendre ce processus extrêmement efficace, et nous n'avons plus à assigner nos scientifiques de données compétents à l'étiquetage manuel des données. »
Par exemple, Ground Truth crée des données de formation précises en examinant les phrases et les mots-clés contenus dans des millions de messages textes de clients. Cela permet à T-mobile de proposer de meilleures recommandations prédictives de la raison pour laquelle un client les contacte, de manière à pouvoir fournir la réponse appropriée au premier échange. Le modèle est conçu pour apprendre par lui-même, ce qui fait qu'il deviendra de plus en plus précis au fil du temps.
« Les clients de T-Mobile aiment avoir un contact personnel et humain avec nous », affirme Sanford. « Grâce au machine learning, nous pouvons repenser la manière dont nos clients sont en contact avec nous. »