Utilizzare la tecnologia per migliorare i contatti con le persone
T-Mobile è orgogliosa di essere un’azienda innovatrice nel mondo delle comunicazioni wireless, sempre pronta a pensare in modo creativo alla relazione che vuole avere con i suoi clienti. Questo approccio aziendale investe anche l'utilizzo dell'AI nel servizio clienti.
Utilizzare le capacità predittive del machine learning per migliorare il servizio clienti è un fantastico esempio di come l’AI possa aumentare le abilità umane. T-Mobile ritiene che questa tecnologia sia un’opportunità per servire i clienti in modo migliore e più veloce, così da avvantaggiare non solo l’azienda e i suoi operatori all’interno dell’assistenza, ma anche arricchire l’esperienza dei clienti e creare delle relazioni più forti tra persone.
"Molti settori hanno cercato di utilizzare l'AI e il machine learning per realizzare sistemi di Interactive Voice Response (IVR) e chatbot per deviare il più possibile le interazioni tra l'operatore in persona e il cliente", afferma Cody Sandford, Vicepresidente Esecutivo e Chief Information Officer di T-Mobile. Ma T-Mobile ha deciso di capovolgere il paradigma. I clienti di T-Mobile entrano in contatto immediatamente con un operatore del servizio clienti che conoscono, invece di parlare con un chatbot o un IVR. Con l’aiuto dell'AI, questi operatori possono accedere velocemente alle informazioni più importanti per i bisogni dei clienti.
Fornire agli operatori delle informazioni contestualizzate in tempo reale permette di garantire che ciascun problema venga risolto in modo tempestivo e accurato. Per far ciò, T-Mobile ha sviluppato dei modelli di machine learning per il riconoscimento del linguaggio naturale che estraggono il significato da grandi quantità di dati testuali. I dati dell’azienda includono centinaia di migliaia di richieste giornaliere in entrata da parte dei clienti, così come repository di conoscenze in cui è possibile trovare le potenziali risposte alle loro domande. I modelli di machine learning, quindi, predicono quali informazioni potrebbero essere utili per i bisogni di un cliente specifico, come aiutare a pagare le bollette o aggiungere una nuova linea telefonica. In seguito, i contenuti rilevanti verranno mostrati all'operatore del servizio clienti, membro del Team of Experts (TEX) dell'azienda, che conosce il cliente poiché se n'è già occupato più volte in precedenza.
“I clienti di T-Mobile adorano avere un rapporto personale e umano con i nostri operatori. Tramite il machine learning, possiamo dare una nuova forma al nostro modo di rapportarci ai clienti”.
Cody Sanford
Vicepresidente esecutivo e CIO
T-Mobile
“I clienti di T-Mobile adorano avere un rapporto personale e umano con i nostri operatori. Tramite il machine learning, possiamo dare una nuova forma al nostro modo di rapportarci ai clienti”.
Cody Sanford
Vicepresidente esecutivo e CIO
T-Mobile
Tuttavia, prima che questo processo possa avere inizio, è fondamentale etichettare i dati per poter addestrare i modelli predittivi di machine learning. Nel passato, T-Mobile disponeva di team di data scientist che si occupavano dell’etichettatura in modo manuale. Si trattava di un lavoro di vitale importanza, ma anche noioso e che richiedeva molto tempo. I data scientist setacciavano i messaggi in cerca di parole e frasi chiave e li mappavano in tipi di transazioni.
Per introdurre l’AI nel processo di etichettatura, T-Mobile si è rivolta ad Amazon SageMaker Ground Truth. Ground Truth accelera e scala il processo di etichettatura dei dati necessari per l’addestramento, che sono essenziali per i modelli di machine learning per produrre previsioni con elevata accuratezza. Invece di farlo manualmente, Ground Truth impara da tali annotazioni in tempo reale e applica automaticamente etichette a gran parte dei set di dati rimanenti.
L’utilizzo di Ground Truth non solo ha semplificato il processo, ma ha permesso ai data scientist di T-Mobile di concentrarsi su compiti più specializzati, come la creazione, l’analisi, la convalida e la distribuzione dei modelli.
“Sprecavamo enormi quantità del tempo dei nostri analisti per etichettare migliaia e migliaia di messaggi”, afferma Sanford. “Ground Truth è stato capace di rendere il processo super-efficiente, e ora non abbiamo più bisogno di analisti esperti per etichettare manualmente i dati”.
Per esempio, Ground Truth crea dei dati di addestramento accurati cercando frasi e parole chiave contenuti in milioni di messaggi di testo da parte dei clienti, aiutando T-Mobile a creare dei suggerimenti predittivi migliori circa il motivo per cui il cliente li ha contattati, così che la risposta possa essere fornita al primo contatto. Il modello è progettato per l’auto-apprendimento, quindi diventa sempre più accurato.
“I clienti di T-Mobile adorano avere un rapporto personale e umano con i nostri operatori”, afferma Sanford. Tramite il machine learning, possiamo dare una nuova forma al nostro modo di rapportarci ai clienti”.