O uso da tecnologia para melhorar vínculos interpessoais
A T-Mobile tem orgulho de ser uma inovadora no mundo das comunicações sem fio e está sempre pensando criativamente sobre o tipo de relacionamento que deseja ter com seus clientes. Isso inclui a abordagem da empresa ao usar IA no atendimento ao cliente.
Usar os recursos preditivos do machine learning para melhorar o atendimento ao cliente é um ótimo exemplo de extensão das habilidades humanas com IA. A T-Mobile vê isso como uma oportunidade de atender aos clientes de uma maneira melhor e mais rápida, beneficiando não apenas a empresa e seus agentes de serviço, mas também enriquecendo a experiência do cliente e criando vínculos mais fortes entre pessoas.
“A maioria das empresas procura usar IA e machine learning para criar sistemas mais sofisticados de URA (Unidade de Resposta Audível) e chatbots como um meio de desviar o maior tempo possível a interação entre um agente humano de atendimento e o cliente”, diz Cody Sanford, vice-presidente executivo e CIO da T-Mobile. A empresa, porém, mudou esse paradigma. Os clientes da T-Mobile se conectam imediatamente com um agente de atendimento ao cliente que os conhece, em vez de falar com um sistema de URA ou chatbot. Com a ajuda da IA, esses agentes de atendimento podem acessar rapidamente as informações mais relevantes para as necessidades do cliente.
Fornecer aos agentes informações contextuais em tempo real ajuda a garantir que os problemas de cada cliente sejam resolvidos de forma rápida e precisa. Para fazer isso, a T-Mobile desenvolveu modelos de machine learning de compreensão de linguagem natural que extraem significado de grandes quantidades de dados textuais. Os dados da empresa incluem centenas de milhares de solicitações de clientes recebidas por dia, bem como repositórios de conhecimento, nos quais podem ser encontradas possíveis respostas às consultas dos clientes. Os modelos de machine learning preveem quais informações atenderiam às necessidades de um cliente específico como ajudá-lo a pagar sua conta ou adicionar uma nova linha telefônica – e exibem o conteúdo relevante para o atendente. O agente é parte do grupo Team of Experts (TEX), que conhece o cliente porque trabalha regularmente com ele.
“Os clientes da T-Mobile gostam quando há um vínculo pessoal e humano conosco. Por meio do machine learning, podemos reformular o modo como nossos clientes se relacionam conosco.”
Cody Sanford
EVP e CIO
T-Mobile
“Os clientes da T-Mobile gostam quando há um vínculo pessoal e humano conosco. Por meio do machine learning, podemos reformular o modo como nossos clientes se relacionam conosco.”
Cody Sanford
EVP e CIO
T-Mobile
No entanto, antes que esse processo possa começar, os rótulos precisam ser adicionados aos dados para treinar esses modelos preditivos de Machine Learning. Anteriormente, a T-Mobile tinha equipes de cientistas de dados trabalhando na rotulagem manual. Foi um trabalho vital, mas também tedioso e demorado. Os cientistas de dados vasculharam as mensagens dos clientes procurando palavras-chave e frases e as mapearam para os tipos de transação.
Para introduzir a rotulagem de dados com a IA, a T-Mobile optou pelo Amazon SageMaker Ground Truth. O Ground Truth acelera e dimensiona a rotulagem dos dados de treinamento, o que é essencial para que os modelos de Machine Learning produzam previsões com alta precisão. Ao invés de fazer isso manualmente, o Ground Truth aprende em tempo real com essas anotações e aplica automaticamente rótulos à maioria do conjunto de dados restante.
O uso do Ground Truth não somente otimizou esse processo, mas também liberou os cientistas de dados da T-Mobile para se concentrarem em tarefas mais especializadas, como criação, análise, validação e implantação de modelos.
“Estávamos gastando muito tempo dos nossos cientistas de dados rotulando milhares e milhares de mensagens”, diz Sanford. "O Ground Truth conseguiu tornar a rotulagem super eficiente e, agora, não precisamos mais que nossos cientistas de dados rotulem manualmente nossos dados.”
Por exemplo, o Ground Truth cria dados de treinamento precisos observando frases e palavras-chave contidas em milhões de mensagens de texto de clientes, ajudando a T-Mobile a criar melhores recomendações preditivas sobre o motivo de um cliente entrar em contato, para que a resposta correta seja entregue no primeiro contato. O modelo foi projetado para autoaprendizado, de modo que ficará cada vez mais preciso com o tempo.
“Os clientes da T-Mobile gostam quando têm uma conexão pessoal e humana conosco”, diz Sanford. “Por meio do Machine Learning, podemos reformular como nossos clientes se relacionam conosco.”