Tekoälyn rooli asiakaskokemuksen luonnissa

Tekoäly etenee erittäin nopeasti. Vaikka ollaan varhaisessa vaiheessa, nähdään jo ensimmäisiä merkkejä siitä, miten generatiivinen tekoäly todennäköisesti vaikuttaa työn tekemiseen, varsinkin kun kyse on markkinoinnista ja asiakaskokemuksesta

Kirjoittaja: Sami Heikkinen

Tekoälyn käyttöä asiakaskokemuksen kehittämisessä on kartoitettu kyselyllä, jonka Puntani teki yhteistyössä GBK Collectiven kanssa (Morgan 2024). Kysely oli kohdistettu useille ylimmille johtajille suurissa yhdysvaltalaisissa yrityksissä ja eri toimialoilla, eri toiminnoissa. Johtajilta kysyttiin, mitä he ajattelevat generatiivisesta tekoälystä, sen mahdollisista käyttökohteista ja tärkeimmistä käyttöönottoon liittyvistä kysymyksistä.

Kyselyn tulosten mukaan yli 50 % kyselyyn osallistuneista johtajista käyttää jo generatiivista tekoälyä. Tulos on yllättävä, koska tekniikka on ollut kyselyn toteuttamisen aikaan vasta noin vuoden ajan. Puntani toteaakin tekoälyn käyttöönoton omaksumisen tapahtuneen huomattavasti nopeammin kuin muiden aiempien työn tekemistä tehostavien – kuten esimerkiksi sähköpostin – kohdalla on tapahtunut.

Tekoälyn käyttökohteita

Eniten tekoälyä hyödynnetään data-analyysiin. Tyypillisessä tilanteessa organisaatiolla on käsissään esimerkiksi markkinatutkimustoimistolta saatu aineisto esimerkiksi verkkosivuston vierailijoista. Tämän aineiston voi syöttää tekoälylle, joka ymmärtää, mitä aineistossa on. Käyttäjän on helppo saada aineistosta näkyviin haluamiansa tietoja, kun pyynnön voi kertoa tekoälylle käyttämällä luonnollista kieltä. Käyttäjä voi pyytää tekoälyä esimerkiksi tuottamaan asiakasryhmien vertailun graafeineen ja lopputuloksena on selkeä raportti, jonka ominaisuuksia voi hioa vielä uusilla tekoälylle esitetyillä pyynnöillä.

Toinen yleinen tapa hyödyntää tekoälyä on markkinointisisältöjen tuottaminen. Tekoälyä hyödynnetään mm. verkkosivujen sisällön kirjoittamiseen, sosiaalisen median postauksien muotoilemiseen, sähköpostimarkkinointiin. Tekoälylle voi esimerkiksi opettaa yrityksen tavan puhutella asiakkaitaan, jolloin tämä personoitu tapa tulee huomioiduksi kaikissa yrityksen tuottamissa sisällöissä. Lopputuloksena sisällöt eivät ole ainoastaan luovempia, mutta myös johdonmukaisesti personoituja. Vielä pidemmälle vietynä tekoälyn avulla voi luoda todella henkilökohtaisen sähköpostin, joka kuvastaa vuorovaikutusta asiakkaan kanssa ja tapaa, jolla yritys olettaa asiakkaan olevan vuorovaikutuksessa yrityksen tuotteiden.

Tekoälyä voidaan hyödyntää myös asiakaspalvelijan apurina. Kun asiakas ottaa yhteyttä palveluntarjoajaan sähköpostitse, voi tekoäly käsitellä asiakkaan yhteydenoton ja tarkastella asiakkaan ja yrityksen välistä aiempaa vuorovaikutusta. Sen jälkeen tekoäly voi laatia luonnoksen asiakkaalle lähetettävästä sähköpostista. Tämä luonnos menee kuitenkin ennen lähettämistä ihmisen hyväksyttäväksi. Ajansäästö on merkittävä, kun työntekijän ei tarvitse tutustua kaikkeen yhteydenottoon liittyvään historiaan ja muotoilla yksilöllistä vastausta, sen sijaan että hän ainoastaan tarkistaa kaiken olevan kunnossa ja tekee ainoastaan tarvittavat muutokset asiakkaalle lähtevään vastaukseen.

Usein ajatellaan, että ajansäästöön tähtäävä teknologia voidaan kokea uhkana. Sen sijaan työntekijät ovat pitäneet tällaista apuvälinettä hyvänä, koska se helpottaa omaa työtä ja auttaa palvelemaan asiakkaita paremmin. Se antaa asiakaspalvelijalle mahdollisuuden käyttää vuorovaikutukselle varatun lyhyen ajan sanoakseen jotain merkityksellistä tai oikeasti yksilöllistä.

Onko tarvittavat tiedot olemassa?

Vaikka tekoälyn hyödyntäminen kuulostaa ihmelääkkeeltä, ei se yksin riitä. Edellä kuvatut esimerkit nojaavat siihen, että olemassa on tieto, jota tekoäly voi hyödyntää. Yrityksen täytyy siis kerätä riittävästi tietoa ja dokumentoida se tekoälyn saavutettavissa olevaan muotoon. Sen sijaan, että yritys kiinnittää huomionsa nyt saatavilla olevaan tietoon, sen pitäisi miettiä, millaista tietoa se tarvitsee lisää ymmärtääkseen asiakkaidensa tarpeet riittävän hyvin ja kerättävä tämä tieto systemaattisesti saavutettavaan muotoon.

Osaa käytettävissä olevista tiedoista ei myöskään hyödynnetä riittävän hyvin. Esimerkiksi NPS-kyselyn tuloksissa ollaan yleensä kiinnostuneita NPS-tunnusluvusta, johon ollaan tilanteesta riippuen tyytyväisiä tai tyytymättömiä. Tätä tunnuslukua yhdistetään kuitenkin valitettavan harvoin muuhun saatavilla olevaan tietoon. Jos asiakas on tyytymätön, olisi tärkeä yhdistää muuhun asiakkaasta saatavilla olevaan tietoon. Kun nämä tiedot yhdistetään, voidaan nähdä yhteyksiä asiakkaan kanssa tapahtuneen vuorovaikutuksen ja tyytymättömyyden välillä. Kun isommat asiakasmassat yhdistetään, voidaan nähdä säännönmukaisuuksia siinä, mikä yhdistää tyytymättömien asiakkaiden kanssa tapahtunutta kanssakäymistä ja päästä sitä kautta tyytymättömyyttä aiheuttavien tekijöiden jäljille. Tekoälyä voi käyttää jäsentämättömän tiedon ymmärtämiseen. Yritykselle voi esimerkiksi olla asiakasarvosteluja ja niistä pitäisi saada käsitys siitä, missä yritys onnistuu ja missä on kehittämisen paikkoja.

Toinen vaihtoehto on luoda asiakasprofiileja asiakastietojen avulla. Tekoälyä voi pyytää luomaan asiakaskannasta asiakasprofiileja ja pyytää tekoälyä luomaan ratkaisuja asiakkaan palvelun käyttöön liittyviin tilanteisiin. Tällaista synteettistä asiakasta voi myös haastatella esimerkiksi tuotteen pullonkauloihin tai yleisemmin palvelun käyttöön liittyvistä ongelmista. Tekoälyä voi myös pyytää kulkemaan asiakaspolkua pitkin ja osoittamaan aukot, joihin yrityksen pitäisi löytää parempia ratkaisuja.

Lähteet

Morgan, B. 2024. Wharton Professor Stefano Puntoni Offers Insights on Generative AI and Customer Experience Use Cases. YouTube. Viitattu 6.3.2024. Saatavissa https://www.youtube.com/watch?v=pEcbVmT87kU

Kirjoittaja

Sami Heikkinen, FM, KTM, opettelee hyödyntämään tekoälyn mahdollisuuksia ja opettamaan niitä muillekin LAB-ammattikorkeakoulun liiketoimintayksikössä.

Artikkelikuva: https://www.pexels.com/photo/code-projected-over-woman-3861969/ (Pexels License)

Julkaistu 14.3.2024