Mark Hughes, spoluzakladatel a CEO ve společnosti Solidroad – rozhovor

Mark Hughes, spoluzakladatel a CEO ve společnosti Solidroad, je opakovaný podnikatel a lídr go-to-market, který si vybudoval kariéru na rozhraní prodeje, zákaznické zkušenosti a technologie. Předtím založil Gradguide, kariérní a rekvalifikační platformu, která získala 2 miliony eur a byla později koupena, a zastával seniorní komerční role v Chargify, kde vedl operace EMEA po jejím sloučení s Maxio. Na počátku své kariéry získal hluboké znalosti v oblasti prodeje a podnikání v Intercomu, kde řídil komplexní prodejní cykly a pomáhal škálovat výnosy týmů. Dnes vede Solidroad ze San Francisca a uplatňuje tyto zkušenosti při přemýšlení o tom, jak společnosti vyhodnocují a zlepšují interakce se zákazníky pomocí umělé inteligence, se zaměřením na zvýšení kvalitativní laťky napříč oběma systémy podpory, lidskými i automatizovanými.

Solidroad je platforma pro zajištění kvality a školení s umělou inteligencí, která je určena pro moderní týmy zákaznické zkušenosti, postavená na analýze a zlepšení každé interakce se zákazníkem v měřítku. Platforma přijímá konverzace napříč kanály, vyhodnocuje výkon proti firemním standardům a generuje personalizované simulační školení pro kontinuální optimalizaci lidských agentů i systémů umělé inteligence. Místo toho, aby nahrazovala týmy zákaznické podpory, Solidroad se zaměřuje na jejich zlepšení, proměňující každou interakci v zpětnou vazbu, která zlepšuje výsledky, jako je kvalita odpovědí, efektivita a spokojenost zákazníků. Společnost se prezentuje jako infrastruktura pro high-performing CX týmy, pomáhající organizacím dodávat konzistentní, vysoce kvalitní zkušenosti bez zvýšení provozních nákladů.

Většina společností stále spoléhá na hodnocení malé části interakcí se zákazníky, aby vyhodnotila výkon. Co vás přesvědčilo, že tento přístup je zásadně vadný, a jak vás to vedlo k vybudování přístupu Solidroad k nepřetržitému monitorování, hodnocení a zlepšování lidských i umělých agentů?

Patrick a já jsme oba strávili roky kolem týmů zákaznické podpory, než jsme založili Solidroad, a jeden problém neustále vyčníval: společnosti měly stovky tisíc konverzací se zákazníky, ale pokud jste se jich zeptali, jak tyto konverzace skutečně probíhaly, nevěděli to. A to, co věděli, bylo založeno na tak malé části interakcí, že to nebylo přesné.

To už bylo samo o sobě nejistým základem, když lidé zpracovávali každý ticket. Nyní, s umělou inteligencí vstupující do obrazu, se sázky změnily. Jeden špatný vzorec by se mohl projevit napříč tisíci konverzacemi současně a zůstat nezjištěn, protože většina týmů přezkoumává pouze 1-2 % interakcí.

Viděli jsme, jak se to děje u společností opakovaně, a ztráceli zákazníky kvůli tomu, takže jsme se rozhodli vytvořit řešení. Rozpoznali jsme, že to nakonec byla infrastruktura problém. Společnosti prostě neměly systémy potřebné k tomu, aby skutečně pochopily výkon svých agentů zákaznické podpory.

Solidroad byl postaven, aby řešil tuto slepou skvrnu. Poskytujeme společnostem nástroje, aby viděly, co se skutečně děje v měřítku, a zajistily, aby každá konverzace – lidská, umělá nebo obojí – dodávala hodnotu.

Solidroad byl popsán jako „letový simulátor“ pro zákaznické týmy. Můžete nás provést, jak vaše umělá inteligence simuluje reálné interakce se zákazníky, a co činí tyto simulace efektivní pro školení v měřítku?

Letový simulátor analogy funguje, protože základní myšlenka je stejná. Nechcete, aby někdo poprvé zažil obtížnou situaci před skutečným zákazníkem.

To, co činí naše simulace efektivní, je to, že jsou založeny na tom, co se skutečně děje v reálných konverzacích té společnosti. Když agent něco pokazí v živé interakci, systém generuje cílenou simulaci přesně toho typu scénáře, aby si mohli prakticky procvičit, než se to stane znovu. Není to generické školicí obsah.

Zpětná vazba je to, co pohání učení. Agenti procházejí scénář, získávají specifické pokyny na to, co fungovalo a co nefungovalo, a pokusí se to znovu. Chyby se vyskytují v bezpečném prostředí, a učení zůstává, protože je vázáno na reálné situace, nikoli na abstraktní třídní cvičení.

Vaše platforma nejenom cvičí agenty, ale také vyhodnocuje živé interakce proti vlastním směrnicím. Jak navrhujete tyto vyhodnocovací systémy, aby odrážely reálné obchodní výsledky, jako je CSAT, retence nebo výnosy?

Při vytváření těchto směrnic vždy začínáme tím, co se týká konkrétní společnosti. Finanční služba, která řeší spory o fakturaci, má jiné standardy kvality než e-commerce značka, která řídí návraty během vrcholné sezóny. Takže vyhodnocování je postaveno kolem vlastních směrnic, politik, značkového hlasu a toho, co vypadá jako dobré řešení pro ně.

A obchodní výsledky, jako jsou zlepšené skóre CSAT a retence, pocházejí z vysoce kvalitních interakcí se zákazníky. Místo toho, aby se sledovaly skóre retrospektivně, se zaměřujeme na chování, která předpovídají tyto výsledky: konzistentní výkon napříč agenty, dodržování správných procesů a měkké dovednosti, které formují, jak se zákazníci cítí na konci konverzace.

Cílem je poskytnout lídrům jasnou, praktickou představu o tom, co vypadá dobře pro jejich společnost, aby mohli cvičit své týmy, replikovat úspěch a růst napříč jejich organizací.

Mnohé společnosti pouze přezkoumávají malý procentní podíl interakcí se zákazníky. Jak Solidroad umožňuje úplné pokrytí analýzy, a jaké druhy informací se stávají možnými, když se přesouváte z výběru vzorků na analýzu všeho?

Naše nedávná State of CX survey ukázal, že kolem 81 % konverzací se zákazníky se nikdy nepřezkoumává pro kvalitu, což znamená, že týmy přezkoumávají tak malou část konverzací, že to je prakticky výběr vzorků a doufají, že to je reprezentativní. Když společnost začne vyhodnocovat každou konverzaci se zákazníkem, vzorce, které by se nikdy neobjevily ve výběru vzorků, se stanou zřejmými. Týmy začínají vidět, které typy požadavků jsou konzistentně zpracovávány špatně, kde se lidské a umělé agenty rozcházejí neočekávaným způsobem a které problémy se opakují, než se vůbec objeví v reklamaci zákazníka.

Solidroad používá umělou inteligenci k automatickému přezkoumání každé konverzace se zákazníkem napříč chatem, e-mailem a hlasem, což umožňuje úplné pokrytí analýzy. Tento posun od výběru vzorků k 100% přezkoumání je to, co odhaluje konzistentní vzorce kvality, tření zákazníků a výkonu, které by jinak zůstaly skryty.

Crypto.com je skvělým příkladem toho, co úplné pokrytí skutečně odemyká. Před Solidroad neměla jejich tým žádný spolehlivý způsob, jak měřit kvalitu agentů v měřítku nebo ověřit, zda jsou agenti připraveni předtím, než budou zpracovávat živé tikety. Problémy se objevovaly pouze poté, co již ovlivnily zákazníky. Přesunutím na automatizované vyhodnocování napříč 800 000 měsíčních konverzací mohli odhalit problémy s kvalitou brzy, ověřit agenty před nasazením a potvrdit, že zlepšení skutečně přetrvávají. Výsledky byly 18% snížení průměrné doby zpracování a 3% zvýšení CSAT (což je významné ve měřítku, ve kterém operují). Jakmile se objem konverzací dále zvyšuje, jejich viditelnost kvality se škáluje s tím, místo aby zaostávala.

To je skutečně to, co úplné pokrytí mění. Posunuje kvalitu z něčeho reaktivního na něco proaktivního, které lze řídit předem.

Pracujete se společnostmi, jako je Crypto.com a Ryanair, kde je zákaznická zkušenost kriticky důležitá. Jaké vzorce nebo slabiny jste identifikovali napříč velkými podpůrnými týmy?

Několik věcí se objevuje konzistentně. První je mezera mezi tím, co společnosti myslí, že se děje v jejich konverzacích se zákazníky, a tím, co se skutečně děje. Většina týmů je přesvědčena o kvalitě své podpory, dokud nezískají úplnou viditelnost, pak si uvědomí, že obraz je složitější, než jejich metriky původně naznačovaly.

Existuje také konzistentní nesoulad mezi tím, jak týmy měří výkon, a tím, co skutečně pohání výsledky zákazníků. Metriky rychlosti a počtu tiketů jsou snadno sledovatelné, takže tendují k dominanci v hodnocení. Ale tato čísla společnosti neříkají, zda byl problém zákazníka vyřešen, zda agent reprezentoval značku přesně, nebo zda interakce zanechala zákazníka s dobrým pocitem o společnosti. V prostředí s vysokými sázkami, jako je fintech nebo zdravotnictví, může tento nesoulad mezi měřením a výsledkem mít vážné důsledky.

Existuje rostoucí obava, že umělá inteligence ve službách zákazníků může degradovat lidskou zkušenost. Jak zajišťujete, aby váš systém zlepšoval kvalitu, spíše než tlačil týmy směrem k příliš scriptovaným nebo robotickým interakcím?

Je to oprávněná obava, ale obvykle pochází z QA (kvalitních) systémů, které využívají umělou inteligenci pro špatné věci. Pokud společnost vyhodnocuje agenty čistě na základě dodržování scénáře nebo rychlosti uzavření tiketu, skončí s interakcemi, které technicky splňují kritéria, ale cítí se prázdné nebo osobně pro zákazníka.

Náš přístup je postaven na tom, co skutečně dělá zákazníka opouštět interakci se cítěním, že je podporován. Díváme se na věci, jako je zda agent aktivně naslouchal, projevil empatii, když to bylo potřeba, a skutečně pomohl zákazníkovi vyřešit jeho problém.

Stejné platí pro umělou inteligenci. Cílem je použít umělou inteligenci k tomu, aby interakce se zákazníky byly konzistentnější, přesnější a vhodně reagující na to, co zákazník skutečně prožívá. Když je dohled nad kvalitou postaven kolem těchto výsledků, spíše než pouze procesní dodržování, tenduje to k lepšímu směru interakcí, ne k více scriptovanému.

Solidroad stojí na rozhraní lidských agentů a agentů umělé inteligence. Jak vidíte vztah mezi nimi, zejména když umělá inteligence začíná zpracovávat více interakcí na první linii?

Je důležité pohlížet na lidské agenty a agenty umělé inteligence jako na tým, dělící se o práci. Myslím, že budoucnost pro lidské a umělé agenty je hybridní.

Umělá inteligence zpracovává vysoké objemy, přímé požadavky velmi dobře, a nejlepší agenti umělé inteligence jsou dokonce schopni vyřešit většinu těchto konverzací samostatně, což je opravdu působivé.

Ale výsledkem toho je, že interakce, které dosahují lidských agentů, jsou stále složitější, emočně nabité a vysoce rizikové. Zákazník, který je frustrovaný, situace, která se nevejde do standardního šablony, konverzace, která vyžaduje skutečné soudržnost. Proto je dohled nad oběma tak důležitý. Umělá inteligence potřebuje zpracovávat svůj objem konzistentně a přesně. Lidské agenty potřebují být dobře připraveny na těžké konverzace, které nyní zpracovávají. A musí existovat nezávislá vrstva, která sedí napříč oběma, poskytující společnostem jasný obraz o tom, co funguje a co nefunguje. To je hybridní model, který budeme budovat.

Vaše systém poskytuje okamžité zpětné vazby a koučování. Jak důležité je okamžité zpětné vazby pro zlepšení výkonu agentů, a jak se to srovnává s tradičními školicími a QA postupy?

Okamžité zpětné vazby jsou opravdu důležité, a výzkum to podporuje, že zpětné vazby jsou nejúčinnější, když jsou spojeny se specifickou situací, která je vygenerovala. Tradiční QA postupy tento vztah téměř rozrušují. Manažer přezkoumá konverzaci dny nebo týdny po jejím skončení, sdílí zpětné vazby v pravidelném hodnocení, a do té doby má agent již desítky dalších interakcí, kde se chyba pravděpodobně opakovala. Bez poskytnutí zpětné vazby v reálném čase chyby přetrvávají a agenti musí odnaučit praktiky, na které jsou zvyklí.

To, co jsme zjistili, je, že zpětné vazby jsou nejúčinnější, když se objevují okamžitě po skutečné konverzaci. Funguje to nejlépe, když je spojeno přímo s tím, co agent právě zpracoval, a spárováno se specifickou simulací, kterou mohou okamžitě spustit. V tomto formátu se to překládá do skutečných změn chování mnohem rychleji. Agenti nejsou pouze informováni, že potřebují zlepšit, ale prakticky cvičí zlepšení v kontextu, zatímco je to ještě čerstvé.

Kontrast s tradičním onboardingem je nejjasnějším příkladem toho. Naše data ukazují, že více než polovina lidských agentů říká, že nejtěžší část onboardingu je aplikovat to, co se naučili ve školení, na skutečné situace zákazníků. Tento rozpor existuje, protože třídní učení a živá podpora se cítí jako dvě různé věci. Kontinuální, situační zpětné vazby řeší tento problém způsobem, který pravidelná hodnocení nemohla.

Můžete ukázat zlepšení, jako je snížení doby onboardingu a vyšší CSAT. Jaký metriku zákazníci nejvíce dbají, když přijímají vaši platformu, a jak demonstrujete návratnost investic brzy v tomto vztahu?

To se liší v závislosti na tom, kde leží bolestivé body zákazníka, ale dvě věci, které se objevují nejčastěji, jsou zajištění kvality a úspora času. Týmy, které manuálně přezkoumávají malou část konverzací, okamžitě vidí hodnotu v přechodu na 100% pokrytí, a to jak pro informace, které Solidroad poskytuje, tak pro hodiny, které vrátí jejich QA týmům. V našem zákaznickém základě obvykle vidíme 20násobné zvýšení pokrytí QA a 90% snížení manuálního přezkoumání.

Na straně návratnosti investic se snažíme propojit výsledky s metrikami, které již záleží na daném podniku. U Podium to bylo onboardingové období. Noví agenti dosáhli výkonových metrik za 60 dní místo 90, a vyřešili problémy o 33 % rychleji, než když šli live. S Crypto.com to bylo řešení času a viditelnosti objemu konverzací. Pro Ryanair to ukázalo v úsporách hodin recruiterů.

Konkrétnosti se liší, ale vzorec je stejný: když můžete skutečně vidět, co se děje napříč vašimi interakcemi se zákazníky, a jednat na to rychle, zlepšení následují v metrikách, které záleží.

Pohledem do budoucna, vidíte Solidroad setrvávající zaměřený na školení a QA, nebo se vyvíjející do širší vrstvy pro řízení obou lidských a umělých interakcí se zákazníky?

Školení a QA jsou tím, kde jsme začali, ale vize je větší než to. Způsoby, jakými se díváme na to, je kvalitní dohled, který se stane klíčovou infrastrukturou pro jakoukoli společnost, která běží umělou inteligenci ve službách zákazníků. Stejně jako bezpečnostní certifikace se staly nezbytnými, když společnosti přesunuly data do cloudu, kvalitní certifikace se stane nezbytnou, když konverzace se zákazníky přejdou na umělou inteligenci.

Severní hvězda je, že “Solidroad Certified” nese skutečný význam: důkaz, že společnost splňuje vysokou laťku pro to, jak zachází se zákazníky, bez ohledu na to, zda interakce byla zpracována člověkem nebo umělou inteligencí.

To prakticky znamená, že chceme být systémem, na který se organizace spoléhají, aby spravovaly a zlepšovaly kvalitu interakcí se zákazníky napříč vším, ne pouze označovaly problémy na zadním konci. To je velký část toho, proč jsme získali naše 25 milionů dolarů série A vedené Hedosophia – dává nám prostor, abychom se mohli vyvíjet směrem k této vizi. To zahrnuje rozšíření našich produktových schopností a týmů, abychom mohli pomoci více společnostem vyhodnocovat 100 % svých interakcí se zákazníky.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Solidroad.