Krishna Raj Raja, administrerende direktør og grundlægger af SupportLogic – Interviewserie

Krishna Raj Raja er administrerende direktør og grundlægger af SupportLogic, verdens første kontinuerlige serviceoplevelse (SX) management-platform, der giver virksomheder mulighed for at forstå og handle på “kundens stemme” i realtid for at forbedre servicen og opbygge sunde og profitable kundeforhold.

Du beskriver dig selv som en “videnskabsnørder”, hvad er det ved den videnskabelige verden, der fascinerer dig så meget?

For mig handler videnskab om nysgerrighed omkring, hvordan verden fungerer, og hvilke mønstre der findes i verden. Jeg har haft denne nysgerrighed siden barndommen, og den har udvidet sig til min professionelle liv. Hos SupportLogic søger vi efter mønstre, der findes i naturligt sprog, og bruger disse mønstre til at forudsige ting og give anbefalinger. Dette er ligesom videnskab – det forudsiger mønstre, giver anbefalinger og fortæller dig, hvordan verden fungerer. Meget af det, jeg har lært i mit liv, er selvstudium, fordi det kom fra min naturlige nysgerrighed, ikke fra formel uddannelse.

Du fik en uddannelse i kemiteknik, men valgte derefter at søge muligheder inden for datalogi og maskinlæring. Kan du diskutere denne ændring?

Min far var en succesfuld forretningsmand (i stålbehandling) og håbede, at jeg en dag ville overtage familievirksomheden. Kemiteknik syntes at være den rigtige uddannelse for at være klar til at gøre det. Men datalogi havde været en sideløbende passion for mig i lang tid. Faktisk var mit speciale for min kemitekniske uddannelse at skabe et softwareprogram til kemireaktordesign.

Efter jeg fik min kemitekniske uddannelse, blev det tydeligt, at datalogi var min sande passion. Mine datalogiske færdigheder er helt selvstuderede, og da jeg sluttede mig til VMware, havde alle mine kolleger ph.d.’er fra Ivy League-skoler i datalogi. Jeg var den mindst kvalificerede person på mit hold.

Du var en af de tidlige medarbejdere hos VMware, hvor du arbejdede med support og service som produktstøtteingeniør. Hvad var nogle af de potentielle områder for forbedring, du observerede?

Jeg var en softwareingeniør, der blev til en produktstøtteingeniør. Jeg sluttede mig til VMware, fordi deres teknologi var fascinerende – de beskæftigede sig med operativsystemer, og jeg havde en særlig interesse for det. Jeg hjalp andre operativsystemudviklere med at bruge VMware-produkter på daglig basis. På grund af min baggrund så jeg på tingene fra to forskellige vinkler: 1) Hvordan kan jeg gøre denne kunde glad og løse deres problem; og 2) Hvorfor findes dette problem i softwaren, og hvordan kan det løses? Jeg så på produktaspektet af alle supportproblemerne. En af de første ting, jeg indså, var, at når produktteam udvikler et produkt, ved de ikke, hvordan det vil blive installeret og brugt, så de forudser ikke mange ting under udviklingsprocessen. Men supportteamet har en god forståelse for disse problemer og kan give værdifuld feedback til produktteamet samt andre afdelinger i virksomheden. Problemet er, at denne feedback ofte går tabt, fordi supportteamet er fokuseret på at løse et kundeproblem og derefter hurtigt gå videre til det næste problem. Denne vigtige information bliver ikke videregivet.

Kan du dele nogle detaljer om oprindelsen til SupportLogic?

Da jeg startede SupportLogic, så jeg på markedslandskabet for supportindustrien og fandt, at alle innovationerne i supportområdet var fokuseret på sagafledning. Dette betyder, at den bedste måde at håndtere supportproblemer på er at aflede dem – væk fra supportingeniører og væk fra kunderne. Dette var i konflikt med, hvad jeg så som produktstøtteingeniør – hver kundeinteraktion var en mulighed for at lære om kunderne og om, hvordan produktet fungerer og ikke fungerer. Men jeg var overrasket over at finde, at der ikke var værktøjer derude til at løse dette (lærings)problem, så jeg så en stor mulighed der.

Og jeg lagde mærke til, at support ofte blev behandlet som en omkostningscenter, hvilket jeg mente var en kortsigtede måde at se på tingene på. Når du ser på support som en profitcenter eller som det centrale nervesystem i en virksomhed, kan du virkelig transformere en organisation og gøre dem virkelig kundecentrerede. Det var det, der fik mig til at starte SupportLogic.

Hvad er nogle af de forskellige maskinlærings-teknologier, der bruges hos SupportLogic?

Da virksomheden startede, var jeg naiv i antagelsen af, at vi kunne bruge offentligt tilgængelige maskinlærings-API’er. Der er mange af dem – fra Amazon (AMZN ), Microsoft og HPE – og de tilbyder alle maskinlærings-API’er som en service. Til min overraskelse og skuffelse fungerede mange af disse maskinlæringsmodeller ikke med den type data, vi arbejdede med (kundesupportdata). Men jeg indså, at dette var en mulighed og sagde: “Hvorfor ikke bygge det selv?” Vi startede med at bygge vores eget fra scratch ved hjælp af eksisterende ML-teknologier fra open-source-projekter, som f.eks. spaCy fra Stanford University og Google (GOOGL ) BERT, og derefter tilføjede vi vores egen “hemmelig sauce” oven på det ved hjælp af en ensemble-model-tilgang. Vi tilpasser også modellen til hver kunde og deres specifikke datasæt, i stedet for at bruge en “one-size-fits-all”-filosofi.

Kan du diskutere, hvordan SupportLogic giver virksomheder mulighed for at bedre forbinde sig med kunder ved hjælp af nøgle-signaler?

En af de vigtigste ting, vi gør, er at udtrække kunde-kontekst ved hjælp af NLP. Konteksten er meget vigtig, fordi konteksten ofte går tabt i taggingsprocessen i billetsystemer. Du kan kun tilføje en begrænset mængde information i disse systemer. Vi er gode til at udtrække kunde-kontekst, såsom hvad de er frustrerede over, hvad deres indtryk af dit produkt eller din support er, eller hvad de prøver at gøre med dit produkt. Der er en række signaler og kontekst at udtrække. Ved at gøre dette i realtid og oprette arbejdsgange i vores platform, giver vi virksomheder mulighed for at handle på kundesignaler og forhindre problemer, før det er for sent – det vil sige, at kunden bliver meget vred eller forsvinder for altid.

Hvad er nogle af de andre funktioner bag SupportLogic-softwaren?

Når du først starter med at udtrække kundesignaler fra interaktioner, bliver disse signaler meget kraftfulde til analytics. Vi har en analytics-modul, der fortæller dig, hvad kundens stemme ligner, baseret på alle interaktioner. Derefter går vi et skridt videre og bruger data til at starte forudsigelser. Vi kan forudsige, hvad der vil ske med en bestemt (kunde)konto. Vi kan også forudsige – baseret på kundesituationen – hvem der er den bedste sagkyndige i virksomheden til at hjælpe med at løse problemet, og derefter matche kunden med den rette person.

Og vi kan se på både indgående og udgående samtaler for at give serviceagenter vejledning om, hvad de skal gøre mere (eller mindre) af i deres daglige interaktioner med kunder. Det bliver et godt værktøj til at hjælpe serviceagenter med at udvikle deres bløde færdigheder og forbedre deres samlede præstation.

Er der noget andet, du gerne vil dele om SupportLogic?

En af de almindelige misforståelser, folk har om AI, er, at det er en massiv investering, der er meget involveret og kompleks, og at du ikke vil se nogen afkast på det i mere end et år. I virkeligheden er AI- og ML-teknologierne blevet meget mere modne, og de kan arbejde på din eksisterende datasæt. Og du kan se resultater på få måneder, ikke på år. Så nu er tiden til at investere i AI, fordi du kan se fantastiske resultater på få måneder, der kan give store fordele for din organisation.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge SupportLogic.