Krishna Raj Raja, administrerende direktør og grundlægger af SupportLogic – Intervju-serie

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 kunderelationer.

Jeg beskriver dig selv som en “science geek”, hvad er det ved den videnskabelige verden, der har dig så betaget?

For mig er videnskab alt om nysgerrighed om, 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, 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 gik videre og fik en uddannelse i kemiteknik, men endte med at forfølge muligheder i computervidenskab og maskinlæring. Kan du diskutere denne ændring?

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

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

Du var en af de tidlige medarbejdere hos VMware, hvor du arbejdede i support & 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 i 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 rigtig, hvordan det vil blive installeret og brugt, så de forudser ikke mange ting under udviklingsprocessen. Men supportteamet har en god forståelse af 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 kundens problem og derefter hurtigt gå videre til næste problem. Denne vigtige information bliver ikke videregivet.

Kunne du dele nogle detaljer om genesis-historien for 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 blev overrasket over at finde, at der ikke var værktøjer derude til at løse dette (lærings)problem, så jeg så en stor mulighed der.

Også så jeg, 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 sandt kundeorienteret. 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 at antage, at vi kunne bruge offentligt tilgængelige maskinlærings-API’er. Der er mange af dem – fra Amazon, Microsoft og HPE – og de tilbyder alle maskinlærings-API’er som en tjeneste. 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 bunden ved at bruge eksisterende ML-teknologier fra open-source-projekter, som spaCy fra Stanford University, og Google BERT, og derefter tilføje noget af vores eget “hemmelige sauce” oven på det, ved at bruge en ensemble-model-tilgang. Vi tilpasse også modellen til hver kunde og deres specifikke datasæt, i stedet for at bruge en en-size-fits-all-filosofi.

Kunne du diskutere, hvordan SupportLogic giver virksomheder mulighed for bedre at forbinde sig med kunder ved at bruge 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 excellerer i 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 arbejdsprocesser 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 går væk 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 analyser. Vi har en analytics-modul, der fortæller, hvad kundens stemme ligner, baseret på alle interaktioner. Derefter går vi et skridt videre og bruger data til at starte med at gøre 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 fantastisk 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 med 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 avancerede, og de kan fungere på din eksisterende datasæt. Og du kan se resultater på få måneder, ikke på år. Så nu er tiden at investere i AI, fordi du kan se utrolige 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.