Krishna Raj Raja, Διευθύνων Σύμβουλος και Ιδρυτής της SupportLogic – Series Interview

Ο Krishna Raj Raja, είναι ο Διευθύνων Σύμβουλος και Ιδρυτής του SupportLogic, η πρώτη στον κόσμο πλατφόρμα διαχείρισης συνεχούς εμπειρίας εξυπηρέτησης (SX) που επιτρέπει στις εταιρείες να κατανοούν και να ενεργούν σύμφωνα με τη «Φωνή του Πελάτη» σε πραγματικό χρόνο για να βελτιώσουν άμεσα την παροχή υπηρεσιών και να δημιουργήσουν υγιείς και κερδοφόρες σχέσεις με τους πελάτες.

Περιγράφετε τον εαυτό σας ως «επιστήμονα», τι είναι αυτό στον επιστημονικό κόσμο που σας έχει τόσο ερωτευτεί;

Για μένα, η επιστήμη έχει να κάνει με την περιέργεια για το πώς λειτουργεί ο κόσμος και ποια πρότυπα υπάρχουν στον κόσμο. Είχα αυτή την περιέργεια από την παιδική μου ηλικία, και επεκτάθηκε και στην επαγγελματική μου ζωή. Στην SupportLogic, αναζητούμε μοτίβα που υπάρχουν στη φυσική γλώσσα και χρησιμοποιούμε αυτά τα μοτίβα για να προβλέψουμε πράγματα και να παρέχουμε συστάσεις. Αυτό μοιάζει με την επιστήμη – προβλέπει μοτίβα, παρέχει συστάσεις και σας λέει πώς λειτουργεί ο κόσμος. Πολλά από αυτά που έχω μάθει στη ζωή μου είναι αυτοδίδακτα επειδή προήλθαν από τη φυσική μου περιέργεια, όχι από την επίσημη εκπαίδευση.

Πήρες πτυχίο Χημικού Μηχανικού, αλλά στη συνέχεια καταλήξατε να αναζητάτε ευκαιρίες στην επιστήμη των υπολογιστών και στη μηχανική μάθηση. Θα μπορούσατε να συζητήσετε αυτό το pivot;

Ο πατέρας μου ήταν επιτυχημένος ιδιοκτήτης επιχείρησης (στην επεξεργασία χάλυβα) και ήλπιζε ότι μια μέρα θα αναλάμβανα την οικογενειακή επιχείρηση. Η χημική μηχανική φαινόταν να είναι η σωστή εκπαίδευση για να είσαι έτοιμος να το κάνεις αυτό. Αλλά η επιστήμη των υπολογιστών ήταν ένα παράπλευρο πάθος για μένα για πολύ καιρό. Στην πραγματικότητα, η διατριβή μου για το πτυχίο χημικού μηχανικού μου ήταν η δημιουργία ενός προγράμματος λογισμικού για το σχεδιασμό ενός χημικού αντιδραστήρα.

Αφού τελείωσα το πτυχίο χημικού μηχανικού, έγινε φανερό ότι η επιστήμη των υπολογιστών ήταν πραγματικά το αληθινό μου πάθος. Οι δεξιότητές μου στην επιστήμη των υπολογιστών είναι εντελώς αυτοδίδακτες και όταν μπήκα στη VMware όλοι οι συνάδελφοί μου είχαν διδακτορικό από τα σχολεία της Ivy League στην επιστήμη των υπολογιστών. Ήμουν το πιο υποβαθμισμένο άτομο στην ομάδα μου.

Ήσασταν από νωρίς υπάλληλος στη VMware, όπου εργαζόσασταν στην υποστήριξη και εξυπηρέτηση ως μηχανικός υποστήριξης προϊόντων. Ποιοι ήταν μερικοί από τους πιθανούς τομείς βελτίωσης που παρατηρήσατε;

Ήμουν μηχανικός λογισμικού που μετατράπηκε σε μηχανικός υποστήριξης προϊόντων. Έγινα μέλος της VMware επειδή η τεχνολογία τους ήταν συναρπαστική – είχαν να κάνουν με λειτουργικά συστήματα και είχα ιδιαίτερο ενδιαφέρον για αυτό. Βοηθούσα άλλους προγραμματιστές λειτουργικών συστημάτων να χρησιμοποιούν προϊόντα VMware σε καθημερινή βάση. Λόγω του παρελθόντος μου, κοίταζα τα πράγματα από δύο διαφορετικές οπτικές γωνίες: 1) Πώς μπορώ να κάνω αυτόν τον πελάτη χαρούμενο και να λύσω το πρόβλημά του; και 2) Γιατί υπάρχει αυτό το πρόβλημα στο λογισμικό και πώς μπορεί να διορθωθεί; Εξέταζα την πτυχή του προϊόντος όλων των ζητημάτων υποστήριξης. Ένα από τα πρώτα πράγματα που συνειδητοποίησα ήταν ότι όταν οι ομάδες προϊόντων αναπτύσσουν ένα προϊόν, πραγματικά δεν ξέρουν πώς θα αναπτυχθεί και θα χρησιμοποιηθεί, επομένως δεν προβλέπουν πολλά πράγματα κατά τη διαδικασία ανάπτυξης. Ωστόσο, η ομάδα υποστήριξης χειρίζεται καλά αυτά τα ζητήματα και μπορεί να δώσει πολύτιμα σχόλια στις ομάδες προϊόντων καθώς και σε άλλα τμήματα της εταιρείας. Το πρόβλημα είναι ότι αυτή η ανατροφοδότηση συνήθως χάνεται επειδή η ομάδα υποστήριξης επικεντρώνεται στη διόρθωση ενός προβλήματος πελάτη και στη συνέχεια στη γρήγορη μετάβαση στο επόμενο ζήτημα. Αυτές οι σημαντικές πληροφορίες δεν μεταβιβάζονται.

Θα μπορούσατε να μοιραστείτε μερικές λεπτομέρειες σχετικά με την ιστορία γένεσης για το SupportLogic;

Όταν ξεκίνησα το SupportLogic, κοίταξα το τοπίο της αγοράς για τον κλάδο υποστήριξης και διαπίστωσα ότι όλες οι καινοτομίες στον χώρο υποστήριξης επικεντρώθηκαν στην εκτροπή της θήκης. Αυτό σημαίνει ότι ο καλύτερος τρόπος αντιμετώπισης ζητημάτων υποστήριξης είναι να τα εκτρέψετε – μακριά από μηχανικούς υποστήριξης και μακριά από πελάτες. Αυτό ήταν σε αντίθεση με αυτό που έβλεπα ως μηχανικός υποστήριξης προϊόντων – κάθε αλληλεπίδραση με τον πελάτη ήταν μια ευκαιρία να μάθετε για τους πελάτες σας και για το πώς λειτουργεί και δεν λειτουργεί το προϊόν. Αλλά με έκπληξη ανακάλυψα ότι δεν υπήρχαν εργαλεία εκεί έξω για να λύσουν αυτό το (μαθησιακό) πρόβλημα, οπότε είδα μια μεγάλη ευκαιρία εκεί.

Επίσης, παρατήρησα ότι η υποστήριξη συχνά αντιμετωπιζόταν ως κέντρο κόστους, κάτι που νόμιζα ότι ήταν ένας κοντόφθαλμος τρόπος αντιμετώπισης των πραγμάτων. Όταν βλέπετε την υποστήριξη ως κέντρο κερδοφορίας ή ως το κεντρικό νευρικό σύστημα μιας εταιρείας, μπορείτε πραγματικά να μεταμορφώσετε έναν οργανισμό και να τον κάνετε πραγματικά πελατοκεντρικό. Αυτό με οδήγησε να ξεκινήσω το SupportLogic.

Ποιες είναι μερικές από τις διαφορετικές τεχνολογίες μηχανικής εκμάθησης που χρησιμοποιούνται στο SupportLogic;

Όταν ξεκίνησε η εταιρεία, ήμουν αφελής υποθέτοντας ότι μπορούσαμε να χρησιμοποιήσουμε δημόσια διαθέσιμα API μηχανικής εκμάθησης. Υπάρχουν πολλά από αυτά – από την Amazon, τη Microsoft και την HPE – και όλα παρέχουν API μηχανικής εκμάθησης ως υπηρεσία. Προς έκπληξη και την απογοήτευσή μου, πολλά από αυτά τα μοντέλα μηχανικής εκμάθησης δεν λειτουργούσαν με το είδος των δεδομένων με τα οποία εργαζόμασταν (δεδομένα υποστήριξης πελατών). Αλλά συνειδητοποίησα ότι αυτή ήταν μια ευκαιρία και είπα, "γιατί δεν το χτίζουμε μόνοι μας;" Ξεκινήσαμε να χτίζουμε τη δική μας από την αρχή χρησιμοποιώντας υπάρχουσες τεχνολογίες ML από έργα ανοιχτού κώδικα, όπως το spaCy από το Πανεπιστήμιο Stanford και το Google BERT, και στη συνέχεια προσθέσαμε λίγη από τη δική μας "μυστική σάλτσα" πάνω από αυτό, χρησιμοποιώντας μια προσέγγιση μοντέλου συνόλου. Επίσης, προσαρμόζουμε το μοντέλο για κάθε πελάτη και το συγκεκριμένο σύνολο δεδομένων του, αντί να χρησιμοποιούμε μια φιλοσοφία που ταιριάζει σε όλους.

Θα μπορούσατε να συζητήσετε πώς η SupportLogic επιτρέπει στις εταιρείες να συνδέονται καλύτερα με τους πελάτες χρησιμοποιώντας βασικά σήματα;

Ένα από τα βασικά πράγματα που κάνουμε είναι να εξάγουμε το περιβάλλον πελατών χρησιμοποιώντας το NLP. Το πλαίσιο είναι πολύ σημαντικό επειδή το πλαίσιο συχνά χάνεται στη διαδικασία επισήμανσης των συστημάτων έκδοσης εισιτηρίων. Μπορείτε να προσθέσετε ετικέτα μόνο σε περιορισμένο αριθμό πληροφοριών σε αυτά τα συστήματα. Υπερέχουμε στην εξαγωγή του πλαισίου των πελατών, όπως για το τι είναι απογοητευμένοι, ποια είναι η εντύπωσή τους για το προϊόν σας ή την υποστήριξή σας ή τι προσπαθούν να κάνουν με το προϊόν σας. Υπάρχει μια ποικιλία σημάτων και περιβάλλοντος προς εξαγωγή. Κάνοντας αυτό σε πραγματικό χρόνο και δημιουργώντας ροές εργασιών στην πλατφόρμα μας, επιτρέπουμε στις εταιρείες να ενεργούν σύμφωνα με τα μηνύματα των πελατών και να διορθώνουν προληπτικά προβλήματα προτού να είναι πολύ αργά - που σημαίνει ότι ο πελάτης θυμώνει πολύ ή φεύγει για πάντα.

Ποιες είναι μερικές από τις άλλες δυνατότητες πίσω από το λογισμικό SupportLogic;

Μόλις αρχίσετε να εξάγετε σήματα πελατών από τις αλληλεπιδράσεις, αυτά τα σήματα γίνονται πολύ ισχυρά για αναλυτικά στοιχεία. Έχουμε μια ενότητα αναλυτικών στοιχείων που σας λέει πώς μοιάζει η φωνή του πελάτη, με βάση όλες τις αλληλεπιδράσεις. Στη συνέχεια προχωράμε ένα βήμα παραπέρα και χρησιμοποιούμε τα δεδομένα για να αρχίσουμε να κάνουμε προβλέψεις. Μπορούμε να προβλέψουμε τι θα συμβεί με έναν συγκεκριμένο λογαριασμό (πελάτη). Μπορούμε επίσης να προβλέψουμε – με βάση την κατάσταση του πελάτη – ποιος είναι ο καλύτερος ειδικός σε θέματα της εταιρείας για να βοηθήσει στην επίλυση του προβλήματος και στη συνέχεια να αντιστοιχίσουμε τον πελάτη με το κατάλληλο άτομο.

Και μπορούμε να εξετάσουμε τόσο τις εισερχόμενες όσο και τις εξερχόμενες συνομιλίες για να δώσουμε στους πράκτορες υπηρεσιών καθοδήγηση σχετικά με το τι πρέπει να κάνουν περισσότερο (ή λιγότερο) στις καθημερινές τους αλληλεπιδράσεις με τους πελάτες. Γίνεται ένα εξαιρετικό εργαλείο καθοδήγησης για να βοηθήσει τους πράκτορες σέρβις να αναπτύξουν τις soft skills τους και να βελτιώσουν τη συνολική τους απόδοση.

Υπάρχει κάτι άλλο που θα θέλατε να μοιραστείτε σχετικά με το SupportLogic;

Μία από τις κοινές παρερμηνείες που έχουν οι άνθρωποι με την τεχνητή νοημοσύνη είναι ότι πρόκειται για μια τεράστια επένδυση που είναι πολύ περίπλοκη και πολύπλοκη και ότι δεν θα δείτε καμία απόδοση για ένα χρόνο ή περισσότερο. Στην πραγματικότητα, οι τεχνολογίες AI και ML έχουν ωριμάσει πολύ και μπορούν να λειτουργήσουν στο υπάρχον σύνολο δεδομένων σας. Και μπορείτε να δείτε αποτελέσματα σε λίγους μήνες, όχι σε χρόνια. Λοιπόν, τώρα είναι η ώρα να επενδύσετε στην τεχνητή νοημοσύνη, επειδή μπορείτε να δείτε απίστευτα αποτελέσματα σε μήνες που μπορούν να αποφέρουν μεγάλα οφέλη για τον οργανισμό σας.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν SupportLogic.