Krishna Raj Raja, Διευθύνων Σύμβουλος και Ιδρυτής της SupportLogic – Σειρά Συνεντεύξεων

Ο Krishna Raj Raja, είναι ο Διευθύνων Σύμβουλος και Ιδρυτής της SupportLogic, της πρώτης παγκοσμίως συνεχούς πλατφόρμας διαχείρισης εμπειρίας υπηρεσιών (SX) που επιτρέπει στις εταιρείες να κατανοήσουν και να ενεργήσουν με βάση τη «Φωνή του Πελάτη» σε πραγματικό χρόνο, για να βελτιώσουν άμεσα την παροχή υπηρεσιών και να χτίσουν υγιείς και κερδοφόρες σχέσεις με τους πελάτες.

Περιγράφετε τον εαυτό σας ως «επιστήμονα γκιόζα», τι είναι αυτό που σας έχει τόσο ενθουσιασμένο με τον επιστημονικό κόσμο;

Για μένα, η επιστήμη είναι όλα για την περιέργεια γύρω από το πώς λειτουργεί ο κόσμος και ποια πρότυπα υπάρχουν στον κόσμο. Έχω αυτή την περιέργεια από την παιδική ηλικία, και έχει επεκταθεί στην επαγγελματική μου ζωή. Στη SupportLogic, ψάχνουμε για πρότυπα που υπάρχουν στη φυσική γλώσσα, και χρησιμοποιούμε αυτά τα πρότυπα για να προβλέψουμε πράγματα και να παρέχουμε συστάσεις. Αυτό είναι σαν η επιστήμη – προβλέπει πρότυπα, παρέχει συστάσεις και μας λέει πώς λειτουργεί ο κόσμος. Πολύ από ό,τι έχω μάθει στη ζωή μου είναι αυτοδίδακτο, επειδή προέρχεται από τη φυσική μου περιέργεια, όχι από τη формική εκπαίδευση.

Συνέχισα να αποκτήσω πτυχίο σε Χημικό Μηχανική, αλλά στη συνέχεια ακολούθησα ευκαιρίες στον υπολογιστικό κόσμο και τη μηχανική μάθηση. Μπορείτε να συζητήσετε αυτή την αλλαγή;

Ο πατέρας μου ήταν ένας επιτυχημένος επιχειρηματίας (στην επεξεργασία χάλυβα) και ελπίζει ότι μια μέρα θα αναλάβω την οικογενειακή επιχείρηση. Η χημική μηχανική φαινόταν να είναι η σωστή εκπαίδευση για να είμαι έτοιμος να κάνω αυτό. Αλλά ο υπολογιστικός κόσμος ήταν ένα πλάγιο πάθος για μένα για πολύ καιρό. Στην πραγματικότητα, η διπλωματική μου εργασία για το πτυχίο στη χημική μηχανική ήταν η δημιουργία ενός προγράμματος λογισμικού για το σχεδιασμό χημικών αντιδραστήρων.

Μετά τη ολοκλήρωση του πτυχίου στη χημική μηχανική, έγινε σαφές ότι ο υπολογιστικός κόσμος ήταν πραγματικά το αληθινό μου πάθος. Οι ικανότητές μου στον υπολογιστικό κόσμο είναι完全 αυτοδίδακτες, και όταν εντάχθηκα στη VMware όλοι οι συνάδελφοί μου είχαν διδακτορικά από σχολές της Ivy League στον υπολογιστικό κόσμο. Ήμουν ο λιγότερο προετοιμασμένος άνθρωπος στην ομάδα μου.

Ήσατε ένας από τους πρώτους υπαλλήλους στη VMware, όπου εργαστήκατε στη υποστήριξη και την υπηρεσία ως μηχανικός προϊόντος. Ποια ήταν κάποια από τα πιθανά πεδία για βελτίωση που παρατηρήσατε;

Ήμουν ένας μηχανικός λογισμικού που μετατράπηκε σε μηχανικό προϊόντος. Εντάχθηκα στη VMware επειδή η τεχνολογία τους ήταν φανταστική – ασχολούνταν με τα λειτουργικά συστήματα και είχα ένα đặcικό ενδιαφέρον σε αυτό. Βοηθούσα άλλους開発ητές λειτουργικών συστημάτων να χρησιμοποιούν τα προϊόντα της VMware καθημερινά. Λόγω του ιστορικού μου, έβλεπα τα πράγματα από δύο διαφορετικές οπτικές: 1) Πώς να κάνω αυτόν τον πελάτη χαρούμενο και να επιλύσω το ζήτημά του; και 2) Γιατί υπάρχει αυτό το πρόβλημα στο λογισμικό, και πώς μπορεί να επιλυθεί; Έβλεπα το προϊόν από την πλευρά όλων των ζητημάτων υποστήριξης. Ένα από τα πρώτα πράγματα που συνειδητοποίησα ήταν ότι όταν οι ομάδες προϊόντων αναπτύσσουν ένα προϊόν, δεν ξέρουν πραγματικά πώς θα αναπτυχθεί και θα χρησιμοποιηθεί, οπότε δεν προβλέπουν πολλά πράγματα κατά τη διαδικασία ανάπτυξης. Ωστόσο, η ομάδα υποστήριξης έχει μια καλή κατανόηση αυτών των ζητημάτων και μπορεί να δώσει πολύτιμη ανατροφοδότηση στις ομάδες προϊόντων, καθώς και σε άλλα τμήματα της εταιρείας. Το πρόβλημα είναι ότι αυτή η ανατροφοδότηση συνήθως χάνεται επειδή η ομάδα υποστήριξης εστιάζεται στο να επιλύσει το ζήτημα του πελάτη και στη συνέχεια να μεταβεί γρήγορα στο επόμενο ζήτημα. Αυτή η σημαντική πληροφορία δεν μεταφέρεται.

Μπορείτε να μοιραστείτε κάποια λεπτομέρειες για την ιστορία της SupportLogic;

Όταν ξεκίνησα τη SupportLogic, έψαξα το τοπίο της αγοράς για τη βιομηχανία υποστήριξης και βρήκα ότι όλες οι καινοτομίες στον χώρο της υποστήριξης επικεντρώνονταν στην απόκλιση των περιπτώσεων. Αυτό σημαίνει ότι ο καλύτερος τρόπος για να αντιμετωπιστούν τα ζητήματα υποστήριξης είναι να αποκλιθούν – μακριά από τους μηχανικούς υποστήριξης και μακριά από τους πελάτες. Αυτό ήταν σε αντίθεση με αυτό που είδα ως μηχανικός προϊόντος – κάθε αλληλεπίδραση πελάτη ήταν μια ευκαιρία να μάθουμε για τους πελάτες και για το πώς λειτουργεί και δεν λειτουργεί το προϊόν. Αλλά ήμουν έκπληκτος να βρω ότι δεν υπήρχαν εργαλεία εκεί έξω για να λύσουν αυτό το πρόβλημα, οπότε είδα μια μεγάλη ευκαιρία εκεί.

Επίσης, παρατήρησα ότι η υποστήριξη συχνά αντιμετωπίζεται ως ένα κέντρο κόστους, το οποίο σκέφτηκα ότι ήταν ένας μυωπικός τρόπος να δεις τα πράγματα. Όταν κοιτάξεις την υποστήριξη ως ένα κέντρο κέρδους ή ως το κεντρικό νευρικό σύστημα μιας εταιρείας, μπορείς πραγματικά να μεταμορφώσεις μια οργάνωση και να την κάνεις真正ικά πελάτη-κεντρική. Αυτό με οδήγησε να ξεκινήσω τη SupportLogic.

Ποια είναι κάποια από τα διαφορετικά τεχνολογικά εργαλεία μηχανικής μάθησης που χρησιμοποιούνται στη SupportLogic;

Όταν η εταιρεία ξεκίνησε, ήμουν αφελής να υποθέσω ότι μπορούσαμε να χρησιμοποιήσουμε δημόσιες API μηχανικής μάθησης. Υπάρχουν πολλά από αυτά – από την Amazon, τη Microsoft και την HPE – και όλα παρέχουν API μηχανικής μάθησης ως υπηρεσία. Για τη δυσάρεστη μου έκπληξη, πολλά από αυτά τα μοντέλα μηχανικής μάθησης δεν λειτουργούσαν με το είδος δεδομένων με τα οποία δούλευα (δεδομένα υποστήριξης πελάτη). Αλλά συνειδητοποίησα ότι αυτό ήταν μια ευκαιρία και είπα, «γιατί δεν τα χτίσουμε ourselves;» Ξεκινήσαμε να χτίζουμε τα δικά μας από την αρχή, χρησιμοποιώντας υφιστάμενα τεχνολογικά εργαλεία μηχανικής μάθησης από ανοιχτά προγράμματα, όπως το spaCy από το Πανεπιστήμιο του Στάνφορντ, και το Google BERT, και στη συνέχεια προσθέσαμε κάποιο «μυστικό» επάνω σε αυτά, χρησιμοποιώντας μια προσέγγιση συνόλου μοντέλων. Επίσης, βελτιστοποιούμε το μοντέλο για κάθε πελάτη και το συγκεκριμένο του σύνολο δεδομένων, αντί να χρησιμοποιούμε μια φιλοσοφία «ένα μέγεθος για όλους».

Μπορείτε να συζητήσετε πώς η SupportLogic επιτρέπει στις εταιρείες να συνδεθούν καλύτερα με τους πελάτες χρησιμοποιώντας βασικά σήματα;

Ένα από τα βασικά πράγματα που κάνουμε είναι να εξάγουμε το контέκστ πελάτη χρησιμοποιώντας NLP. Ο контέκστ είναι πολύ σημαντικός επειδή συχνά χάνεται στη διαδικασία επισήμανσης των συστημάτων εισιτηρίων. Μόνο μπορείτε να επισήματε μια περιορισμένη ποσότητα πληροφοριών σε αυτά τα συστήματα. Εξέχουμε στο να εξάγουμε το контέκστ πελάτη, όπως τι είναι απογοητευμένοι, τι είναι η εντύπωση τους για το προϊόν ή την υποστήριξή σας, ή τι προσπαθούν να κάνουν με το προϊόν σας. Υπάρχουν πολλά σήματα και контέκστ για εξαγωγή. Κάνοντας αυτό σε πραγματικό χρόνο και δημιουργώντας ροές εργασιών στην πλατφόρμα μας, επιτρέπουμε στις εταιρείες να ενεργήσουν με βάση τα σήματα πελάτη και να προλαμβάνουν προβλήματα πριν είναι太 αργά – με την έννοια ότι ο πελάτης γίνεται πολύ θυμωμένος ή φεύγει για πάντα.

Τι είναι κάποια από τα άλλα χαρακτηριστικά πίσω από το λογισμικό της SupportLogic;

Μόλις ξεκινήσετε να εξάγετε σήματα πελάτη από αλληλεπιδράσεις, αυτά τα σήματα γίνονται πολύ ισχυρά για ανάλυση. Έχουμε ένα μοντέλο ανάλυσης που σας λέει τι μοιάζει η φωνή του πελάτη, με βάση όλες τις αλληλεπιδράσεις. Στη συνέχεια, πάμε ένα βήμα παραπέρα και χρησιμοποιούμε τα δεδομένα για να αρχίσουμε να κάνουμε προβλέψεις. Μπορούμε να προβλέψουμε τι θα συμβεί με ένα συγκεκριμένο (πελάτη) λογαριασμό. Μπορούμε επίσης να προβλέψουμε – με βάση την κατάσταση πελάτη – ποιος είναι ο καλύτερος ειδικός σε θέματα της εταιρείας για να βοηθήσει να επιλύσει το πρόβλημα, και στη συνέχεια να τον συσχετίσουμε με τον σωστό άνθρωπο.

Και μπορούμε να κοιτάξουμε και τις εισερχόμενες και τις εξερχόμενες συνομιλίες για να δώσουμε οδηγίες στους υπαλλήλους υπηρεσιών για το τι πρέπει να κάνουν περισσότερο (ή λιγότερο) στην καθημερινή τους αλληλεπίδραση με τους πελάτες. Γίνεται ένα εξαιρετικό εργαλείο προπόνησης για να βοηθήσει τους υπαλλήλους υπηρεσιών να αναπτύξουν τις μαλακές τους δεξιότητες και να βελτιώσουν την συνολική τους απόδοση.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε για τη SupportLogic;

Ένα από τα κοινά λάθη που έχουν οι άνθρωποι με την AI είναι ότι είναι μια τεράστια επένδυση που είναι πολύ πολύπλοκη και ότι δεν θα δείτε κανένα αποτέλεσμα για πάνω από ένα χρόνο. Στην πραγματικότητα, η AI και τα τεχνολογικά εργαλεία μηχανικής μάθησης έχουν ωριμάσει πολύ, και μπορούν να λειτουργήσουν με το υφιστάμενο σας σύνολο δεδομένων. Και μπορείτε να δείτε αποτελέσματα σε λίγους μήνες, όχι σε χρόνια. Οπότε, τώρα είναι η ώρα να επενδύσετε στην AI επειδή μπορείτε να δείτε απίστευτα αποτελέσματα σε μήνες που μπορούν να αποφέρουν μεγάλα οφέλη για την οργάνωση σας.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν SupportLogic.