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 συνεχούς πλατφόρμας διαχείρισης εμπειρίας υπηρεσιών (SX) που επιτρέπει στις εταιρείες να κατανοούν και να ενεργούν 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.

Περιγράψτε τον εαυτό σας ως «επιστήμονα γEEK», 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 σας λέει πώς λειτουργεί ο κόσμος. Πολύ από ό,τι έχω μάθει στη ζωή μου είναι αυτοδίδακτο, επειδή προέρχεται από την φυσική μου περιέργεια, όχι από την επίσημη εκπαίδευση.

Πήγατε να σπουδάσετε χημική μηχανική, αλλά στη συνέχεια ακολούθησαν ευκαιρίες στην επιστήμη των υπολογιστών και το machine learning. Μπορείτε να συζητήσετε αυτή τη στροφή;

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 το κάνω. Nhưng η επιστήμη των υπολογιστών ήταν μια πλευρική αγάπη για μένα για πολύ καιρό. Στην πραγματικότητα, η διπλωματική μου εργασία για το πτυχίο χημικής μηχανικής ήταν η δημιουργία ενός προγράμματος λογισμικού για το σχεδιασμό χημικών αντιδραστήρων.

Ήσατε ένας από τους πρώτους υπαλλήλους στην VMware, όπου εργαστήκατε στην υποστήριξη και την υπηρεσία ως μηχανικός υποστήριξης προϊόντων. Ποια ήταν κάποια από τα πιθανά σημεία για βελτίωση που παρατηρήσατε;

Ήμουν ένας μηχανικός λογισμικού που μετατράπηκε σε μηχανικό υποστήριξης προϊόντων. Εντάχθηκα στην VMware επειδή η τεχνολογία τους ήταν fascinující – ασχολούνταν με τα λειτουργικά συστήματα και είχα ένα đặcικό ενδιαφέρον σε αυτό. Βοηθούσα άλλους développers λειτουργικών συστημάτων να χρησιμοποιούν τα προϊόντα της VMware καθημερινά. Λόγω του背景 μου, έβλεπα τα πράγματα από δύο διαφορετικές γωνίες: 1) Πώς να κάνω αυτόν τον πελάτη ευτυχισμένο και να λύσω το ζήτημα; 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 κατάλαβα ήταν ότι όταν οι ομάδες προϊόντων αναπτύσσουν ένα προϊόν, δεν ξέρουν πραγματικά πώς 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 λύσει 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 γένεσης της SupportLogic;

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

Τι είναι κάποια από τα διαφορετικά τεχνολογικά προϊόντα machine learning που χρησιμοποιούνται στη SupportLogic;

Όταν η εταιρεία ξεκίνησε, ήμουν αφελής να υποθέσω ότι θα μπορούσαμε να χρησιμοποιήσουμε δημόσιες API machine learning. Υπάρχουν πολλά από αυτά – από την Amazon (AMZN ), τη Microsoft και την HPE – και όλα παρέχουν API machine learning ως υπηρεσία. Για να μου τη δώσει η έκπληξη και η απογοήτευση, πολλά από αυτά τα μοντέλα machine learning δεν λειτουργούσαν με τον τύπο δεδομένων με τον οποίο δούλευα (δεδομένα υποστήριξης πελατών). Nhưng κατάλαβα ότι αυτό ήταν μια ευκαιρία και είπα: «γιατί δεν τα χτίσουμε ourselves;» Ξεκινήσαμε να χτίζουμε τα δικά μας από την αρχή, χρησιμοποιώντας υπάρχουσες τεχνολογίες ML από ανοιχτά προγράμματα, όπως το spaCy από το Πανεπιστήμιο του Στάνφορντ και το Google (GOOGL ) BERT, και στη συνέχεια προσθέσαμε κάποιο «μυστικό» επάνω σε αυτά, χρησιμοποιώντας μια προσέγγιση μοντέλου συνόλου. Επίσης, βελτιστοποιούμε το μοντέλο για κάθε πελάτη και τα συγκεκριμένα δεδομένα του, 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 κρίσιμους σηματοδότες;

Ένα από τα κύρια πράγματα που κάνουμε είναι να εξάγουμε το контέκστ της πελάτη χρησιμοποιώντας NLP. Ο контέκστ είναι πολύ σημαντικός επειδή συχνά χάνεται στη διαδικασία 태γिंγ των συστημάτων ticketing. Μόνο μπορείτε να 태γίσετε μια περιορισμένη ποσότητα πληροφοριών σε αυτά τα συστήματα. Είμαστε ιδιαίτερα καλοί στην εξαγωγή του контέκστ της πελάτη, όπως τι είναι απογοητευμένοι, ποια είναι η εντύπωση τους για το προϊόν ή την υποστήριξή σας, ή τι προσπαθούν να κάνουν με το προϊόν σας. Υπάρχουν διάφοροι σηματοδότες και контέκστ για εξαγωγή. Κάνοντας αυτό σε πραγματικό χρόνο και δημιουργώντας ροές εργασίας στην πλατφόρμα μας, επιτρέπουμε στις εταιρείες να ενεργούν σε σηματοδότες πελάτη και να προλαμβάνουν προβλήματα πριν είναι слишком αργά – δηλαδή ο πελάτης γίνεται πολύ θυμωμένος ή φεύγει για πάντα.

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

Μόλις αρχίσετε να εξάγετε σηματοδότες πελάτη από αλληλεπιδράσεις, αυτοί οι σηματοδότες γίνονται πολύ ισχυροί για ανάλυση. Έχουμε ένα 모듈 ανάλυσης που σας λέει τι είναι 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 του πελάτη – ποιος είναι ο καλύτερος ειδικός θέματος στην εταιρεία για να βοηθήσει να λυθεί το πρόβλημα και στη συνέχεια να ταιριάξουμε τον πελάτη με τον σωστό άνθρωπο.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με τη SupportLogic;

Ένα από τα συνηθισμένα λάθη που έχουν οι άνθρωποι με το AI είναι ότι είναι μια τεράστια επένδυση που είναι πολύ πολύπλοκη και ότι δεν θα δείτε κανένα αποτέλεσμα για ένα χρόνο ή περισσότερο. Στην πραγματικότητα, τα AI και ML έχουν ωριμάσει πολύ και μπορούν να δουλέψουν με το υπάρχον σας δεδομένο σύνολο. Και μπορείτε να δείτε αποτελέσματα σε λίγους μήνες, όχι σε χρόνια. Οπότε, τώρα είναι η ώρα να επενδύσετε στο 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 θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν SupportLogic.