Krishna Raj Raja, SupportLogic – haastattelusarjan toimitusjohtaja ja perustaja

Krishna Raj Raja on yhtiön toimitusjohtaja ja perustaja SupportLogic, maailman ensimmäinen jatkuvan palvelukokemuksen (SX) hallintaalusta, jonka avulla yritykset voivat ymmärtää "asiakkaan ääntä" ja toimia sen mukaan reaaliajassa parantaakseen välittömästi palveluiden toimitusta ja rakentaakseen terveitä ja kannattavia asiakassuhteita.

Kuvailet itseäsi "tieteen nörttinä", mikä on tieteellisessä maailmassa, mikä on sinua niin ihastunut?

Minulle tiede on kyse uteliaisuudesta sen suhteen, miten maailma toimii ja mitä malleja maailmassa on. Minulla on ollut tämä uteliaisuus lapsuudesta asti, ja se on ulottunut työelämääni. SupportLogicissa etsimme luonnollisella kielellä olevia malleja ja käytämme niitä ennakoimaan asioita ja antamaan suosituksia. Tämä on kuin tiede – se ennustaa malleja, antaa suosituksia ja kertoo kuinka maailma toimii. Suuri osa siitä, mitä olen elämässäni oppinut, on itseoppinutta, koska se tuli luonnollisesta uteliaisuudestani, ei muodollisesta koulutuksesta.

Valmistit kemiantekniikan tutkinnon, mutta päädyit etsimään mahdollisuuksia tietojenkäsittelytieteessä ja koneoppimisessa. Voitko keskustella tästä kierteestä?

Isäni oli menestyvä yrittäjä (teräksenjalostuksessa), ja hän toivoi, että jonain päivänä otan perheyrityksen haltuuni. Kemiantekniikka tuntui oikealta koulutukselta ollakseen valmis siihen. Mutta tietojenkäsittelytiede oli ollut minulle sivuintohimo jo pitkään. Itse asiassa kemiantekniikan tutkinnon opinnäytetyöni oli ohjelmiston luominen kemiallisen reaktorin suunnitteluun.

Kemianinsinöörin tutkinnon suorittamisen jälkeen kävi selväksi, että tietojenkäsittelytiede oli todellinen intohimoni. Tietojenkäsittelytaitoni ovat täysin itseoppineita, ja kun liityin VMwareen, kaikilla kollegoillani oli tohtorintutkinto Ivy Leaguen tietotekniikan kouluista. Olin tiimini alipätevin henkilö.

Olit varhainen työntekijä VMwaressa, jossa työskentelit tuki- ja palvelualalla tuotetuki-insinöörinä. Mitä parannuskohteita havaitsit?

Olin ohjelmistosuunnittelija, josta tuli tuotetuki-insinööri. Liityin VMwareen, koska heidän teknologiansa oli kiehtovaa – he käsittelivät käyttöjärjestelmiä ja se oli minulle erityisen kiinnostunut. Auttelin muita käyttöjärjestelmien kehittäjiä käyttämään VMware-tuotteita päivittäin. Taustani vuoksi katsoin asioita kahdesta eri näkökulmasta: 1) Miten teen tämän asiakkaan onnelliseksi ja ratkaisen hänen ongelmansa; ja 2) Miksi tämä ongelma esiintyy ohjelmistossa ja miten se voidaan korjata? Tarkastelin tuotenäkökulmaa kaikissa tukiongelmissa. Yksi ensimmäisistä asioista, jonka tajusin, oli se, että kun tuotetiimit kehittävät tuotetta, he eivät todellakaan tiedä, miten se otetaan käyttöön ja käytetään, joten he eivät ennakoi monia asioita kehitysprosessin aikana. Tukitiimillä on kuitenkin hyvä käsitys näistä asioista ja se voi antaa arvokasta palautetta tuotetiimeille sekä muille yrityksen osastoille. Ongelmana on, että tämä palaute yleensä katoaa, koska tukitiimi keskittyy korjaamaan asiakasongelman ja siirtymään nopeasti seuraavaan ongelmaan. Tärkeää tietoa ei välitetä eteenpäin.

Voitko kertoa joitain yksityiskohtia SupportLogicin syntytarinasta?

Kun aloitin SupportLogicin, katsoin tukialan markkinamaisemaa ja huomasin, että kaikki tukitilan innovaatiot keskittyivät kotelon poikkeamiseen. Tämä tarkoittaa, että paras tapa käsitellä tukiongelmia on ohjata ne pois tukiinsinööreistä ja asiakkaista. Tämä oli ristiriidassa sen kanssa, mitä näin tuotetuki-insinöörinä – jokainen asiakasvuorovaikutus oli tilaisuus oppia asiakkaistasi ja siitä, kuinka tuote toimii ja ei toimi. Mutta olin yllättynyt huomatessani, että tämän (oppimis)ongelman ratkaisemiseksi ei ollut työkaluja, joten näin suuren mahdollisuuden.

Huomasin myös, että tukea pidettiin usein kustannuspaikkana, mikä oli mielestäni lyhytnäköinen tapa katsoa asioita. Kun katsot tukea tuloskeskuksena tai yrityksen keskushermostona, voit todella muuttaa organisaation ja tehdä siitä aidosti asiakaskeskeisen. Tämä sai minut aloittamaan SupportLogicin.

Mitä erilaisia ​​koneoppimistekniikoita käytetään SupportLogicissa?

Kun yritys aloitti, olin naiivi olettaessani, että voisimme käyttää julkisesti saatavilla olevia koneoppimissovellusliittymiä. Niitä on paljon – Amazonilta, Microsoftilta ja HPE:ltä – ja ne kaikki tarjoavat koneoppimissovellusliittymiä palveluna. Yllätyksekseni ja pettymykseksi monet näistä koneoppimismalleista eivät toimineet sen tyyppisten tietojen kanssa, joiden kanssa työskentelimme (asiakastukitiedot). Mutta tajusin, että tämä oli mahdollisuus, ja sanoin: "Miksi emme rakentaisi sitä itse?" Aloimme rakentaa omaa tyhjästä käyttämällä olemassa olevia avoimen lähdekoodin ML-tekniikoita, kuten Stanfordin yliopiston spaCy ja Google BERT, ja lisäsimme sen päälle omaa "salaista kastiketta" käyttämällä kokonaismallilähestymistapaa. Hienosäädämme myös mallin jokaiselle asiakkaalle ja hänen tietojoukolleen sen sijaan, että käyttäisimme yhden koon -filosofiaa.

Voisitko keskustella siitä, kuinka SupportLogic auttaa yrityksiä saamaan yhteyden asiakkaisiin avainsignaalien avulla?

Yksi keskeisistä asioista, joita teemme, on asiakkaan kontekstin poimiminen NLP:n avulla. Konteksti on erittäin tärkeä, koska konteksti usein katoaa lippujärjestelmien merkintäprosessissa. Näissä järjestelmissä voit merkitä vain rajoitetun määrän tietoja. Erinomaisesti poimimme asiakaskontekstin, kuten mistä he ovat turhautuneita, mikä on heidän käsityksensä tuotteestasi tai tuestasi tai mitä he yrittävät tehdä tuotteellasi. Poimittavia signaaleja ja kontekstia on useita. Tekemällä tämän reaaliajassa ja luomalla alustallemme työnkulkuja, annamme yrityksille mahdollisuuden toimia asiakkaiden signaalien mukaan ja ennaltaehkäisevästi korjata ongelmat ennen kuin on liian myöhäistä – eli asiakas suuttuu tai katoaa ikuisesti.

Mitä muita ominaisuuksia SupportLogic-ohjelmistolla on?

Kun alat poimia asiakassignaaleja vuorovaikutuksista, niistä tulee erittäin tehokkaita analytiikan kannalta. Meillä on analytiikkamoduuli, joka kertoo, miltä asiakkaan ääni näyttää kaiken vuorovaikutuksen perusteella. Sitten menemme askeleen pidemmälle ja käytämme tietoja ennusteiden tekemiseen. Voimme ennustaa, mitä tietylle (asiakas) tilille tapahtuu. Voimme myös ennustaa – asiakastilanteen perusteella – kuka on yrityksen paras aiheen asiantuntija auttamaan ongelman korjaamisessa, ja sitten sovittaa asiakkaan oikeaan henkilöön.

Ja voimme tarkastella sekä saapuvia että lähteviä keskusteluja antaaksemme palveluagenteille ohjeita siitä, mitä heidän pitäisi tehdä enemmän (tai vähemmän) päivittäisessä vuorovaikutuksessaan asiakkaiden kanssa. Siitä tulee loistava valmennustyökalu, joka auttaa palveluagentteja kehittämään pehmeitä taitojaan ja parantamaan yleistä suorituskykyään.

Onko jotain muuta, mitä haluaisit jakaa SupportLogicista?

Yksi yleisimmistä väärinkäsityksistä, joita ihmiset pitävät tekoälystä, on, että se on valtava investointi, joka on erittäin monimutkainen ja että et näe siitä mitään tuottoa vuoteen tai pidempään. Todellisuudessa tekoäly- ja ML-tekniikat ovat kehittyneet paljon ja voivat toimia olemassa olevan tietojoukon kanssa. Ja voit nähdä tulokset muutamassa kuukaudessa, ei vuosissa. Joten nyt on aika investoida tekoälyyn, koska voit nähdä kuukausissa uskomattomia tuloksia, jotka voivat tuottaa suuria etuja organisaatiollesi.

Kiitos upeasta haastattelusta, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä SupportLogic.