קרישנה ראג’ ראג’ה, מנכ”ל ומייסד של SupportLogic – סדרת ראיונות

קרישנה ראג’ ראג’ה, הוא מנכ”ל ומייסד של SupportLogic, פלטפורמת ניהול חוויית שירות (SX) רציפה, המאפשרת לחברות להבין ולנקוט פעולה על פי ‘קול הלקוח’ בזמן אמת, כדי לשפר מידית את אספקת השירות ולבנות מערכות יחסים בריאות ורווחיות עם לקוחות.

אתה מתאר את עצמך כ”חובב מדע”, מהו הדבר שבעולם המדעי שמעניין אותך כל כך?

בשבילי, מדע הוא כל העניין בסקרנות סביב האופן שבו העולם פועל ומהם הדפוסים שקיימים בעולם. יש לי סקרנות זו מילדות, והיא התרחבה לחיי המקצועיים שלי. ב-SupportLogic, אנו מחפשים דפוסים שקיימים בשפה טבעית, ומשתמשים באותם דפוסים כדי לחזות דברים ולספק המלצות. זה כמו מדע – הוא חוזה דפוסים, מספק המלצות ומספר לך כיצד העולם פועל. רבים מהדברים שלמדתי בחיי הם עצמאיים, כי הם באו מסקרנות טבעית, ולא מחינוך פורמלי.

המשכת ללמוד תואר בהנדסת כימית, אך לאחר מכן פנית לאפשרויות במדעי המחשב ולמידת מכונה. האם תוכל לדון בשינוי הזה?

אבא שלי היה בעל עסק מוצלח (בעיבוד פלדה) והוא קיווה שיום אחד אקח על עצמי את העסק המשפחתי. הנדסת כימית נראתה כאימון הנכון כדי להיות מוכן לעשות זאת. אבל מדעי המחשב היה תשוקה צדדית בשבילי במשך זמן רב. בעובדה, עבודת הגמר שלי לתואר בהנדסת כימית הייתה יצירת תוכנה לתכנון מיכון כימי.

לאחר שסיימתי את התואר בהנדסת כימית, היה ברור שמדעי המחשב היה באמת התשוקה האמיתית שלי. כישורי מדעי המחשב הם כולם עצמאיים, וכאשר הצטרפתי ל-VMware כל עמיתיי היו בעלי תואר דוקטור מאוניברסיטאות הליגה האיבי במדעי המחשב. הייתי האדם הפחות מוכשר בצוות שלי.

היית עובד מוקדם ב-VMware, שם עבדת בתמיכה ושירות כמהנדס תמיכה מוצר. מה היו כמה מהאזורים הפוטנציאליים לשיפור שצפית?

הייתי מהנדס תוכנה שהפך למהנדס תמיכה מוצר. הצטרפתי ל-VMware בגלל שהטכנולוגיה שלהם הייתה מרתקת – הם עסקו במערכות הפעלה ויש לי עניין מיוחד בזה. עזרתי למפתחי מערכות הפעלה אחרים להשתמש במוצרי VMware בכל יום. בגלל רקעי, הסתכלתי על דברים משני זוויות: 1) כיצד אני יכול להעשיר את הלקוח הזה ולפתור את בעייתו; ו-2) למה בעיה זו קיימת בתוכנה, וכיצד ניתן לתקנה? הסתכלתי על היבט המוצר של כל בעיות התמיכה. אחד הדברים הראשונים שהבנתי היה שכאשר צוותי מוצר מפתחים מוצר, הם באמת לא יודעים כיצד הוא יותקן ויישתמש, אז הם לא חוזים הרבה דברים בתהליך הפיתוח. הצוות התומך, לעומת זאת, מחזיק בידיעה טובה על אותם נושאים ויכול לספק משוב יקר ערך לצוותי המוצר ולמחלקות אחרות בחברה. הבעיה היא שמשוב זה בדרך כלל אובד כי צוות התמיכה מתמקד בפתרון בעיה של לקוח ואז מיד עובר לבעיה הבאה. מידע חשוב זה לא מועבר הלאה.

האם תוכל לשתף כמה פרטים על סיפור המקור של SupportLogic?

כאשר התחלתי SupportLogic, הסתכלתי על נוף השוק לתעשיית התמיכה ומצאתי שכל החידושים בתחום התמיכה התמקדו בהסטת תיקים. זאת אומרת שהדרך הטובה ביותר לטפל בבעיות תמיכה היא להסטן – הרחק ממהנדסי התמיכה, והרחק מהלקוחות. זה היה בסתירה למה שראיתי כמהנדס תמיכה מוצר – כל אינטראקציה עם לקוח הייתה הזדמנות ללמוד על לקוחותיך ועל איך המוצר עובד ואיך הוא לא עובד. אבל הייתי מופתע לגלות שלא היו כלים שם כדי לפתור את הבעיה הזו (בעיה של למידה), אז ראיתי הזדמנות גדולה שם.

כמו כן, שמתי לב שהתמיכה לעיתים קרובות נוהלה כמרכז עלות, מה שחשבתי להיות דרך קצרת ראייה. כאשר אתה מסתכל על תמיכה כמרכז רווח או כמערכת העצבים המרכזית של חברה, אתה יכול באמת להפוך ארגון ולהפוך אותו לממש ממוקד לקוח. זה מה שהוביל אותי להתחיל SupportLogic.

מהם כמה מהטכנולוגיות למידת מכונה השונות המשמשות ב-SupportLogic?

כאשר החברה התחילה, הייתי נאיבי בהנחה שאנו יכולים להשתמש ב-API מלמדי מכונה ציבוריים. יש הרבה מהם – מ-Amazon, Microsoft ו-HPE – והם כולם מספקים API של מלמדי מכונה כשירות. לצערי ולהפתעתי, רבים ממודלי מלמדי המכונה האלה לא עבדו עם סוג הנתונים שאנו עובדים איתו (נתוני תמיכת לקוח). אבל הבנתי שזו היא הזדמנות ואמרתי, “למה שלא נבנה את זה בעצמנו?” התחלנו לבנות את זה מאפס, באמצעות טכנולוגיות ML קיימות מפרויקטים מקור פתוח, כמו spaCy מאוניברסיטת סטנפורד, ו-Google BERT, ואז הוספנו קצת “רוטב סודי” משלנו, באמצעות גישת מודל אנסמבל. אנו גם מסננים את המודל לכל לקוח ונתוניו הספציפיים, במקום להשתמש בפילוסופיה של “גודל אחד מתאים לכולם”.

האם תוכל לדון באיך SupportLogic מאפשרת לחברות להתחבר טוב יותר עם לקוחותיהן באמצעות אותות מפתח?

אחד הדברים החשובים שאנו עושים הוא משיכת הקשר של הלקוח באמצעות NLP. הקשר הוא חשוב מאוד כי הקשר לעיתים קרובות אובד בתהליך התיוג של מערכות כרטיסים. אתה יכול רק לתייג מידע מוגבל במערכות האלה. אנו מצטיינים במשיכת הקשר של הלקוח, כגון מה הם מתוסכלים, מה הרושם שלהם על המוצר או התמיכה שלכם, או מה הם מנסים לעשות עם המוצר שלכם. יש מגוון של אותות וקשר למשיכה. באמצעות עשיית זאת בזמן אמת ויצירת זרימות עבודה בפלטפורמה שלנו, אנו מאפשרים לחברות לנקוט פעולה על פי אותות הלקוח ולתקן בעיות מראש, לפני שזה מאוחר מדי – כלומר, הלקוח מאוד כועס או עוזב לתמיד.

מהם כמה מהיכולות האחרות מאחורי תוכנת SupportLogic?

כאשר אתה מתחיל למשוך אותות לקוח מאינטראקציות, אותות אלה הופכים למאוד חזקים לניתוח. יש לנו מודול ניתוח שמספר לך מה נראה ‘קול הלקוח’, על בסיס כל האינטראקציות. אז אנו הולכים צעד אחד רחוק יותר ומשתמשים בנתונים כדי להתחיל לעשות חיזויים. אנו יכולים לחזות מה יקרה עם חשבון לקוח מסוים. אנו גם יכולים לחזות – על בסיס מצב הלקוח – מי הוא המומחה הטוב ביותר בחברה לעזור לתקן את הבעיה, ואז לחבר את הלקוח עם אותו אדם הנכון.

ואנו יכולים להסתכל על שיחות פנימיות וחיצוניות כדי לתת לסוכני שירות הדרכה על מה הם צריכים לעשות יותר (או פחות) באינטראקציות היומיומיות עם לקוחות. זה הופך לכלי אימון גדול כדי לעזור לסוכני שירות לפתח את המיומנויות הרכות שלהם ולשפר את ביצועיהם הכלליים.

האם יש משהו אחר שתרצה לשתף על SupportLogic?

אחת האילוזיות הנפוצות שאנשים הם עם AI היא שזה השקעה עצומה שמעורבת ומורכבת, ושלא תראה שום תשואה עליה בשנה או יותר. במציאות, טכנולוגיות AI ו-ML הבשילו הרבה, ויכולות לעבוד על סט הנתונים הקיים שלכם. ואתה יכול לראות תוצאות בתוך חודשים, לא בשנים. אז, עכשיו הוא הזמן להשקיע ב-AI, כי אתה יכול לראות תוצאות מדהימות בחודשים שיכולות להניב יתרונות גדולים לארגונך.

תודה על הראיון הנהדר, קוראים שרוצים ללמוד יותר צריכים לבקר בSupportLogic.