Krishna Raj Raja, CEO og grunnlegger av SupportLogic – Intervju-serie

Krishna Raj Raja er CEO og grunnlegger av SupportLogic, verdens første kontinuerlige service-erfaring (SX) management-plattform som gjør det mulig for bedrifter å forstå og handle på “kundens stemme” i sanntid for å umiddelbart forbedre servicenivået og bygge sunne og lønnsomme kunde-relasjoner.

Du beskriver deg selv som en “vitenskaps-nørd”, hva er det med den vitenskapelige verden som har deg så betatt?

For meg er vitenskap alltid om å være nysgjerrig på hvordan verden fungerer og hva slags mønster som finnes i verden. Jeg har hatt denne nysgjerrigheten siden barndommen, og den har fortsatt inn i mitt profesjonelle liv. Hos SupportLogic ser vi etter mønster som finnes i naturlig språk, og bruker disse mønsterne til å forutsi ting og gi anbefalinger. Dette er som vitenskap – det forutsier mønster, gir anbefalinger og forteller deg hvordan verden fungerer. Mye av det jeg har lært i livet mitt er selv-lært fordi det kom fra min naturlige nysgjerrighet, ikke fra formell utdanning.

Du tok en grad i kjemisk ingeniør, men gikk så over til å søke muligheter i datavitenskap og maskinlæring. Kan du diskutere denne endringen?

Min far var en suksessfull forretningsmann (i stålprosessering) og han håpet at en dag skulle jeg ta over familiebedriften. Kjemisk ingeniør virket å være riktig utdanning for å være klar til å gjøre det. Men datavitenskap hadde vært en side-passion for meg en stund. Faktisk var mitt hovedfag i kjemisk ingeniør en software-program for kjemisk reaktor-design.

Etter at jeg fullførte min grad i kjemisk ingeniør, ble det tydelig at datavitenskap virkelig var min sanne lidenskap. Mine ferdigheter i datavitenskap er fullstendig selv-lærte, og da jeg ble med i VMware var alle mine kolleger PhD-er fra Ivy League-skoler i datavitenskap. Jeg var den minst kvalifiserte personen på mitt team.

Du var en av de første ansatte i VMware, der du jobbet i support og tjenester som en produkt-støtte-ingeniør. Hva var noen av de potensielle områdene for forbedring som du observerte?

Jeg var en programvare-ingeniør som ble en produkt-støtte-ingeniør. Jeg ble med i VMware fordi deres teknologi var fascinerende – de håndterte operativsystemer og jeg hadde en spesiell interesse for det. Jeg hjalp andre operativsystem-utviklere å bruke VMware-produkter på en daglig basis. På grunn av min bakgrunn, så jeg på ting fra to forskjellige vinkler: 1) Hvordan kan jeg gjøre denne kunden glad og løse deres problem; og 2) Hvorfor eksisterer dette problemet i programvaren, og hvordan kan det fikses? Jeg så på produkt-aspektene av alle support-problemene. En av de første tingene jeg innsett var at når produkt-team utvikler et produkt, vet de virkelig ikke hvordan det vil bli brukt, så de forutser ikke mange ting under utviklingsprosessen. Imidlertid har support-teamet en god hånd på disse problemene og kan gi verdifull tilbakemelding til produkt-teamene samt andre avdelinger i bedriften. Problemet er at denne tilbakemeldingen vanligvis går tapt fordi support-teamet er fokusert på å fikse et kunde-problem og deretter raskt gå over til neste problem. Denne viktige informasjonen blir ikke overført.

Kunne du dele noen detaljer om opphavshistorien til SupportLogic?

Når jeg startet SupportLogic, så jeg på markedslandskapet for support-industrien og fant at alle innovasjonene i support-rommet var fokusert på sak-avledning. Dette betyr at den beste måten å håndtere support-problemer er å avlede dem – bort fra support-ingeniører og bort fra kundene. Dette var i konflikt med hva jeg så som en produkt-støtte-ingeniør – hver kunde-interaksjon var en mulighet til å lære om kundene og om hvordan produktet fungerer og ikke fungerer. Men jeg ble overrasket over å finne at det ikke var verktøy der ute for å løse dette (lærings-)problemet, så jeg så en stor mulighet der.

Og jeg la merke til at support ofte ble behandlet som en kostnads-senter, noe jeg mente var en kort-siktig måte å se på tingene på. Når du ser på support som en gevinst-senter eller som det sentrale nervesystemet i en bedrift, kan du virkelig transformere en organisasjon og gjøre dem virkelig kunde-sentriske. Det var det som ledet meg til å starte SupportLogic.

Hva er noen av de forskjellige maskinlærings-teknologiene som brukes i SupportLogic?

Når bedriften startet, var jeg naiv i å anta at vi kunne bruke offentlig tilgjengelige maskinlærings-API-er. Det finnes mange av dem – fra Amazon (AMZN ), Microsoft og HPE – og de tilbyr alle maskinlærings-API-er som en tjeneste. Til min overraskelse og skuffelse, fungerte mange av disse maskinlærings-modellene ikke med den type data vi arbeidet med (kunde-support-data). Men jeg innsett at dette var en mulighet og sa: “Hvorfor ikke bygge det selv?” Vi startet å bygge vårt eget fra scratch ved å bruke eksisterende ML-teknologier fra åpne kilde-prosjekter, som spaCy fra Stanford University og Google (GOOGL ) BERT, og deretter la til litt av vår egen “hemmelig saus” på toppen av det, ved å bruke en ensemble-modell-tilnærming. Vi finjusterer også modellen for hver kunde og deres spesifikke data-sett, i stedet for å bruke en en-størrelse-til-alle-filosofi.

Kunne du diskutere hvordan SupportLogic muliggjør at bedrifter bedre kan koble til kundene sine ved å bruke nøkkel-signaler?

En av de viktigste tingene vi gjør er å trekke ut kunde-kontekst ved å bruke NLP. Konteksten er veldig viktig fordi konteksten ofte går tapt i merking-prosessen av billett-systemer. Du kan bare merke en begrenset mengde informasjon i disse systemene. Vi er gode til å trekke ut kunde-kontekst, som hva de er frustrert over, hva deres inntrykk av produktet eller supporten er, eller hva de prøver å gjøre med produktet. Det finnes en rekke signaler og kontekst å trekke ut. Ved å gjøre dette i sanntid og lage arbeidsflyter i vår plattform, lar vi bedrifter handle på kunde-signaler og forebygge problemer før det er for sent – det vil si at kunden blir veldig sint eller forlater for alltid.

Hva er noen av de andre funksjonene bak SupportLogic-programvaren?

Når du først begynner å trekke ut kunde-signaler fra interaksjoner, blir disse signalene veldig kraftfulle for analyser. Vi har en analyse-modul som forteller deg hva kundens stemme ser ut som, basert på alle interaksjonene. Deretter går vi et skritt videre og bruker dataene til å begynne å gjøre forutsigelser. Vi kan forutsi hva som vil skje med en bestemt (kunde-)konto. Vi kan også forutsi – basert på kundens situasjon – hvem som er den beste fag-eksperten i bedriften til å hjelpe med å fikse problemet, og deretter matche kunden med den riktige personen.

Og vi kan se på både innkommende samtaler og utgående samtaler for å gi service-agenter veiledning på hva de bør gjøre mer (eller mindre) av i deres dag-til-dag-interaksjoner med kundene. Det blir et flott verktøy for å hjelpe service-agenter å utvikle sine bløffe ferdigheter og forbedre deres totale ytelse.

Er det noe annet du ville like å dele om SupportLogic?

En av de vanlige misforståelsene folk har med AI er at det er en massiv investering som er veldig komplisert, og at du ikke vil se noen resultater på det i ett år eller mer. I virkeligheten har AI- og ML-teknologiene moden mye, og kan fungere på din eksisterende data-sett. Og du kan se resultater på noen måneder, ikke på ett år eller mer. Så nå er tiden å investere i AI fordi du kan se fantastiske resultater på noen måneder som kan gi store fordeler for din organisasjon.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke SupportLogic.