Mark Hughes, Współzałożyciel i CEO w Solidroad – Seria wywiadów

Mark Hughes, Współzałożyciel i CEO w Solidroad, to przedsiębiorca i lider ds. wejścia na rynek, który zbudował swoją karierę na skrzyżowaniu sprzedaży, doświadczenia klienta i technologii. Wcześniej założył Gradguide, platformę karier i rekrutacji, która zebrała 2 miliony euro i została później przejęta, oraz pełnił stanowiska kierownicze w Chargify, gdzie kierował operacjami w regionie EMEA po połączeniu z Maxio. Wcześniej w swojej karierze rozwinął głęboką wiedzę w zakresie sprzedaży o wysokiej prędkości i przedsiębiorstw w Intercom, zarządzając złożonymi cyklami umów i pomagając zespołom przychodów w skalowaniu. Dziś kieruje Solidroad z San Francisco, stosując ten doświadczenie do ponownego rozważenia, w jaki sposób firmy oceniają i poprawiają interakcje z klientami za pomocą sztucznej inteligencji, ze szczególnym uwzględnieniem podniesienia poprzeczki jakościowej w obu systemach wsparcia ludzkiego i zautomatyzowanego.

Solidroad to platforma jakości i szkolenia wspomaganych przez sztuczną inteligencję, zaprojektowana dla nowoczesnych zespołów doświadczenia klienta, zbudowana w celu analizy i poprawy każdej interakcji z klientem w skali. Platforma pobiera rozmowy na różnych kanałach, ocenia wyniki w oparciu o standardy firmy i generuje personalizowane symulacje szkoleniowe w celu ciągłego optymalizowania zarówno agentów ludzkich, jak i systemów sztucznej inteligencji. Zamiast zastępować zespoły wsparcia klienta, Solidroad koncentruje się na ich udoskonaleniu, zmieniając każdą interakcję w pętlę sprzężenia zwrotnego, która poprawia wyniki, takie jak jakość odpowiedzi, wydajność i zadowolenie klienta. Firma pozycjonuje się jako infrastruktura dla zespołów CX o wysokiej wydajności, pomagając organizacjom dostarczać spójne, wysokiej jakości doświadczenia bez zwiększania kosztów operacyjnych.

Większość firm nadal polega na przeglądzie niewielkiej próby interakcji z klientami w celu oceny ich wydajności. Co przekonało Cię, że ten podejście jest fundamentalnie błędne, i jak to przekonanie doprowadziło do budowy podejścia Solidroad do ciągłego monitorowania, oceniania i poprawy zarówno ludzkich, jak i agentów sztucznej inteligencji?

Patrick i ja spędziliśmy lata wokół zespołów wsparcia klienta przed założeniem Solidroad, i jeden problem wyróżniał się ciągle: firmy prowadziły setki tysięcy rozmów z klientami, ale jeśli zapytano, jak te rozmowy się układały, nie naprawdę wiedzieli. I to, co wiedzieli, opierało się na tak małej próbie interakcji, że nie było to dokładne.

To było już niepewną podstawą, gdy ludzie obsługiwali każdy bilet. Teraz, z sztuczną inteligencją wchodzącą w grę, stawki się zmieniły. Jeden zły wzorzec mógł rozegrać się jednocześnie w tysiącach rozmów i pozostać niezauważony, ponieważ większość zespołów przeglądała tylko 1-2% interakcji.

Widzieliśmy to zdarzające się w firmach wielokrotnie i tracili oni klientów z tego powodu, więc postanowiliśmy stworzyć rozwiązanie. Rozpoznaliśmy, że ostatecznie był to problem infrastruktury. Firmy po prostu nie miały systemów niezbędnych do prawdziwego zrozumienia wydajności swoich agentów wsparcia klienta.

Solidroad został zbudowany w celu rozwiązania tego problemu. Dajemy firmom narzędzia, aby zobaczyć, co naprawdę się dzieje w skali, i zapewnić, że każda rozmowa – ludzka, sztuczna inteligencja lub obie – dostarcza wartość.

Solidroad został opisany jako „symulator lotu” dla zespołów skierowanych do klienta. Czy możesz nas zaprowadzić przez to, jak Twoja sztuczna inteligencja symuluje prawdziwe interakcje z klientami, i co sprawia, że te symulacje są skuteczne w szkoleniu na dużą skalę?

Analogia symulatora lotu działa, ponieważ podstawowa idea jest taka sama. Nie chcesz, aby pierwsze doświadczenie osoby z trudną sytuacją miało miejsce wobec prawdziwego klienta.

To, co sprawia, że nasze symulacje są skuteczne, polega na tym, że są one oparte na tym, co naprawdę się dzieje w prawdziwych rozmowach tej firmy. Gdy agent popełnia błąd w interakcji na żywo, system generuje ukierunkowaną symulację dotyczącą dokładnie takiego scenariusza, aby mógł ćwiczyć go, zanim się to powtórzy. To nie jest trening generyczny.

Pętla sprzężenia zwrotnego jest tym, co napędza uczenie się. Agenci przechodzą przez scenariusz, otrzymują specjalne wskazówki, co działało, a co nie, i próbują ponownie. Błędy zdarzają się w bezpiecznym środowisku, a uczenie się pozostaje, ponieważ jest ono związane z prawdziwymi sytuacjami, a nie abstrakcyjnymi ćwiczeniami z sali lekcyjnej.

Twoja platforma nie tylko szkoli agentów, ale także ocenia interakcje na żywo według niestandardowych wytycznych. Jak projektujesz te systemy oceniania, aby odzwierciedlić prawdziwe wyniki biznesowe, takie jak CSAT, retencja lub przychody?

Aby utworzyć te wytyczne, zawsze zaczynamy od tego, co konkretna firma naprawdę się troszczy. Firma świadcząca usługi finansowe, zajmująca się sporami dotyczącymi rozliczeń, ma inne standardy jakości niż marka e-commerce zarządzająca zwrotami w szczytowym sezonie. Ocenianie jest więc budowane wokół standardów, zasad, głosu marki i tego, co stanowi dobre rozwiązanie dla nich.

I wyniki biznesowe, takie jak poprawione wskaźniki CSAT i retencji, wynikają z wysokiej jakości interakcji z klientami. Zamiast śledzić wskaźniki wstecznie, koncentrujemy się na zachowaniach, które przewidują te wyniki: spójna wydajność wśród agentów, przestrzeganie odpowiednich procesów i umiejętności miękkich, które kształtują, jak klienci się czują na końcu rozmowy.

Celem jest dać liderom jasny, praktyczny obraz tego, co jest dobre dla ich firmy, aby mogli trenować swoje zespoły, powielać sukces i rozwijać go w swojej organizacji.

Wiele firm przegląda tylko niewielki procent interakcji z klientami. Jak Solidroad umożliwia pełną analizę, i jakie rodzaje informacji stają się możliwe, gdy przechodzisz od próbkowania do analizy wszystkiego?

Nasze niedawne badanie stanu CX wykazało, że około 81% rozmów wsparcia nigdy nie jest przeglądane pod kątem jakości, pozostawiając zespoły, które przeglądają tak małą frakcję rozmów, że są one podstawą próbkowania i liczą na to, że jest to reprezentatywne. Gdy firma zaczyna oceniać każdą interakcję z klientem, wzorce, które nigdy nie pojawią się w losowej próbie, stają się oczywiste. Zespoły zaczynają widzieć, jakie typy wniosków są nieustannie obsługiwane w złym sposób, gdzie agenci ludzcy i sztucznej inteligencji rozchodzą się w nieoczekiwany sposób i jakie problemy powtarzają się, zanim kiedykolwiek pojawiają się w skardze klienta.

Solidroad wykorzystuje sztuczną inteligencję, aby automatycznie przeglądać każdą rozmowę z klientem na czacie, e-mailu i głosie, co sprawia, że pełna analiza jest możliwa. To przejście od próbkowania do 100% przeglądu jest tym, co ujawnia spójne wzorce jakości, tarcia klienta i wydajności, które w przeciwnym razie pozostaną ukryte.

Crypto.com to wspaniały przykład tego, co pełna analiza odblokowuje. Przed Solidroad ich zespół nie miał niezawodnego sposobu, aby zmierzyć jakość agenta w skali lub potwierdzić, czy agenci są gotowi do obsługi biletów na żywo. Problemy pojawiały się dopiero po tym, jak już wpłynęły na klientów. Przechodząc do automatycznego oceniania w 800 000 miesięcznych rozmowach, mogli oni złapać problemy z jakością wcześnie, zwalidować agentów przed wdrożeniem i potwierdzić, że poprawki naprawdę się utrzymują. Wynikiem było 18% redukcja średniego czasu obsługi i 3% wzrost CSAT (co jest znaczące w skali, w jakiej działają). Gdy ich objętość rozmów będzie nadal rosła, ich widoczność jakości będzie rosła wraz z nią, a nie spadnie.

To właśnie zmienia pełna analiza. Zmienia jakość z czegoś reaktywnego na coś proaktywnego, co można zarządzać z wyprzedzeniem.

Współpracujesz z firmami takimi jak Crypto.com i Ryanair, gdzie doświadczenie klienta jest kluczowe. Jakie wzorce lub słabości znalazłeś w dużych zespołach wsparcia?

Kilka rzeczy pojawia się stale. Po pierwsze, jest to luka między tym, co firmy uważają, że się dzieje w ich rozmowach z klientami, a tym, co naprawdę się dzieje. Większość zespołów jest pewna swojej jakości wsparcia aż do momentu, gdy uzyskają pełną widoczność, a wtedy zdają sobie sprawę, że obraz jest bardziej skomplikowany, niż ich wskaźniki początkowo sugerowały.

Istnieje również stałe rozłączenie między tym, jak zespoły mierzą wydajność, a tym, co naprawdę napędza wyniki klienta. Metryki szybkości i liczby biletów są łatwe do śledzenia, więc dominują one w ocenach. Ale te liczby nie mówią firmom, czy problem klienta został rozwiązany, czy agent reprezentował markę dokładnie, czy interakcja pozostawiła klienta z dobrym uczuciem wobec firmy. W środowiskach o wysokich stawkach, takich jak fintech lub opieka zdrowotna, to niezgodność między pomiarem a wynikiem może mieć poważne konsekwencje.

Istnieje rosnąca obawa, że sztuczna inteligencja w obsłudze klienta może pogorszyć doświadczenie człowieka. Jak zapewniasz, że Twój system poprawia jakość, a nie popycha zespoły w kierunku zbyt skryptowych lub robotycznych interakcji?

To jest uzasadniona obawa, ale jeden, który zwykle pochodzi z systemów QA, które wykorzystują sztuczną inteligencję do niewłaściwych rzeczy. Jeśli firma ocenia agentów wyłącznie pod kątem przestrzegania skryptu lub szybkości zamykania biletu, będą mieli interakcje, które technicznie spełniają wymagania, ale wydają się puste lub nieosobowe dla klienta.

Nasze podejście polega na budowaniu oceniania wokół tego, co naprawdę sprawia, że klient opuszcza interakcję, czując się wspieranym. Patrzymy na takie rzeczy, jak czy agent aktywnie słuchał, okazał empatię, gdy było to potrzebne, i naprawdę pomógł klientowi rozwiązać jego problem.

To samo dotyczy agentów sztucznej inteligencji. Celem jest wykorzystanie sztucznej inteligencji do uczynienia interakcji z klientem bardziej spójnymi, dokładnymi i odpowiednio wrażliwymi na to, co klient naprawdę doświadcza. Gdy nadzór jakości jest zbudowany wokół tych wyników, a nie tylko zgodności z procesem, tendencja jest taka, że interakcje idą w lepszym kierunku, a nie bardziej skryptowym.

Solidroad znajduje się na skrzyżowaniu agentów ludzkich i agentów sztucznej inteligencji. Jak widzisz ewolucję relacji między nimi, zwłaszcza gdy sztuczna inteligencja zaczyna obsługiwać więcej interakcji na pierwszej linii?

Ważne jest, aby uznać agenci ludzcy i agenci sztucznej inteligencji za zespół, dzieląc podział pracy. Myślę, że przyszłość dla ludzkich i sztucznych agentów jest hybrydowa.

Sztuczna inteligencja radzi sobie bardzo dobrze z obsługą wysokowolumenowych, prostych wniosków i najlepsi agenci sztucznej inteligencji rozwiązują większość tych rozmów samodzielnie, co jest naprawdę imponujące.

Ale wynikiem jest to, że interakcje, które docierają do agentów ludzkich, są coraz bardziej złożone, emocjonalnie naładowane i o wysokich stawkach. Klient, który jest sfrustrowany, sytuacja, która nie pasuje do standardowego szablonu, rozmowa, która wymaga prawdziwej oceny. Dlatego nadzór nad oboma staje się tak ważny. Sztuczna inteligencja musi obsługiwać swój wolumen w sposób ciągły i dokładny. Ludzie muszą być dobrze przygotowani do tych trudniejszych rozmów, które teraz głównie obsługują. I musi być niezależna warstwa, która leży na obu, dając firmom jasny obraz tego, co działa, a co nie. To model hybrydowy, który myślę, że zdefiniuje CX w przyszłości, i to, do czego budujemy.

Twój system zapewnia informacje zwrotne i coaching w czasie rzeczywistym. Jak ważna jest natychmiastowość w poprawie wydajności agenta, i jak to porównuje się do tradycyjnych przepływów szkolenia i QA?

Natychmiastowość jest naprawdę ważna, a badania potwierdzają, że informacje zwrotne są najbardziej skuteczne, gdy są połączone z konkretną sytuacją, która je wygenerowała. Tradycyjne przepływy QA łamią to połączenie niemal przez projekt. Menedżer przegląda rozmowę dni lub tygodnie po tym, jak się odbyła, udostępnia informacje zwrotne w okresowych przeglądach, a wtedy agent miał już dziesiątki innych interakcji, w których ten błąd został prawdopodobnie powtórzony. Bez udostępniania informacji zwrotnej w czasie rzeczywistym błędy się utrzymują, a agenci muszą oduczyć się praktyk, do których są przyzwyczajeni.

To, co odkryliśmy, to fakt, że informacje zwrotne są najbardziej skuteczne, gdy pojawiają się bezpośrednio po prawdziwej rozmowie. Działa najlepiej, gdy jest połączone bezpośrednio z tym, co agent właśnie obsłużył, i jest połączone z konkretną symulacją, którą może uruchomić od razu. W tym formacie przekłada się to na rzeczywistą zmianę zachowania znacznie szybciej. Agenci nie tylko słyszą, że muszą się poprawić, ale ćwiczą poprawę w kontekście, gdy jest to jeszcze świeże.

Kontrast z tradycyjnym wdrożeniem jest najbardziej widoczny w tym, że nasze dane pokazują, że ponad połowa ludzkich agentów mówi, że najtrudniejszą częścią wdrożenia jest zastosowanie tego, czego nauczyli się w szkoleniu, do prawdziwych sytuacji klienta. Ta dysproporcja istnieje, ponieważ nauka w sali lekcyjnej i wsparcie na żywo nie wydają się podobne. Ciągłe, sytuacyjne informacje zwrotne rozwiązują to w sposób, który okresowe przeglądy nigdy naprawdę nie mogły.

Wykazaliście poprawy, takie jak skrócony czas wdrożenia i wyższy CSAT. Jaki wskaźnik najbardziej dba o klientów przy przyjęciu Twojej platformy, i jak demonstrujesz ROI wcześnie w relacji?

To się różni w zależności od tego, gdzie ból klienta się znajduje, ale dwie rzeczy, które pojawiają się najczęściej, to zapewnienie jakości i oszczędność czasu. Zespoły, które ręcznie przeglądają małą frakcję rozmów, natychmiast widzą wartość w przejściu do 100% pokrycia, zarówno dla informacji, które Solidroad ujawnia, jak i dla godzin, które zwraca ich zespołom QA. W naszej bazie klientów zwykle widzimy 20-krotny wzrost pokrycia QA i 90% redukcję czasu przeglądu ręcznego.

W kwestii ROI staramy się połączyć wyniki z metrykami, które już są ważne dla tego biznesu. W Podium nagłówek brzmiał: czas wdrożenia. Nowi agenci osiągali wydajność w 60 dni zamiast 90, i rozwiązywali problemy o 33% szybciej, gdy weszli na rynek. Z Crypto.com wynikiem było czas rozwiązania i widoczność objętości rozmów. Dla Ryanair wynikiem były godziny rekrutera zaoszczędzone.

Szczegóły się różnią, ale wzorzec jest taki sam: gdy możesz naprawdę zobaczyć, co się dzieje w Twoich interakcjach z klientami, i działać na tej podstawie, poprawy następują w metrykach, które się liczą.

Spójrzając w przyszłość, widzisz Solidroad pozostający skupiony na szkoleniu i QA, czy ewoluujący w szerszą warstwę orkiestracji do zarządzania interakcjami z klientami zarówno ludzkimi, jak i sztucznymi?

Szkolenie i QA to miejsce, w którym zaczęliśmy, ale wizja jest większa niż to. Sposób, w jaki myślimy o tym, to, że nadzór jakości stanie się kluczową infrastrukturą dla każdej firmy, która uruchamia sztuczną inteligencję w obsłudze klienta. W tym samym sposób, w jaki certyfikaty bezpieczeństwa stały się niezbędne, gdy firmy przeniosły dane do chmury, certyfikaty jakości staną się niezbędne, gdy rozmowy z klientami przeniosą się do sztucznej inteligencji.

Gwiazda północy to, że „Certyfikowany przez Solidroad” ma prawdziwe znaczenie: dowód, że firma spełnia wysoką poprzeczkę dla tego, jak traktuje klientów, niezależnie od tego, czy interakcja była obsługiwana przez osobę, czy sztuczną inteligencję.

To, co to praktycznie oznacza, to, że chcemy być systemem, na którym organizacje polegają, aby zarządzać i poprawiać jakość interakcji z klientami na całej linii, a nie tylko flagować problemy na końcu. To duża część tego, dlaczego zabezpieczyliśmy nasz 25-milionowy serii A prowadzony przez Hedosophia – daje nam pas startowy, aby budować w kierunku tej wizji. To obejmuje rozwijanie naszych możliwości produktowych i zespołów, aby pomóc jeszcze większej liczbie firm oceniać 100% swoich interakcji z klientami.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Solidroad.