Марк Хьюз, сооснователь и генеральный директор Solidroad – Интервью

Марк Хьюз, сооснователь и генеральный директор Solidroad, является предпринимателем и лидером рынка, который построил свою карьеру на пересечении продаж, опыта клиентов и технологий. Ранее он основал Gradguide, платформу карьеры и набора персонала, которая привлекла 2 миллиона евро и была позже приобретена, и занимал старшие коммерческие должности в Chargify, где он возглавлял операции в регионе EMEA после слияния с Maxio. Ранее в своей карьере он развил глубокие знания в области высокоскоростных и корпоративных продаж в Intercom, где он управлял сложными циклами сделок и помогал масштабировать команды по продажам. Сегодня он возглавляет Solidroad из Сан-Франциско, применяя этот опыт к переосмыслению того, как компании оценивают и улучшают взаимодействия с клиентами с помощью ИИ, с фокусом на повышении планки качества как для человеческой, так и для автоматизированной поддержки.

Solidroad – это платформа ИИ, предназначенная для современных команд по опыту клиентов, построенная для анализа и улучшения каждого взаимодействия с клиентом в масштабе. Платформа анализирует разговоры по всем каналам, оценивает производительность по стандартам компании и генерирует персонализированные симуляции обучения для непрерывного улучшения как человеческих, так и ИИ-систем. Вместо того, чтобы заменять команды поддержки клиентов, Solidroad фокусируется на улучшении их, превращая каждое взаимодействие в цикл обратной связи, который улучшает результаты, такие как качество ответов, эффективность и удовлетворенность клиентов. Компания позиционирует себя как инфраструктуру для высокопроизводительных команд по опыту клиентов, помогая организациям обеспечивать последовательные, высококачественные trải nghiệm без увеличения операционных затрат.

Большинство компаний все еще полагаются на анализ крошечной выборки взаимодействий с клиентами для оценки производительности. Что убедило вас, что этот подход фундаментально ошибочен, и как это осознание привело к созданию подхода Solidroad к непрерывному мониторингу, оценке и улучшению как человеческих, так и ИИ-агентов?

Патрик и я оба провели годы в команде поддержки клиентов до создания Solidroad, и одна проблема постоянно выделялась: компании вели сотни тысяч разговоров с клиентами, но если вы спросили, как эти разговоры прошли, они не знали. И то, что они знали, было основано на такой маленькой выборке взаимодействий, что это было не точно.

Это уже было шатким фундаментом, когда люди обрабатывали каждый тикет. Теперь, когда ИИ входит в картину, ставки изменились. Одна плохая закономерность может разыграться в тысячах разговоров одновременно и остаться незамеченной, потому что большинство команд проверяют только 1-2% взаимодействий.

Мы видели, как это происходит в компаниях снова и снова, и они теряли клиентов из-за этого, поэтому мы решили создать решение. Мы признали, что это в конечном итоге является проблемой инфраструктуры. Компании просто не имели систем, необходимых для по-настоящему щего понимания производительности своих агентов по поддержке клиентов.

Solidroad был построен для решения этой проблемы. Мы даем компаниям инструменты, чтобы увидеть, что действительно происходит в масштабе, и обеспечить, чтобы каждый разговор – человеческий, ИИ или оба – доставлял ценность.

Solidroad был описан как “симулятор полета” для команд, работающих с клиентами. Можете ли вы рассказать, как ваш ИИ симулирует реальные взаимодействия с клиентами, и что делает эти симуляции эффективными для обучения в масштабе?

Аналогия с симулятором полета работает, потому что основная идея одна и та же. Вы не хотите, чтобы первый опыт человека в сложной ситуации произошел перед реальным клиентом.

Что делает наши симуляции эффективными, так это то, что они основаны на том, что действительно происходит в реальных разговорах компании. Когда агент ошибается в живом взаимодействии, система генерирует целевую симуляцию вокруг именно такого сценария, чтобы они могли потренироваться, прежде чем это произойдет снова. Это не генерический учебный контент.

Цикл обратной связи – это то, что стимулирует обучение. Агенты проходят через сценарий, получают конкретные рекомендации о том, что сработало, а что нет, и пытаются снова. Ошибки происходят в безопасной среде, и обучение остается, потому что оно связано с реальными ситуациями, а не с абстрактными занятиями в классе.

Ваша платформа не только обучает агентов, но и оценивает живые взаимодействия по индивидуальным руководствам. Как вы проектируете эти системы оценки, чтобы они отражали реальные бизнес-результаты, такие как удовлетворенность клиентов, удержание или доход?

Чтобы создать эти руководства, мы всегда начинаем с того, что конкретно заботит эту компанию. Финансовая служба, обрабатывающая споры о выставлении счетов, имеет другие стандарты качества, чем бренд электронной коммерции, управляющий возвратами в пиковый сезон. Итак, оценка строится вокруг собственных руководств каждой организации, их политики, их голоса бренда и того, что представляет собой хорошее решение для них.

И бизнес-результаты, такие как улучшение удовлетворенности клиентов и удержания, происходят из высококачественных взаимодействий с клиентами. Вместо того, чтобы отслеживать оценки ретроспективно, мы фокусируемся на поведении, которое предсказывает эти результаты: последовательная производительность среди агентов, соблюдение правильных процессов и мягкие навыки, которые формируют, как клиенты чувствуют себя в конце разговора.

Цель – дать лидерам яскую, практическую картину того, что хорошо для их компании, чтобы они могли тренировать свои команды, воспроизводить успех и расти в своей организации.

Многие компании проверяют только небольшой процент взаимодействий с клиентами. Как Solidroad обеспечивает полное покрытие анализа, и какие виды информации становятся возможными, когда вы переходите от выборки к анализу всего?

Наш недавний обзор состояния CX показал, что около 81% разговоров поддержки никогда не проверяются на качество, оставляя команды, которые проверяют только крошечную долю разговоров, так что они по сути выбирают и надеются, что это представительно. Когда компания начинает оценивать каждый клиентский разговор, закономерности, которые никогда не появятся в случайной выборке, становятся очевидными. Команды начинают видеть, какие типы запросов постоянно обрабатываются плохо, где ИИ и человеческие агенты расходятся в неожиданных способах, и какие проблемы повторяются, прежде чем они когда-либо появятся в жалобе клиента.

Solidroad использует ИИ для автоматического проверки каждого клиентского разговора по чату, электронной почте и голосу, что делает полное покрытие анализа возможным. Этот переход от выборки к 100% проверки – это то, что раскрывает последовательные закономерности качества, клиентской фрикции и производительности, которые в противном случае останутся скрытыми.

Crypto.com – это отличный пример того, что обеспечивает полное покрытие. До Solidroad их команда не имела надежного способа измерить качество агентов в масштабе или подтвердить, что агенты были готовы к обработке живых тикетов. Проблемы возникали только после того, как они уже повлияли на клиентов. Переходя на автоматическую оценку по 800 000 ежемесячных разговоров, они могли обнаружить проблемы с качеством на ранней стадии, подтвердить агентов до развертывания и подтвердить, что улучшения действительно прижились. Результатом стала 18% сокращение среднего времени обработки и 3% увеличение удовлетворенности клиентов (что значимо в масштабе, в котором они работают). По мере того, как их объем разговоров продолжает расти, их видимость качества масштабируется вместе с ним, а не отстает.

Это действительно то, что меняет полное покрытие. Оно меняет качество с чего-то реактивного на что-то активное, что можно управлять заранее.

Вы работаете с компаниями, такими как Crypto.com и Ryanair, где опыт клиента является миссионно-kritическим. Какие закономерности или общие слабости вы определили в больших командах поддержки?

Несколько вещей постоянно возникают. Первая – это разрыв между тем, что компании думают, что происходит в их разговорах с клиентами, и тем, что на самом деле происходит. Большинство команд уверены в качестве своей поддержки прямо до тех пор, пока они не получат полную видимость, затем они понимают, что картина более сложна, чем их метрики изначально предполагали.

Также существует постоянный разрыв между тем, как команды измеряют производительность и тем, что на самом деле стимулирует результаты клиентов. Метрики скорости и количества тикетов легко отслеживать, поэтому они склонны доминировать в оценках. Но эти цифры не говорят компаниям, было ли решение клиента решено, агент представил бренд точно или оставил ли взаимодействие клиента с чувством хорошего отношения к компании. В высокорисковых средах, таких как финтех или здравоохранение, это несоответствие между измерением и результатом может иметь серьезные последствия.

Существует растущая обеспокоенность, что ИИ в обслуживании клиентов может ухудшить человеческий опыт. Как вы обеспечиваете, что ваша система улучшает качество, а не толкает команды к чрезмерно сценарным или роботизированным взаимодействиям?

Это обоснованная обеспокоенность, но одна, которая обычно возникает из систем QA (обеспечения качества), которые используют ИИ для неправильных вещей. Если компания оценивает агентов исключительно по соблюдению сценария или скорости закрытия тикета, они в конечном итоге получат взаимодействия, которые технически удовлетворяют требованиям, но кажутся пустыми или безличными для клиента.

Наш подход заключается в построении оценки вокруг того, что действительно делает клиента чувствовать себя поддержанным. Мы смотрим на такие вещи, как активное слушание агента, проявление сочувствия, когда это необходимо, и фактическая помощь клиенту в решении его проблемы.

То же самое относится и к агентам ИИ. Цель – использовать ИИ для того, чтобы сделать взаимодействия с клиентами более последовательными, точными и адекватно реагирующими на то, что клиент действительно испытывает. Когда надзор за качеством построен вокруг этих результатов, а не только процесса, это, как правило, толкает взаимодействия в лучшем направлении, а не в более сценарном.

Solidroad находится на пересечении человеческих агентов и агентов ИИ. Как вы видите эволюцию отношений между ними, особенно когда ИИ начинает обрабатывать больше взаимодействий на переднем плане?

Важно рассматривать человеческих агентов и агентов ИИ как команду, разделяя труд. Я думаю, что будущее для человеческих и ИИ-агентов – гибридное.

ИИ обрабатывает высокообъемные, простые запросы очень хорошо, и лучшие агенты ИИ даже решают большинство этих разговоров самостоятельно, что действительно впечатляет.

Но результатом этого является то, что взаимодействия, достигающие человеческих агентов, становятся все более сложными, эмоционально заряженными и высокорисковыми. Клиент, который разочарован, ситуация, которая не подходит стандартному шаблону, разговор, который требует настоящего суждения. Итак, планка для человеческих агентов на самом деле растет, а не падает.

Именно поэтому надзор за обоими становится так важен. ИИ необходимо обрабатывать свой объем последовательно и точно. Люди должны быть хорошо подготовлены к более сложным разговорам, которые они теперь в основном обрабатывают. И должна быть независимая прослойка, сидящая поверх обоих, давая компаниям яскую картину того, что работает, а что нет. Это гибридная модель, которую мы думаем, будет определять CX в будущем, и это то, к чему мы строим.

Ваша система предоставляет обратную связь и коучинг в реальном времени. Насколько важно немедленное действие в улучшении производительности агентов, и как это сравнивается с традиционными потоками обучения и QA?

Немедленность действительно важна, и исследования поддерживают это: обратная связь наиболее эффективна, когда она связана с конкретной ситуацией, которая ее сгенерировала. Традиционные потоки QA нарушают эту связь почти по конструкции. Менеджер проверяет разговор через несколько дней или недель после его завершения, делится обратной связью в периодическом обзоре, и к тому времени агент уже имел десятки других взаимодействий, где эта ошибка, вероятно, повторилась. Без предоставления обратной связи в реальном времени ошибки сохраняются, и агентам приходится разучивать практики, к которым они привыкли.

Что мы обнаружили, так это то, что обратная связь наиболее эффективна, когда она появляется сразу после реального разговора. Она работает лучше всего, когда связана напрямую с тем, что агент только что обработал, и сопоставлена с конкретной симуляцией, которую они могут запустить сразу. В этом формате она переводится в фактическое поведенческое изменение намного быстрее. Агенты не просто слышат, что им нужно улучшиться, они практикуют улучшение в контексте, пока оно еще свежо.

Контраст с традиционным обучением наиболее очевиден. Наши данные показывают, что более половины человеческих агентов говорят, что самой трудной частью обучения является применение того, что они узнали в обучении, к реальным ситуациям с клиентами. Это несоответствие существует, потому что обучение в классе и живая поддержка ничего не имеют общего. Непрерывная, ситуационная обратная связь решает эту проблему так, как периодические обзоры никогда не могли.

Вы показали улучшения, такие как сокращение времени обучения и более высокую удовлетворенность клиентов. Какой метрики клиенты заботятся больше всего при принятии вашей платформы, и как вы демонстрируете ROI на ранней стадии отношений?

Это варьируется в зависимости от того, где болевые точки клиента, но два вещи, которые возникают наиболее последовательно, – это обеспечение качества и экономия времени. Команды, которые вручную проверяют крошечную долю разговоров, сразу видят ценность в переходе на 100% покрытие, как для информации, которую Solidroad поверхностно, так и для часов, которые она возвращает их командам QA. В нашей базе клиентов мы обычно видим 20-кратное увеличение покрытия QA и 90% сокращение времени ручного обзора.

Что касается ROI, мы пытаемся связать результаты с метриками, которые уже важны для этого бизнеса. В Podium заголовком было время обучения. Новые агенты достигали производственных показателей за 60 дней вместо 90, и решали проблемы на 33% быстрее, когда они стали живыми. С Crypto.com это было время решения и видимость объема разговоров. Для Ryanair это показалось в сэкономленных часах набора персонала.

Конкретика различается, но закономерность одна и та же: когда вы можете фактически увидеть, что происходит в ваших взаимодействиях с клиентами, и действовать на это быстро, улучшения следуют в метриках, которые имеют значение.

Смотрите вперед, видите ли вы Solidroad, остающийся сосредоточенным на обучении и QA, или эволюционирующим в более широкий слой оркестровки для управления как человеческими, так и ИИ-взаимодействиями с клиентами?

Обучение и QA – это то, с чего мы начали, но видение больше, чем это. Мы думаем о том, что надзор за качеством станет ключевой инфраструктурой для любой компании, работающей с ИИ в поддержке клиентов. Как и сертификаты безопасности стали незаменимыми, когда компании переместили данные в облако, сертификация качества станет необходимой, когда разговоры клиентов перейдут на ИИ.

Наша северная звезда – это то, что “Solidroad Certified” несет реальное значение: доказательство того, что компания соответствует высокому стандарту того, как она обращается с клиентами, независимо от того, был ли разговор обработан человеком или ИИ.

Что это значит на практике, так это то, что мы хотим быть системой, на которую организации полагаются для управления и улучшения качества взаимодействия с клиентами во всем, а не только флагировать проблемы на заднем плане. Это большая часть того, почему мы привлекли 25 миллионов долларов в рамках нашей серии А, возглавляемой Hedosophia – это дает нам возможность построить к этой видению. Это включает в себя расширение наших возможностей продукта и команд для того, чтобы помочь еще большему количеству компаний оценить 100% своих взаимодействий с клиентами.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Solidroad.