Krishna Raj Raja, VD och grundare av SupportLogic – Intervjuserie

Krishna Raj Raja är VD och grundare av SupportLogic, världens första plattform för kontinuerlig serviceupplevelse (SX) som möjliggör för företag att förstå och agera på “kundens röst” i realtid för att förbättra servicen och bygga sunda och lönsamma kundrelationer.

Jag beskriver mig själv som en “science-nerd”, vad är det med den vetenskapliga världen som fascinerar dig?

För mig handlar vetenskap om nyfikenhet kring hur världen fungerar och vilka mönster som finns i världen. Jag har haft denna nyfikenhet sedan barndomen, och den har fortsatt in i mitt yrkesliv. På SupportLogic letar vi efter mönster som finns i naturligt språk, och använder dessa mönster för att förutsäga saker och ge rekommendationer. Detta är som vetenskap – det förutsäger mönster, ger rekommendationer och berättar hur världen fungerar. Mycket av vad jag har lärt mig i livet är självlärt, eftersom det kom från min naturliga nyfikenhet, inte från formell utbildning.

Du gick vidare och tog en examen i kemiteknik, men sedan valde du att fortsätta med möjligheter inom datavetenskap och maskinlärning. Kan du diskutera denna förändring?

Min pappa var en framgångsrik affärsman (inom stålbehandling) och han hoppades att jag en dag skulle ta över familjeföretaget. Kemiteknik tycktes vara rätt utbildning för att vara redo att göra det. Men datavetenskap hade varit en sidopassion för mig under lång tid. Faktum är att min avhandling för min kemitekniska examen var att skapa ett program för kemisk reaktordesign.

Efter att jag avslutat min kemitekniska examen blev det uppenbart att datavetenskap verkligen var min sanna passion. Min datavetenskapliga kompetens är helt självlärd, och när jag gick med i VMware hade alla mina kollegor doktorsexamen från Ivy League-skolor i datavetenskap. Jag var den mest underkvalificerade personen i mitt team.

Du var en av de tidigaste anställda på VMware, där du arbetade med support och service som en produktsupporttekniker. Vilka var några av de potentiella områdena för förbättring som du observerade?

Jag var en programvarutekniker som blev en produktsupporttekniker. Jag gick med i VMware eftersom deras teknik var fascinerande – de hanterade operativsystem och jag hade ett särskilt intresse för det. Jag hjälpte andra operativsystemutvecklare att använda VMware-produkter dagligen. På grund av min bakgrund tittade jag på saker från två olika vinklar: 1) Hur kan jag göra kunden nöjd och lösa deras problem; och 2) Varför existerar detta problem i programvaran, och hur kan det lösas? Jag tittade på produktsidan av alla supportproblem. En av de första sakerna jag insåg var att när produktteam utvecklar en produkt, vet de inte riktigt hur den kommer att distribueras och användas, så de förutser inte många saker under utvecklingsprocessen. Men supportteamet har en bra förståelse för dessa problem och kan ge värdefull feedback till produktteamet samt andra avdelningar i företaget. Problemet är att denna feedback vanligtvis går förlorad eftersom supportteamet är fokuserat på att lösa kundproblem och sedan snabbt gå vidare till nästa problem. Den viktiga informationen kommer inte fram.

Kan du dela några detaljer om ursprunget till SupportLogic?

När jag startade SupportLogic tittade jag på marknadslandskapet för supportindustrin och fann att alla innovationer inom supportområdet var fokuserade på ärendeförebyggande. Detta innebär att den bästa sättet att hantera supportproblem är att förebygga dem – bort från supporttekniker och bort från kunderna. Detta var i konflikt med vad jag såg som en produktsupporttekniker – varje kundinteraktion var en möjlighet att lära sig om kunderna och om hur produkten fungerar och inte fungerar. Men jag blev förvånad över att det inte fanns verktyg där ute för att lösa detta (inlärnings)problem, så jag såg en stor möjlighet där.

Och jag märkte att support ofta behandlades som en kostnad, vilket jag tyckte var ett kortsynt sätt att se på saker. När du ser support som en vinstcenter eller som det centrala nervsystemet i ett företag, kan du verkligen transformera en organisation och göra dem riktigt kundcentrerade. Det var det som ledde mig att starta SupportLogic.

Vilka är några av de olika maskinlärningsteknologierna som används på SupportLogic?

När företaget startade var jag naiv och antog att vi kunde använda offentligt tillgängliga maskinlärnings-API:er. Det finns många av dem – från Amazon (AMZN ), Microsoft och HPE – och de alla tillhandahåller maskinlärnings-API:er som en tjänst. Till min förvåning och besvikelse fungerade många av dessa maskinlärningsmodeller inte med den typ av data vi arbetade med (kundsupportdata). Men jag insåg att detta var en möjlighet och sa: “Varför bygger vi det inte själva?” Vi började bygga våra egna från scratch med hjälp av befintliga ML-teknologier från öppen källkod, som spaCy från Stanford University och Google (GOOGL ) BERT, och sedan lade vi till något av vårt eget “hemliga recept” ovanpå det, med en ensemblemodellansats. Vi finjusterar också modellen för varje kund och deras specifika datamängd, snarare än att använda en “en storlek som passar alla”-filosofi.

Kan du diskutera hur SupportLogic möjliggör för företag att bättre ansluta till kunder med hjälp av viktiga signaler?

En av de viktigaste sakerna vi gör är att extrahera kundkontext med hjälp av NLP. Kontexten är mycket viktig eftersom den ofta förloras i taggningsprocessen i ärendesystem. Du kan bara tagga en begränsad mängd information i dessa system. Vi excellerar i att extrahera kundkontext, såsom vad de är frustrerade över, vad deras intryck av er produkt eller support är, eller vad de försöker göra med er produkt. Det finns en mängd signaler och kontext att extrahera. Genom att göra detta i realtid och skapa arbetsflöden i vår plattform, möjliggör vi för företag att agera på kundsignalerna och förhindra problem innan det är för sent – det vill säga kunden blir mycket arg eller går bort för alltid.

Vilka är några av de andra funktionerna bakom SupportLogic-programvaran?

När du börjar extrahera kundsignaler från interaktioner blir dessa signaler mycket kraftfulla för analyser. Vi har en analysmodul som berättar vad kundens röst ser ut som, baserat på alla interaktioner. Sedan går vi ett steg längre och använder data för att börja göra förutsägelser. Vi kan förutsäga vad som kommer att hända med ett visst kundkonto. Vi kan också förutsäga – baserat på kundens situation – vem som är den bästa ämnesexperterna i företaget för att hjälpa lösa problemet, och sedan matcha kunden med rätt person.

Och vi kan titta på både inkommande och utgående samtal för att ge serviceagenter vägledning om vad de bör göra mer (eller mindre) av i sin dagliga interaktion med kunder. Det blir ett utmärkt verktyg för att hjälpa serviceagenter utveckla sina mjuka färdigheter och förbättra sin övergripande prestation.

Finns det något annat du vill dela om SupportLogic?

En av de vanliga missuppfattningarna om AI är att det är en enorm investering som är mycket involverad och komplex, och att du inte kommer att se några avkastningar på det under ett år eller mer. I verkligheten har AI- och ML-teknologier mognat mycket, och kan fungera på din befintliga datamängd. Och du kan se resultat på några månader, inte på något år. Så nu är tiden att investera i AI eftersom du kan se otroliga resultat på några månader som kan ge stora fördelar för din organisation.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka SupportLogic.