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 direkt förbättra serviceleveransen och bygga sunda och lönsamma kundrelationer.

Jag beskriver mig själv som en “science geek”, vad är det med den vetenskapliga världen som har mig så förälskad?

För mig är vetenskap allt 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.

Jag gick vidare och tog en examen i kemiteknik, men sedan gick jag vidare och sökte möjligheter inom datavetenskap och maskinlärning. Kan du diskutera denna förändring?

Min pappa var en framgångsrik affärsägare (inom stålbehandling) och han hoppades att jag en dag skulle ta över familjeföretaget. Kemiteknik verkade 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.

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

Jag var en programvaruutvecklare som blev en produktstödande ingenjör. 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 finns det problem i programvaran, och hur kan det åtgärdas? Jag tittade på produktsidan av alla supportproblem. En av de första sakerna jag insåg var att när produktteam utvecklar en produkt, vet de verkligen inte 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 ett 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 supportbranschen och jag fann att alla innovationer inom supportområdet var fokuserade på ärendedeflektion. Detta innebär att det bästa sättet att hantera supportproblem är att deflektera dem – bort från supporttekniker och bort från kunderna. Detta var i konflikt med vad jag såg som en produktstödande ingenjör – 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 några verktyg där ute för att lösa detta problem (inlärning), så jag såg en stor möjlighet där.

Även om 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 företagets centrala nervsystem 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, Microsoft och HPE – och de tillhandahåller alla 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 källkodsprojekt, som spaCy från Stanford University, och Google BERT, och sedan lade vi till något av vårt eget “hemliga sås” ovanpå det, med hjälp av en ensemblemodellansats. Vi finjusterar också modellen för varje kund och deras specifika datamängd, snarare än att använda en “en storlek 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 kontexten ofta förloras i taggningsprocessen i biljettsystem. Du kan bara tagga en begränsad mängd information i dessa system. Vi excellerar i att extrahera kundkontext, såsom vad de är frustrerade över, vad är deras intryck av din produkt eller ditt support, eller vad de försöker göra med din produkt. Det finns en mängd signaler och kontext att extrahera. Genom att göra detta i realtid och skapa arbetsflöden i vår plattform, tillåter vi företag att agera på kundsignaler och förhindra problem innan det är för sent – det vill säga att 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 ämnesexperter 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 sina dagliga interaktioner 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 som människor har om AI är att det är en stor 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 några år. Så nu är det dags 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 bör besöka SupportLogic.