Крішна Радж Раджа, CEO і засновник SupportLogic – Інтерв’ю серія

Крішна Радж Раджа, є CEO і засновником SupportLogic, першої в світі платформи континуальної служби досвіду (SX) управління, яка дозволяє компаніям зрозуміти та діяти на основі “Голосу клієнта” в режимі реального часу, щоб негайно покращити доставку послуг та побудувати здорові та прибуткові відносини з клієнтами.

Ви описуєте себе як “наукового гіка”, що саме в науковому світі вас так захоплює?

Для мене наука – це все про цікавість щодо того, як працює світ і які закономірності існують у світі. У мене була ця цікавість з дитинства, і вона продовжилася в моєму професійному житті. В SupportLogic ми шукаємо закономірності, які існують у природній мові, і використовуємо ці закономірності для прогнозування речей та надання рекомендацій. Це подібно до науки – вона передбачає закономірності, надає рекомендації та розповідає, як працює світ. Багато того, що я навчився в своєму житті, є самонавченням, оскільки це прийшло від моєї природної цікавості, а не від формальної освіти.

Ви продовжили здобувати ступінь у галузі хімічної інженерії, але потім перейшли до комп’ютерних наук та машинного навчання. Чи можете розповісти про цей перехід?

Мій батько був успішним бізнесменом (у сфері обробки сталі) і сподівався, що одного дня я візьму на себе сімейний бізнес. Хімічна інженерія здавалася правильною підготовкою для цього. Але комп’ютерні науки були моєю сторонньою пристрастю вже давно. Насправді, моя робота для ступеня з хімічної інженерії полягала у створенні програмного забезпечення для проектування хімічного реактора.

Після закінчення навчання з хімічної інженерії стало очевидним, що комп’ютерні науки були моєю справжньою пристрастю. Мої навички у галузі комп’ютерних наук є повністю самонавченими, і коли я приєднався до VMware, усі мої колеги мали докторські ступені з комп’ютерних наук з університетів Ліги плюща. Я був найменш кваліфікованою людиною в моєму команді.

Ви були одним з перших співробітників у VMware, де ви працювали у сфері підтримки та послуг як інженер підтримки продукції. Які були деякими з потенційних областей для покращення, які ви спостерігали?

Я був програмістом, який перетворився на інженера підтримки продукції. Я приєднався до VMware, оскільки їхня технологія була цікавою – вони займалися операційними системами, і я мав особливий інтерес до цього. Я допомагав іншим розробникам операційних систем використовувати продукти VMware щодня. Через мій досвід я дивився на речі з двох різних кутів: 1) Як зробити цього клієнта щасливим і вирішити його проблему; і 2) Чому ця проблема існує в програмному забезпеченні, і як її можна виправити? Я дивився на аспект продукції усіх питань підтримки. Одним з перших речей, яких я зрозумів, було те, що коли команди розробників створюють продукт, вони насправді не знають, як він буде розгорнутий і використаний, тому вони не передбачають багатьох речей під час процесу розробки. Однак команда підтримки має хорошу уяву про ці питання і може надати цінну інформацію командам продукції, а також іншим відділам компанії. Проблема полягає в тому, що ця інформація зазвичай втрачається, оскільки команда підтримки зосереджена на вирішенні проблеми клієнта, а потім швидко переходить до наступної проблеми. Ця важлива інформація не передається далі.

Чи можете поділитися деякими деталями про історію створення SupportLogic?

Коли я заснував SupportLogic, я подивився на ландшафт ринку підтримки та виявив, що всі інновації в сфері підтримки були зосереджені на відхиленні випадків. Це означає, що найкращим способом справитися з питаннями підтримки є відхилення їх – від інженерів підтримки та від клієнтів. Це було в конфлікті з тим, що я бачив як інженер підтримки продукції – кожна взаємодія з клієнтом була можливістю дізнатися про клієнтів і про те, як працює продукт і не працює. Але я був здивований, що не знайшов інструментів для вирішення цієї (навчальної) проблеми, тому я побачив велику можливість там.

Також я помітив, що підтримка часто розглядалася як центр витрат, що, на мою думку, було короткозорим способом дивитися на речі. Коли ви розглядаєте підтримку як центр прибутку або як центральну нервову систему компанії, ви можете真正но перетворити організацію та зробити її真正но орієнтованою на клієнта. Це й привело мене до створення SupportLogic.

Які деякі з різних технологій машинного навчання, які використовуються в SupportLogic?

Коли компанія була створена, я був наївним, припускаючи, що ми можемо використовувати публічно доступні API машинного навчання. Їх багато – від Amazon, Microsoft і HPE – і вони всі надають API машинного навчання як сервіс. До мого сюрпризу та розчарування, багато цих моделей машинного навчання не працювали з даними, з якими ми працювали (дані підтримки клієнтів). Але я зрозумів, що це була можливість і сказав: “Чому б нам не створити це самим?” Ми почали будувати все з нуля, використовуючи існуючі технології машинного навчання з відкритих джерел, таких як spaCy від Стенфордського університету, і Google BERT, а потім додали деяке наше “секретне приправлення” зверху, використовуючи підхід ансамблевої моделі. Ми також тонко налаштуємо модель для кожного клієнта та його конкретного набору даних, а не використовуємо філософію “один розмір підходить всім”.

Чи можете обговорити, як SupportLogic дозволяє компаніям краще зв’язуватися з клієнтами, використовуючи ключові сигнали?

Одним з ключових речей, які ми робимо, є витягування контексту клієнта за допомогою НЛП. Контекст дуже важливий, оскільки контекст часто втрачається в процесі тегування систем тикетів. Ви можете тегувати лише обмежену кількість інформації в цих системах. Ми excелюємо у витягуванні контексту клієнта, такого як про що вони розчаровані, яке їхнє враження про ваш продукт або підтримку, або що вони намагаються зробити з вашим продуктом. Є різноманітні сигнали та контексти для витягування. Роблячи це в режимі реального часу та створюючи робочі процеси на нашій платформі, ми дозволяємо компаніям діяти на сигнали клієнтів та попередньо вирішувати питання до того, як буде надто пізно – тобто клієнт стане дуже розлютованим або піде назавжди.

Які деякі інші можливості за програмним забезпеченням SupportLogic?

Як тільки ви починаєте витягувати сигнали клієнтів з взаємодій, ці сигнали стають дуже потужними для аналітики. У нас є модуль аналітики, який розповідає, який вигляд має голос клієнта, на основі всіх взаємодій. Потім ми йдемо ще далі та використовуємо дані для початку прогнозування. Ми можемо прогнозувати, що станеться з певним (клієнтським) рахунком. Ми також можемо прогнозувати – на основі ситуації клієнта – хто є найкращим експертом у компанії, щоб допомогти вирішити проблему, а потім підібрати клієнта до цієї правильної людини.

І ми можемо дивитися на як на входящі, так і на виходящі розмови, щоб надати службовцям підтримки поради щодо того, що вони повинні робити більше (або менше) у своїй щоденній взаємодії з клієнтами. Це стає великим інструментом тренування, щоб допомогти службовцям підтримки розвивати свої м’які навички та покращувати свою загальну продуктивність.

Чи є ще щось, що ви хотіли б поділитися про SupportLogic?

Одним з поширених забобонів щодо штучного інтелекту є те, що це величезна інвестиція, яка дуже складна та складна, і що ви не побачите жодних результатів протягом року або більше. Насправді технології штучного інтелекту та машинного навчання значно покращилися, і можуть працювати з вашим існуючим набором даних. І ви можете побачити результати протягом місяців, а не років. Тому зараз час інвестувати в штучний інтелект, оскільки ви можете побачити неймовірні результати протягом місяців, які можуть принести великі вигоди вашій організації.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати SupportLogic.