Марк Хьюз, співзасновник і генеральний директор Solidroad – Інтерв’ю серії

Марк Хьюз, співзасновник і генеральний директор Solidroad, – повторний підприємець і лідер виходу на ринок, який побудував свою кар’єру на перетині продажів, досвіду клієнта і технологій. Раніше він заснував Gradguide, платформу кар’єри і рекрутингу, яка зібрала 2 мільйони євро і була пізніше придбана, і займав старші комерційні посади в Chargify, де очолював операції EMEA після її злиття з Maxio. На початку своєї кар’єри він розвинув глибокі знання у сфері високошвидкісних і корпоративних продажів в Intercom, керуючи складними циклами угод і допомагаючи масштабувати команди доходів. Сьогодні він очолює Solidroad з Сан-Франциско, застосовуючи цей досвід до переосмислення того, як компанії оцінюють і покращують взаємодію з клієнтами за допомогою штучного інтелекту, з фокусом на підвищенні планки якості як для людської, так і для автоматизованої системи підтримки.

Solidroad – це платформа штучного інтелекту для забезпечення якості і навчання, призначена для сучасних команд досвіду клієнта, побудована для аналізу і покращення кожної взаємодії з клієнтом у масштабі. Платформа аналізує розмови по різних каналах, оцінює виконання проти стандартів компанії і генерує персоналізовані тренувальні симуляції для безперервного оптимізації як людських агентів, так і систем штучного інтелекту. Замість заміни команд підтримки клієнтів Solidroad зосереджується на покращенні їх, перетворюючи кожну взаємодію у зворотній зв’язок, який покращує результати, такі як якість відповідей, ефективність і задоволеність клієнтів. Компанія позиціонує себе як інфраструктуру для високопродуктивних команд CX, допомагаючи організаціям доставляти послідовні, високоякісні досвіди без збільшення операційних витрат.

Більшість компаній все ще покладаються на аналіз лише малої вибірки взаємодій з клієнтами для оцінки продуктивності. Що переконало вас, що цей підхід фундаментально неправильний, і як це розуміння привело до створення підходу Solidroad до безперервного моніторингу, оцінювання і покращення як людських, так і агентів штучного інтелекту?

Патрік і я обоє провели роки біля команд підтримки клієнтів до початку Solidroad, і одна проблема постійно виділялася: компанії мали сотні тисяч розмов з клієнтами, але якщо ви питали, як ці розмови насправді проходили, вони не знали. І те, що вони знали, було засновано на такій малій вибірці взаємодій, що це не було точним.

Це вже була хитка основа, коли люди обробляли кожен тікет. Тепер, коли штучний інтелект вступає в гру, ставки змінилися. Одна погана модель могла розігратися через тисячі розмов одночасно і залишитися непоміченою, оскільки більшість команд переглядають лише 1-2% взаємодій.

Ми бачили, як це відбувається в компаніях знову і знову, і вони втрачали клієнтів через це, тому ми вирішили створити рішення. Ми визнали, що це в кінцевому підсумку проблема інфраструктури. Компанії просто не мали систем, необхідних длясправдіго розуміння продуктивності своїх агентів підтримки клієнтів.

Solidroad був побудований для вирішення цієї проблеми сліпоти. Ми даємо компаніям інструменти для бачення того, що насправді відбувається у масштабі, і забезпечення того, щоб кожна розмова – людська, штучного інтелекту або обидва – доставляла цінність.

Solidroad був описаний як “симулятор польоту” для команд, що взаємодіють з клієнтами. Чи можете ви розповісти, як ваш штучний інтелект насправді симулює реальні взаємодії з клієнтами, і що робить ці симуляції ефективними для навчання у масштабі?

Аналогія з симулятором польоту працює, оскільки основна ідея така сама. Ви не хочете, щоб перший досвід обробки складної ситуації відбувався перед реальним клієнтом.

Те, що робить наші симуляції ефективними, полягає в тому, що вони засновані на тому, що насправді відбувається в реальних розмовах компанії. Коли агент щось робить неправильно в живій взаємодії, система генерує цільову симуляцію саме такого сценарію, щоб вони могли практикувати це, перш ніж це трапиться знову. Це не генеричний навчальний контент.

Зворотній зв’язок – це те, що рухає навчання. Агенти проходять через сценарій, отримують конкретні вказівки щодо того, що працює, а що ні, і пробують знову. Помилки трапляються в безпечному середовищі, і навчання залишається, оскільки воно пов’язане з реальними ситуаціями, а не з абстрактними класними вправами.

Ваша платформа не тільки тренує агентів, але також оцінює живі взаємодії проти індивідуальних керівництв. Як ви проектуєте ці системи оцінювання, щоб вони відображали реальні бізнес-результати, такі як CSAT, збереження або доходи?

Для створення цих керівництв ми завжди починаємо з того, про що конкретно турбуються компанії. Фінансова компанія, яка обробляє спори щодо рахунків, має інші стандарти якості, ніж бренд електронної комерції, який керує поверненнями під час пікового сезону. Тому оцінювання будується навколо власних керівництв кожної організації, їх політики, бренд- голосу і того, що виглядає як хороше рішення для них.

І бізнес-результати, такі як покращення показників CSAT і збереження, походять з високоякісних взаємодій з клієнтами. Замість того, щоб відстежувати показники ретроспективно, ми зосереджуємося на поведінці, яка передбачає ці результати: послідовна продуктивність серед агентів, дотримування правильних процесів і м’які навички, які формують, як клієнти відчувають себе в кінці розмови.

Мета полягає в тому, щоб дати лідерам ясну, практичну картину того, що виглядає добре для їх компанії, щоб вони могли тренувати свої команди, повторювати успіх і розвивати його по всій організації.

Багато компаній переглядають лише малу частку взаємодій з клієнтами. Як Solidroad забезпечує аналіз повної покриття, і які види інформації стають можливими, коли ви рухаєтеся від вибірки до аналізу всього?

Наш недавній дослідження стану CX показало, що близько 81% підтримок розмов ніколи не переглядаються за якістю, залишаючи команди, які переглядають лише малу частку розмов, так що вони фактично вибірково і сподіваються, що це представляє все. Коли компанія починає оцінювати кожну взаємодію з клієнтом, моделі, які ніколи не з’являються у випадковій вибірці, стають очевидними. Команди починають бачити, які типи запитів обробляються погано, де агенти штучного інтелекту і людини розходяться в несподіваних способах, і які питання повторюються, перш ніж вони з’являються у скаргах клієнтів.

Solidroad використовує штучний інтелект для автоматичного перегляду кожної взаємодії з клієнтом по чату, електронній пошті і голосу, роблячи аналіз повного покриття можливим. Цей перехід від вибірки до 100% перегляду – це те, що розкриває послідовні моделі якості, клієнтської фрикції і продуктивності, які інакше залишилися б приховані.

Crypto.com – це чудовий приклад того, що насправді розблокує повне покриття. До Solidroad їхня команда не мала надійного способу вимірювати якість агентів у масштабі або підтверджувати, що агенти були готові до обробки живих тікетів. Проблеми з’являлися лише після того, як вони вже вплинули на клієнтів. Перейшовши до автоматичного оцінювання по 800 000 місячних розмов, вони могли виявити проблеми з якістю на ранній стадії, підтвердити агентів перед розгортанням і підтвердити, що покращення дійсно залишаються. Результатом став 18% зниження середнього часу обробки і 3% збільшення CSAT (що є значним на рівні, на якому вони працюють). Коли їх обсяг розмов продовжує зростати, їх бачення якості масштабується з ним, а не відстає ще більше.

Це саме те, що змінює повне покриття. Воно зрушує якість з чогось реактивного на щось проактивне, яке можна керувати заздалегідь.

Ви працюєте з компаніями, такими як Crypto.com і Ryanair, де досвід клієнта є місією-критичним. Які моделі або спільні слабкості ви визначили серед великомасштабних команд підтримки?

Декілька речей постійно виникають. Перше – це розрив між тим, що компанії думають, що відбувається в їхніх взаємодіях з клієнтами, і тим, що насправді відбувається. Більшість команд впевнені у своїй якості підтримки клієнтів аж до тих пір, поки вони не отримують повну видимість, тоді вони розуміють, що картина складніша, ніж їхні метрики спочатку припускали.

Є також послідовний розрив між тим, як команди вимірюють продуктивність, і тим, що насправді рухає клієнтські результати. Метрики швидкості і кількості тікетів легко відстежувати, тому вони tend до того, щоб домінувати в оцінках. Але ці цифри не кажуть компаніям, чи було питання клієнта вирішено, чи агент точно представив бренд, чи взаємодія залишила клієнта з хорошим відчуттям щодо компанії. У високих ставках середовищах, таких як фінтех або охорона здоров’я, цей розрив між вимірюванням і результатом може мати серйозні наслідки.

Є зростаюча стурбованість тим, що штучний інтелект у сфері обслуговування клієнтів може погіршити людський досвід. Як ви забезпечуєте, щоб ваша система покращувала якість, а не штовхала команди до надмірно скриптованих або роботизованих взаємодій?

Це є законна стурбованість, але одна, яка зазвичай походить від систем забезпечення якості, які використовують штучний інтелект для неправильних речей. Якщо компанія оцінює агентів чисто за дотриманням сценарію або тим, як швидко вони закривають тікет, вони закінчать взаємодіями, які технічно відзначають всі пункти, але відчуваються порожніми або неособистими для клієнта.

Наш підхід полягає в тому, щоб побудувати оцінювання навколо того, що насправді робить клієнта відчувати себе підтриманим. Ми дивимося на речі, такі як чи агент активно слухав, чи показував емпатію, коли це було потрібно, і чи дійсно допоміг клієнту вирішити свою проблему.

Те саме стосується агентів штучного інтелекту. Метою є використання штучного інтелекту для того, щоб зробити взаємодії з клієнтами більш послідовними, точними і відповідними до того, що клієнт насправді переживає. Коли нагляд за якістю будується навколо цих результатів, а не просто процесу дотримання, це tend до того, щоб штовхати взаємодії в кращому напрямку, а не в більш скриптований.

Solidroad знаходиться на перетині людських агентів і агентів штучного інтелекту. Як ви бачите розвиток відносин між ними, особливо коли штучний інтелект починає обробляти більше взаємодій на першій лінії?

Важливо розглядати людських агентів і агентів штучного інтелекту як команду, розділяючи труд. Я думаю, що майбутнє для людських і агентів штучного інтелекту гібридне.

Штучний інтелект обробляє високовольтні, прості запити дуже добре, і найкращі агенти штучного інтелекту навіть вирішують більшість цих розмов самостійно, що є справді вражаючим.

Але результатом цього є те, що взаємодії, які досягають людських агентів, стають все більш складними, емоційно зарядженими, високими ставками. Клієнт, який розлютився, ситуація, яка не підходить стандартному шаблону, розмова, яка вимагає справжньої уваги. Тому планка для людських агентів насправді зростає, а не падає.

Саме тому нагляд за обома стає так важливим. Штучний інтелект потрібно обробляти свій обсяг послідовно і точно. Людські агенти потрібно добре підготувати до складних розмов, які вони тепер в основному обробляють. І потрібно незалежний шар, який сидить поверх обох, даючи компаніям ясну картину того, що працює, а що ні. Це гібридна модель, яку ми думаємо, що визначить CX вперед, і це те, до чого ми будемо рухатися.

Ваша система забезпечує реальний зворотній зв’язок і тренування. Наскільки важливим є негайність у покращенні продуктивності агентів, і як це порівнюється з традиційними навчальними і контрольними робочими процесами?

Негайність дуже важлива, і дослідження підтримують це, що зворотній зв’язок є найбільш ефективним, коли він пов’язаний з конкретною ситуацією, яка його породила. Традиційні робочі процеси контролю розбивають цю зв’язок майже за призначенням. Менеджер переглядає розмову через дні або тижні після того, як вона відбулася, поділиться зворотнім зв’язком у періодичному огляді, і до того часу агент вже мав десятки інших взаємодій, де ця помилка, ймовірно, повторилася. Без надання зворотнього зв’язку в реальному часі помилки тривають, і агентам потрібно розучувати практики, до яких вони завжди звикли.

Те, що ми виявили, полягає в тому, що зворотній зв’язок є найбільш ефективним, коли він з’являється негайно після реальної розмови. Це працює найкраще, коли воно пов’язане безпосередньо з тим, що агент тільки що обробив, і поєднане з конкретною симуляцією, яку вони можуть запустити відразу. У цьому форматі воно перекладає в реальну зміну поведінки набагато швидше. Агенти не просто чують, що їм потрібно покращити, вони практикують покращення в контексті, поки воно ще свіже.

Контраст з традиційним оновленням найяскравіший приклад цього. Наші дані показують, що понад половина людських агентів каже, що найскладнішою частиною оновлення є застосування того, що вони вивчили в навчанні, до реальних ситуацій з клієнтами. Ця розбіжність існує, оскільки навчання в класі і підтримка клієнтів відчуваються зовсім по-різному. Безперервний, ситуаційний зворотній зв’язок вирішує це чином, який періодичні огляди ніколи не могли б.

Ви показали покращення, такі як зменшення часу оновлення і вищу CSAT. Який метрику клієнти турбуються найбільше при прийнятті вашої платформи, і як ви демонструєте ROI на ранній стадії відносин?

Це варіюється залежно від того, де болять клієнтів, але дві речі, які постійно виникають, – це забезпечення якості і економія часу. Команди, які ручним чином переглядають малу частку розмов, негайно бачать цінність у переході до 100% покриття, як для інформації, яку поверхнево Solidroad, так і для годин, які це повертає їхнім командам контролю якості. По всьому нашому клієнтському базису ми зазвичай бачимо 20-кратне збільшення покриття контролю якості і 90% зниження часу ручного перегляду.

На стороні ROI ми намагаємося зв’язати результати з метриками, які вже важливі для цього бізнесу. У Podium заголовок був часом оновлення. Нові агенти досягали показників продуктивності за 60 днів замість 90, і вирішували питання на 33% швидше, коли вони перейшли в живу роботу. З Crypto.com це було час вирішення і видимість обсягу розмов. Для Ryanair це показало збереження годин рекрутера.

Конкретика відрізняється, але патерн той же: коли ви можете насправді бачити, що відбувається у ваших взаємодіях з клієнтами, і діяти швидко, покращення слідують у метриках, які мають значення.

Оглядаючи вперед, ви бачите Solidroad, який залишається зосередженим на тренуванні і контролі, або еволюціонує в ширшу оркестраційну шар для керування як людськими, так і взаємодіями з клієнтами штучного інтелекту?

Тренування і контроль – це те, з чого ми почали, але бачення більше, ніж це. Ми думаємо про це так, що нагляд за якістю стане ключовою інфраструктурою для будь-якої компанії, яка використовує штучний інтелект у підтримці клієнтів. Так само, як сертифікації безпеки стали незамінними, коли компанії перемістили дані в хмару, сертифікація якості стане незамінною, коли розмови клієнтів перейдуть до штучного інтелекту.

Полярна зірка полягає в тому, що “Solidroad Certified” несе реальне значення: доказ того, що компанія відповідає високому стандарту того, як вона поводиться з клієнтами, незалежно від того, чи була взаємодія оброблена людиною чи штучним інтелектом.

Це означає, що ми хочемо бути системою, на яку організації будуть покладатися для керування і покращення якості взаємодій з клієнтами в цілому, а не просто вказувати на проблеми на задньому плані. Це велика частина того, чому ми підняли наш 25-мільйонний серійний А, очолюваний Hedosophia – це дає нам можливість побудувати до цього бачення. Це включає розширення наших можливостей продукту і команд для допомоги ще більшій кількості компаній оцінювати 100% своїх взаємодій з клієнтами.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Solidroad.