Марк Г’юз, співзасновник та CEO у Solidroad – Серія інтерв’ю

Марк Г’юз, співзасновник та CEO у Solidroad, – повторюваний підприємець та лідер виходу на ринок, який побудував свою кар’єру на перетині продажів, досвіду клієнта та технологій. Раніше він заснував Gradguide, платформу кар’єри та рекрутингу, яка зібрала 2 мільйони євро та була пізніше придбана, а також обіймав старші комерційні посади в Chargify, де очолював операції EMEA після злиття з Maxio. На початку своєї кар’єри він розвинув глибокий досвід у високошвидкісних та корпоративних продажах в Intercom, керуючи складними циклами угод та допомагаючи масштабувати команди доходів. Сьогодні він очолює Solidroad з Сан-Франциско, застосовуючи цей досвід до переосмислення того, як компанії оцінюють та покращують взаємодію з клієнтами за допомогою штучного інтелекту, з акцентом на підвищенні планки якості як для людини, так і для автоматизованих систем підтримки.

Solidroad – це платформа штучного інтелекту для забезпечення якості та навчання, розроблена для сучасних команд досвіду клієнта, створена для аналізу та покращення кожної взаємодії з клієнтом у масштабі. Платформа аналізує розмови по всіх каналах, оцінює виконання проти стандартів компанії та генерує персоналізовані тренувальні симуляції для безперервного оптимізації як людини, так і систем штучного інтелекту. НатомістьReplacing заміну команд підтримки клієнтів, Solidroad зосереджується на їх покращенні, перетворюючи кожну взаємодію на цикл зворотного зв’язку, який покращує результати, такі як якість відповідей, ефективність та задоволеність клієнтів. Компанія позиціонує себе як інфраструктуру для високопродуктивних команд CX, допомагаючи організаціям надавати послідовний, високоякісний досвід без збільшення операційних витрат.

Більшість компаній усе ще покладаються на перегляд маленької вибірки взаємодій з клієнтами для оцінки виконання. Що переконало вас, що цей підхід фундаментально розбитий, і як це розуміння привело до побудови підходу Solidroad до безперервного моніторингу, оцінювання та покращення як людини, так і агентів штучного інтелекту?

Патрік та 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 запитали, як ці розмови насправді проходили, вони не знали. І те, що вони знали, було засновано на такій маленькій 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 та 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 для справжнього розуміння виконання своїх агентів підтримки клієнтів.

Solidroad був побудований для вирішення цієї сліпої плями. Ми даємо компаніям інструменти для бачення того, що насправді відбувається у масштабі, та забезпечення того, щоб кожна розмова – людина, штучний інтелект або обидва – доставляла цінність.

Solidroad був описаний як “симулятор польоту” для команд, що взаємодіють з клієнтами. Чи можете ви пройти нас через те, 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 першим досвідом людини було xửлення складної ситуації перед справжнім 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 навколо саме такого сценарію, щоб вони могли практикувати це, перш ніж це станеться знову. Це не генеричний навчальний контент.

Цикл зворотного зв’язку є тим, що рухає навчання. Агенти проходять через сценарій, отримують конкретні вказівки щодо того, що працює, а що ні, і спробують знову. Помилки відбуваються в безпечному середовищі, а навчання залишається, оскільки воно пов’язане з реальними ситуаціями, а не з абстрактними класними вправами.

Ваша платформа не тільки тренує агентів, а також оцінює живі взаємодії проти настанов. Як ви проектуєте ці системи оцінювання, щоб відображати реальні бізнес-результати, такі як CSAT, збереження або доходи?

Щоб створити ці настанови, ми завжди починаємо з того, про що дбає конкретна компанія. Фінансова компанія, яка обробляє спори щодо оплати, має інші стандарти якості, ніж бренд електронної комерції, який керує поверненнями під час пікової сезону. Тому оцінювання будується навколо власних настанов кожної організації, їх політики, їхнього бренд-голосу та того, що таке добра розв’язка для них.

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

Мета полягає в тому, щоб дати лідерам чітку, практичну картину того, що таке добро для їхньої компанії, щоб вони могли тренувати свої команди, реплікувати успіх та розвивати його по всій організації.

Багато компаній переглядають лише малий відсоток 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% розмов підтримки ніколи не переглядаються щодо якості, залишаючи команди, які переглядають лише малий відсоток розмов, так що вони фактично вибірково та сподіваються, що це представляє весь масив. Коли компанія починає оцінювати кожну взаємодію з клієнтом, моделі, які ніколи не з’являються в випадковій вибірці, стають очевидними. Команди починають бачити, які типи запитів обробляються погано, де агенти людини та штучного інтелекту розходяться несподіваним чином, та які питання повторюються, перш ніж вони коли-небудь з’являються в скаргах клієнтів.

Solidroad використовує штучний інтелект для автоматичного перегляду кожної взаємодії з клієнтом по всіх каналах, роблячи аналіз повної покриття можливим. Цей перехід від вибірки до 100% перегляду є тим, що розкриває послідовні моделі якості, клієнтської фрикції та продуктивності, які інакше залишилися б приховані.

Crypto.com – це чудовий приклад того, що таке повне покриття. До Solidroad їхня команда не мала надійного способу вимірювати якість агентів у масштабі або підтверджувати, що агенти готові до обробки живих тікетів. Проблеми виникали лише після того, як вони вже вплинули на клієнтів. Переходячи до автоматичного оцінювання по 800 000 місячних розмов, вони могли виявити проблеми з якістю на ранній стадії, підтвердити агентів до розгортання та підтвердити, що покращення дійсно залишаються. Результатом було зниження середнього часу обробки на 18% та збільшення показників CSAT на 3% (що є суттєвим на рівні, на якому вони працюють).

Це саме те, що змінює повне покриття. Воно змушує якість перейти від чогось реактивного до чогось активного, яке можна керувати заздалегідь.

Ви працюєте з компаніями, такими як Crypto.com та Ryanair, де досвід клієнта є критично важливим. Які моделі або спільні слабкості ви визначили серед великомасштабних команд підтримки?

Деякі речі 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 аж до тих пір, поки вони не отримують повну видимість, тоді вони розуміють, що картина складніша, ніж їхні метрики спочатку припускали.

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

Є зростаюча побоювання, 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 обґрунтоване побоювання, але одне, яке 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 перевіряють коробки, але відчуваються порожніми або безособовими 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 співчуття, коли це було потрібно, і чи дійсно допоміг клієнту розв’язати свою проблему.

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

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

Важливо розглядати агентів людини та агентів штучного інтелекту як команду, розділяючи труд. Я думаю, що майбутнє для агентів людини та штучного інтелекту – гібридне.

Штучний інтелект обробляє високовольтові, прості запити дуже добре, а найкращі агенти штучного інтелекту навіть розв’язують більшість цих взаємодій самостійно, що справді вражає.

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

Саме тому нагляд за обома стає так важливим. Штучний інтелект повинен обробляти свій об’єм послідовно та точно. Люди повинні бути добре підготовлені до складніших розмов, які вони тепер в основному обробляють. І повинна бути незалежний шар, що лежить над обома, даючи компаніям чітку 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 зворотний зв’язок та тренування. Наскільки важливим є негайність у покращенні продуктивності агентів, і як це порівнюється з традиційним тренуванням та робочим процесом забезпечення якості?

Негайність дійсно важлива, і дослідження підтверджують, що зворотний зв’язок є найбільш ефективним, коли він пов’язаний з конкретною ситуацією, яка його викликала. Традиційні робочі процеси забезпечення якості розривають цю зв’язок майже за проектом. Менеджер переглядає розмову через дні або тижні після того, як вона відбулася, поділиться зворотним зв’язком у періодичному огляді, а до того часу агент вже мав десятки інших взаємодій, де ця помилка, ймовірно, повторювалася. Без надання зворотного зв’язку в реальному часі помилки тривають, а агентам доводиться виучувати практики, до яких вони завжди звикли.

Те, що ми виявили, полягає в тому, що зворотний зв’язок є найбільш ефективним, коли він виникає 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 перекладується у фактичну зміну поведінки набагато швидше. Агенти не тільки 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 агентів людини кажуть, що найбільш складною частиною оновлення є застосування того, що вони вивчили в тренуванні, до реальних ситуацій клієнтів. Ця розбіжність існує, оскільки навчання в класі та живої підтримці відчуваються зовсім по-іншому. Безперервний, ситуаційний зворотний зв’язок вирішує це способом, який періодичні огляди ніколи не могли б.

Ви показали покращення, такі як зменшення часу оновлення та вищу задоволеність клієнтів. Який метрика клієнти найчастіше турбуються про прийняття 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 та економія часу. Команди, які ручним чином переглядають малий відсоток розмов, негайно бачать цінність переходу до 100% покриття, як для інформації, яку поверхнево Solidroad, так і для годин, які це повертає їхнім командам забезпечення якості. Серед наших клієнтів ми зазвичай бачимо 20-кратне збільшення покриття забезпечення якості та 90% зниження часу ручного перегляду.

Відносно ROI, ми намагаємося пов’язати результати з метриками, які вже важливі для цього бізнесу. У Podium це було оновлення. Нові агенти досягали показників продуктивності за 60 днів замість 90, і розв’язували проблеми на 33% швидше, коли вони перейшли в живу. З Crypto.com це було час розв’язання та видимість обсягу розмов. Для Ryanair це показало себе в годинах рекрутера, збережених.

Конкретики відрізняються, але модель така сама: коли ви можете насправді бачити, що відбувається в ваших взаємодіях з клієнтами, і діяти швидко, покращення слідують у метриках, які важливі.

Оглядаючи вперед, чи бачите ви Solidroad, який залишається зосередженим на тренуванні та забезпеченні якості, чи еволюціонує у ширший шар оркестрування для керування як людськими, так і взаємодіями штучного інтелекту?

Тренування та забезпечення якості – це те, з чого ми почали, але бачення ширше цього. Ми думаємо про те, що нагляд за якістю стане ключовою інфраструктурою для будь-якої компанії, яка запускає штучний інтелект у підтримці клієнтів. Так само, як сертифікація безпеки стала непогрішимою, коли компанії перемістили дані в хмару, сертифікація якості стане необхідною, коли взаємодії клієнтів перейдуть до штучного інтелекту.

Полярна зірка – це те, що “Solidroad Certified” несе справжнє значення: доказ того, що компанія відповідає високій планці того, як вона поводиться з клієнтами, незалежно від того, чи оброблялася взаємодія людиною чи штучним інтелектом.

Те, що це означає на практиці, полягає в тому, що ми хочемо бути системою, на яку організації покладаються для керування та покращення якості взаємодій з клієнтами в цілому, а не тільки для визначення проблем на задньому плані. Це велика частина того, чому ми підняли свій 25-мільйонний серійний А, очолюваний Hedosophia – це дає нам можливість побудувати до цього бачення. Це включає розширення наших можливостей продукту та команд для того, щоб допомогти ще більшій кількості компаній оцінювати 100% своїх взаємодій з клієнтами.

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