Google 的客户参与团队解释了他们如何使用人工智能来取悦全球数十亿用户

本文主要是介绍Google 的客户参与团队解释了他们如何使用人工智能来取悦全球数十亿用户,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Google 成立的目标是“整合全球信息,让所有人都能访问和使用这些信息”,并遵循一个简单的原则:以用户为中心,其他一切都会随之而来。如今,该公司拥有多种用户超过 10 亿的消费产品,以及多种用户超过 100 万的商业产品。

虽然这些产品通过关注用户而取得了成功,但还有另一条线索将它们联系在一起:每个产品都经历了指数增长阶段并进行了管理。您无法使用线性解决方案来解决指数问题。

Google 的客户互动组织负责成为公司的人性化面孔,每月促进数十亿次互动。随着业务规模的扩大,参与的数量增长得更快,范围可以从客户提交票证来解决问题,一直到与代表进行面对面的会议以帮助客户实现业务目标。

我们的互动始于数以万计的 Google 代表的客户支持,并扩展到包括定制工具和流程,从而大规模地显着改善人际互动。今天,我们又向前迈出了一步,提供人工智能增强的体验,为客户带来更多价值。

关注用户和关注其他一切。

这是我们如何管理营销、销售和支持团队的增长,同时为用户提供出色体验的故事。我们从客户至上的心态开始,提供优先级框架,提供所采用的人工智能的案例​​研究细节以及对客户参与度的影响,最后总结经验教训。

客户至上 客户参与

客户期望不断增长,年轻客户继续推动各年龄段广泛采用的模式。当今的趋势包括无摩擦的内容创建、超个性化的提要和零食内容。在这种环境下,没有人有时间或耐心等待打电话。数字体验应该“正常工作”,当不能正常工作时,客户希望以最少的摩擦和努力按照自己的方式解决问题。

我们的客户希望在所有表面或接触点上以尊重隐私的方式获得个性化、主动且情境化的 Google 体验。实现这一承诺需要复杂的软件,因此我们构建了一个简单的客户至上模型来指导我们在客户互动中使用人工智能。

客户成功飞轮展示了我们如何通过深入了解客户来构建解决方案,关键的成功标准是以高满意度提供客户价值。这从最早的客户与 Google 的互动(飞轮中间)开始,随着我们在产品、营销、销售和支持方面更多地了解客户,我们能够提供更多的客户价值。

这创造了一个积极的反馈循环,使每个表面都具有客户意识,并在全球范围内为我们服务的广大客户提供“一刀切”的解决方案。我们的成功指标同样以客户为导向,围绕客户理解、价值和满意度。

优先顺序框架

无论我们如何交付,我们都会优先考虑最佳的客户体验和结果。我们确认优化是否正确的一种方法是询问我们是否愿意与客户分享我们的指标仪表板。由于组织被迫关注其控制范围内的指标,因此很容易在不了解客户的情况下或为了客户的利益而进行优化以获得成功。通过将我们的工作立足于客户理解、价值和满意度,我们能够将我们的努力转向客户的需求。

为了帮助我们思考这些机会,我们构建了一个客户参与转型框架,该框架展示了人工智能突破“增量”象限的必要性,并帮助指导我们的思维突破人类可能的极限。

Y 轴直接关注客户价值,反映了人力投资回报率当前固有的限制,因为劳动力不是免费的。这凸显了我们的解决方案需要提高生产力,例如智能提醒、会议安排、自动推介材料创建等,以便我们的客户获得更多价值。X 轴重点关注任务对人类而言的挑战性。这激发了人工智能的强大帮助,特别是在任务的数量、复杂性和优化这些任务以快速产生最佳客户结果的机会变得过于复杂而人类无法完全理解和最大化的任务中。

实现变革性影响的道路建立在基础人工智能研究之上。在 Alphabet 内部,我们很幸运拥有DeepMind和Google Research(现为 Google DeepMind)等世界一流的研究团队,在人工智能领域取得了开创性的突破。我们正在推动一个未来,提供一套协调一致的超个性化解决方案,最大限度地发挥人力和技术智能的最佳水平,并提供最大的长期客户价值。

以下是我们取得重大进展的四个案例研究:

智能聚焦:吸引客户以显着改善结果

我们正在开发工具来帮助我们的销售和支持代表管理无数同步目标——满足客户需求、达到 KPI 并帮助运营一个高绩效组织。他们可以获得能够帮助我们的客户实现其业务目标的见解,并且由于范围如此之广,因此可能难以决定将时间花在哪里。我们的目标是构建能够帮助他们更好地集中注意力的人工智能,从而为我们的客户带来更好的结果。

创新的人工智能应用

过去引导人类注意力的努力经常使用硬编码的条件逻辑和启发式来近似平均性能,但我们着手实现三件事:

  1. 我们利用人工智能构建了一个智能探测器,它可以自动调整不同代表和客户的灵敏度。这有助于提供非常高的信噪比,以便代表在我们有话要说时倾听。标准异常检测不适用于不同规模的大量客户数据。

  2. 我们将启发式解释问题转换为多维、多度量相关性和归因模型,这显着降低了计算复杂性并有助于实现规模化影响。这有助于确保无论我们提出什么机会,我们都能够向我们的代表提供理由,以便他们可以评估逻辑并向客户或同事解释。

  3. 我们设计了一个实验环境,可以对影响进行因果测量,并提供反馈循环来改进和训练模型。

由此产生的客户参与度

这些举措的影响意味着代表们在开始新的一天时就意识到是否有一个高度优先的项目需要参与。当有人在场时,他们可以调查背景,准备正确的客户响应,并神奇地进行及时的对话以提供帮助。

到目前为止,客户和代表的成果已得到实质性改善。客户避免了计划外的广告活动延迟,并能够添加高投资回报率的广告活动、优化其广告活动并提高在 Google 上的支出效率。

总的来说,客户发现 Google 的价值提高了 23.5%,相关的 95% 置信区间 (CI) 为 15% 到 32%。这是通过与随机对照试验相比的客户在接下来的三周内的支出来衡量的。代表们还感谢该系统的帮助,并给出了 90% 的满意度评分——是之前该领域非人工智能尝试的满意度的两倍。

引导式自助:使用可扩展的智能支持诊断和解决问题

每年,数十亿客户与数百种 Google 消费产品(例如搜索、Android 和 YouTube)进行互动。随着 Google 的产品和客户群日益多样化,问题识别和解决的复杂性也随之增加。

客户可以通过多种不同的方式寻求帮助,他们提出的问题可能有许多潜在的根本原因。Google 支持扩展自助服务、提高代表工作效率以及提高客户满意度和解决率的一种方法是使用大型语言模型 (LLM),​ 例如多任务统一模型 (MUM)和对话应用程序语言模型 (LaMDA)。 ​

您无法使用线性解决方案来解决指数问题。

这些有前途的、规模化的法学硕士应用程序使我们走向人工智能引导的支持体验。我们的目标是让客户与智能、自动化的支持自然地互动,让他们感到自己被赋予了力量,并且更喜欢自助而不是支持替代方案。我们在解决客户问题的两个关键步骤上进行了投资:诊断和解决。

为了进行诊断,我们通过查看一组“症状”来确定问题的根本原因。为了解决问题,我们根据事实帮助客户选择适当的行动方案。我们现有的自助经验信息丰富,包括帮助文章和代表性记录。但客户在这两个步骤中仍然承受着巨大的负担:阐明他们的问题,浏览症状和根本原因,并尝试不同的解决方案。

创新的人工智能应用

我们的策略旨在减轻客户诊断和解决问题的负担。在诊断方面,我们使用尖端的法学硕士应用程序来高效、有效地理解“客户自己的话”中的问题,并指导他们找到具体的解决方案。对于解决方案,我们使用 MUM 在支持界面(例如我们的搜索页面和升级表单)上对解决方案进行排名和提供解决方案。

这些人工智能应用程序为我们的客户消除了复杂性。在某些情况下,我们现在可以让客户直接找到正确的解决方案。初步结果显示,根据产品领域的不同,回答问题的能力提高了 20% 到 40%,并且所有受影响接触点的答案质量从中性到积极。

由此产生的客户参与度

自助成功的主要指标是支持升级率,客户无法单独解决问题,因此需要人工代表的帮助。我们的实验显示,与对照组相比,接触率(升级)降低了 5.3 个百分点(95% CI 3.9 个百分点至 6.7 个百分点),性能是使用长短期记忆 (LSTM) 的最新神经网络所实现的性能的 2.8倍。与代理基准相比,我们实现了联系率的降低,同时我们的高客户 CSAT 没有下降。 

客户自动匹配:注册后更快地为客户提供服务,缩短价值实现时间

帮助 Google Ads 客户首先要了解他们使用哪些广告系列和帐户来实现数字营销目标。在谷歌规模上,这是相当复杂的——每年都会创建数百万个新帐户,但收集的客户数据很少,以避免在注册过程中增加不必要的摩擦。客户通过不同的法律实体、部门、第三方机构和顾问使用 Google Ads,而且通常没有简单的方法来确定 Google 应该与之合作的合适人员或团体。

为了确定哪些帐户属于每个客户,我们最初要求数百名代表手动检查每个新广告帐户并将其连接到客户层次结构中的正确实体。这种方法有效,但速度缓慢且难以扩展并有效地支持不断增长和扩大的广告客户群。我们需要一个更加自动化的解决方案。

创新的人工智能应用

为了解决这个问题,我们决定实施一组方法,以便更容易地将我们的客户与其帐户匹配:

  1. 人工智能模型的组合,可以识别我们的客户层次结构中最有可能的新帐户所有者

  2. 基于规则的系统,使我们的团队能够手动指定高可信度规则和信号来处理简单的情况

  3. 作为最后一道防线,一个分析师小组负责解决最复杂和最模糊的账户,并构建用于 ML 训练和验证的数据集

由此产生的客户参与度

我们的参与团队将实现价值的时间缩短了 10 倍,从而使客户受益匪浅。Google 代表还对大幅减少所需劳力表示赞赏 - 我们每年将生产力提高了 150 多名员工。

代表智能回复:提高客服聊天质量

Google 支持通过聊天、电子邮件和电话向某些消费者和企业客户提供个性化的一对一支持。最初,我们与代表一起参与这些活动,但随着 Google 的产品生态系统变得越来越复杂,任何人都很难记住每个市场针对每种产品的最新政策。此外,我们希望在日益复杂的情况下加快解决问题的时间并提高客户满意度。

创新的人工智能应用

我们投资了人工智能为代表提供建议的回复。在实时聊天交互过程中,代表会看到人工智能建议发送给客户的“下一个最佳响应”。代表选择批准人工智能建议或通过人工输入推翻建议。这些建议根据代表性成绩单进行训练,并针对代表性接受和解决进行优化。每个案例交互都会增加模型对未来推荐的信心。

在早期迭代取得成功后,我们开始在监督模式下进行智能回复实验。这是人工智能建议的回复消息在固定时间后自动发送给客户的地方。人类代表可以选择不发送消息,但是如果没有代表干预,消息会自动发送。

从代表选择加入到选择退出的演变预示着未来,代表可以从手动处理带有选择加入建议的案例转变为以最少的人为参与监督人工智能,使他们能够管理复杂的客户升级。最近,我们观察到第一个实例,其中关于复杂支持问题的代表与客户对话完全由模型处理,无需人工主管的手动干预。

由此产生的客户参与度

Google 代表非常喜欢这种帮助,CSAT 得分为 95%,早期结果表明,根据关键领先指标,例如手动代表消息减少了 44%(95% CI 42.1% 至 45.9%),客户可以更快、更准确地解决问题。聊天。使用智能回复还使客户对自助支持页面的点击率 (CTR) 提高了 48%(95% CI 46.1% 至 49.9%)。因此,我们减少了对高压、重复情况下容易出错的人力的依赖,并提高了客户帮助体验的质量。

Google 在客户参与方面的人工智能技术架构

为了支持上述案例研究,我们构建了一个面向客户生命周期的技术架构,越来越多地与客户互动,以更好地了解他们的目标,并以易于使用的方式提供帮助和指导。共有三个关键组成部分:

  1. 客户理解数据湖收集、整理和得出有价值的隐私保护见解,以创建广告业务中客户的完整情况并为我们的人工智能层提供支持。

  2. 我们的机器学习引擎由 Google 内部的 AI/ML 技术组成,经过精心调整以解决复杂而独特的问题。

  3. 最后,情报洞察和行动被仔细集成到各种客户接触点(例如营销网站、帮助中心、核心产品、销售工具)和个性化的客户旅程、行动和背景中。

我们架构的每个元素都是定制的,并经过优化,以帮助我们的客户以尽可能少的摩擦实现他们的业务目标。

领导力学习要点

测量严谨

为了自信地投资人工智能项目组合,我们必须衡量每个项目的影响并了解哪些投资已成功实施。我们注重对客户和公司的总体影响,这是规模和单位价值的产品。

我们进行随机对照试验(RCT,或 A/B 测试),并使用经过验证的数据科学技术来证明我们的工作与影响指标之间的因果关系,在狭窄的置信区间(通常为 95%)内接受具有统计显着性的结果。

为了确保一致性,我们不允许团队对自己的作业进行评分,而是拥有一个由数据科学家和业务专家组成的集中、独立的小组来验证影响力衡量并提供指导。总的来说,我们有信心为客户提供明确且量化的价值,并为 Google 广告业务的部分增长提供动力。

由于显示统计相关结果需要高度严格,因此这种类型的影响本质上是一个滞后指标。为了在此过程中做出决策,我们会考虑领先指标,例如情绪、重复使用、任务成功以及针对面向客户和代表的体验的帮助反馈。

情绪是在工作流程内部(事务)和外部(关系)进行测量的。我们的人工智能体验比非人工智能体验高出 10 个百分点到 20 个百分点,这对于我们突破客户互动产品 75% CSAT 门槛至关重要。

重复使用是一种改进的覆盖率和采用率衡量标准,使我们能够尽早发现新人工智能功能的前景。在智能回复示例中,这可能是每天使用几次的内容与每次聊天对话中使用多次的内容之间的区别。正如我们在这里看到的手动代理聊天改进,性能可以实现超过 40pp 的改进。

任务成功是一个广泛的术语,涵盖客户或代表目标的实现。在销售领域,这可能是推介率或获胜率,而在支持领域,这可能是首次解决或总解决时间。历史基线为我们提供了一个明确的目标阈值,我们已经看到个别人工智能解决方案在难以改进的任务上将成功率提高了 10 倍。

协助反馈可以帮助我们了解人工智能何时出现故障并需要人工干预。我们特意设计了一个循环,让人员可以训练我们的系统——而代表是建立人工智能解决方案已准备好直接交付给客户的信心的好方法。我们将此作为我们学习和培训系统的速度的指标,并在向客户提供系统之前预览系统可能需要护栏的地方。

最后,成功推动领先指标上升的项目通常也会取得落后指标的成功。我们使用三阶段漏斗从估计到验证再到认证影响,每一步都进行历史比较。

支持框架

以客户价值和投资回报率作为我们的北极星,我们发现需要框架来引导团队朝着同一方向前进,为近期建设提供指导,同时采取步骤实现理想的长期愿景。这些框架阐明了今天存在的内容和未来应该存在的内容,并提供了实现目标的协调路径,同时让我们忠于北极星。

例如,客户成功飞轮阐明了深入了解客户的必要性,以提供最佳的客户价值。2x2 框架映射了客户价值和人类潜力,并提供了一种独特的方法来识别、开发和优先考虑机会。

利用人工智能的技巧

随着人工智能功能和商业应用的不断增加,人们常常想“赶上潮流”以避免错失良机。因此,组织经常花费大量时间尝试各种技术和解决方案。为了平衡最大的业务影响和快速上市时间,我们建议三件事:

  1. 在选择技术之前确定最重要的用例

  2. 将人工智能解决方案视为构建块,您可以组装它们来解决更大的问题

  3. 具有简单解决方案的原型,重点是学习

总之,我们为管理营销、销售和支持团队的指数级需求而付出的努力催生了许多人工智能驱动的举措。每种体验都针对不同的业务目标进行了优化,但都遵循客户至上的原则,帮助我们提供最佳的体验。本文讨论的优先级框架也成为挑战团队的第二个重要指南,以推动人工智能超越人类能力的传统界限,并防止为了不优先考虑客户业务目标而轻松获胜而进行优化。

我们的旅程永远不会结束,我们将继续寻找新的方法来为客户提供更多价值。

文章来源:AI BUSINESS

这篇关于Google 的客户参与团队解释了他们如何使用人工智能来取悦全球数十亿用户的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/472528

相关文章

vue使用docxtemplater导出word

《vue使用docxtemplater导出word》docxtemplater是一种邮件合并工具,以编程方式使用并处理条件、循环,并且可以扩展以插入任何内容,下面我们来看看如何使用docxtempl... 目录docxtemplatervue使用docxtemplater导出word安装常用语法 封装导出方

Linux换行符的使用方法详解

《Linux换行符的使用方法详解》本文介绍了Linux中常用的换行符LF及其在文件中的表示,展示了如何使用sed命令替换换行符,并列举了与换行符处理相关的Linux命令,通过代码讲解的非常详细,需要的... 目录简介检测文件中的换行符使用 cat -A 查看换行符使用 od -c 检查字符换行符格式转换将

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Elasticsearch 在 Java 中的使用教程

《Elasticsearch在Java中的使用教程》Elasticsearch是一个分布式搜索和分析引擎,基于ApacheLucene构建,能够实现实时数据的存储、搜索、和分析,它广泛应用于全文... 目录1. Elasticsearch 简介2. 环境准备2.1 安装 Elasticsearch2.2 J

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

Java中List的contains()方法的使用小结

《Java中List的contains()方法的使用小结》List的contains()方法用于检查列表中是否包含指定的元素,借助equals()方法进行判断,下面就来介绍Java中List的c... 目录详细展开1. 方法签名2. 工作原理3. 使用示例4. 注意事项总结结论:List 的 contain

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

Android中Dialog的使用详解

《Android中Dialog的使用详解》Dialog(对话框)是Android中常用的UI组件,用于临时显示重要信息或获取用户输入,本文给大家介绍Android中Dialog的使用,感兴趣的朋友一起... 目录android中Dialog的使用详解1. 基本Dialog类型1.1 AlertDialog(

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意