O přáních svých zákazníků se nejvíce firma dozví otevřenými otázkami. Jenže když jde třeba o síť obchodů a má položit půl milionu lidí v podrobném dotazníku otázky typu "Co máme udělat pro to, aby byl váš nákup u nás příště příjemnější?" nebo "Je něco, co byste v naší prodejně změnili?", musela by přečíst miliony vět. Tedy najmout na takový úkol speciální tým lidí, kteří budou zpětnou vazbu sledovat a vyhodnocovat. A to znamená velké náklady navíc.

Na scénu proto přichází umělá inteligence, která tenhle úkol bere na sebe. Jednou z inovativních firem, jež tuhle službu poskytují, je plzeňská technologická společnost SentiSquare. Umělou inteligenci používá k analýze textů vytvořených zákazníky.

Za tři dny si řekneme

Příklad: firma má každý měsíc desetitisíce vyplněných dotazníků s otevřenými otázkami. Technologie od SentiSquare je do tří dnů přečte, porozumí jim, umí je zařadit do kategorií, a navíc určí sentiment odpovědí. Software pozná, jestli je vyznění odpovědi pozitivní, neutrální, negativní, nebo smíšené. Výstupem jsou statistiky o tom, co zákazníky dané společnosti nejvíce trápí, s čím jsou naopak spokojeni nebo které konkrétní problémy jim vadí a firma by je měla okamžitě vyřešit.

Kritizovaná obsluha

Takzvané spider grafy (též paprskové či pavučinové) slouží k rychlému náhledu na témata zpětné vazby. Započítávají se do nich jen silné názory zákazníků – propagátorů (promotérů), kteří danou kategorii pozitivně hodnotí, a kritiků (detraktorů), kteří něco výrazně kritizují. Na stejné ose lze vidět, kolik má daná kategorie propagátorů a kolik kritiků, přičemž se započítává jen chvála od prvního a kritika od druhého z nich. Neutrální příspěvky jsou pro firmy nezajímavé. Na tomto ilustračním grafu vidíme, že obsluha má minimum propagátorů a mnoho zmínek od kritiků. Manažeři řetězce restaurací by se tedy měli zaměřit na zlepšování v této kategorii.

"Jen tak prokáže excelentní zákaznický servis, tedy když se zákazníka zeptá, naslouchá mu, porozumí zpětné vazbě, soustředí se na identifikované problémy a napraví je. Bez umělé inteligence je to téměř nemožné, obzvlášť pro značky s mnoha zákazníky," říká Lucie Kolářová, marketingová manažerka firmy, jež vznikla na půdě Západočeské univerzity v Plzni.

Jednou z takových firem je třeba síť supermarketů Albert. Se společností SentiSquare spolupracuje už druhým rokem a díky jejich algoritmu mohl Albert začít vyhodnocovat zákaznické podněty, u nichž by to jinak bylo velmi náročné.

"Pro představu, systém automaticky zpracuje odpovědi od více než stovky tisíc zákazníků ročně a jejich podněty dokáže roztřídit do kategorií tak, aby doputovaly ve firmě na správné místo k určenému pracovníkovi. Díky tomu dokážeme reagovat a náměty zákazníků efektivně řešit. Pokud bychom měli řešit takovou databázi podnětů bez umělé inteligence, potřebovali bychom pracovní sílu, která by rutinně katalogizovala tisíce odpovědí," zamýšlí se mluvčí Albertu Jiří Mareček.

Vyhodnotí tisíce SMS

Software od SentiSquare používá také mobilní operátor T-Mobile pro textovou analýzu komentářů od zákazníků.

"Zákazníka po osobním, telefonickém nebo digitálním kontaktu s námi oslovíme a poprosíme o odpověď na tři otázky. Ptáme se, jak byl celkově s řešením spokojen, jestli pro něj bylo řešení požadavku snadné a konečně jestli by T-Mobile na základě své zkušenosti doporučil. Vedle toho nám zákazník může formou otevřené slovní odpovědi popsat, jaká byla jeho poslední zákaznická zkušenost, co jej překvapilo hezky a co naopak nemile," líčí mluvčí T-Mobilu Kateřina Mikesková.

A právě tyto odpovědi ze slovních komentářů, které zašle zákazník v textové zprávě, analyzují pomocí technologie od SentiSquare. Slovních komentářů od zákazníků dostává T-Mobile zhruba 20 tisíc měsíčně, takže není v silách jednoho člověka nebo oddělení všechny číst a analyzovat. "Tuto práci přenecháváme strojům," dodává Mikesková.

Zpětná vazba zákazníků

Anonymizovaná data T-Mobile jednou za měsíc vloží do SentiSquare nástroje a po jejich "přechroupání" v řádu sekund jsou k dispozici pro analýzy. T-Mobile se pak soustřeďuje především na negativní témata a trendy a na hledání a odstranění jejich příčin. A také na vyhledávání konkrétních témat v zákaznické zpětné vazbě.

"Chceme-li například rychle prozkoumat nějakou oblast, pomocí jednoho slova nebo fráze dokážeme během okamžiku vyhledat všechny relevantní reakce zákazníků a efektivně vytřídit příčiny reakcí, na které se chceme zaměřit," vysvětluje mluvčí Mikesková.

Zaměřovač místo kobercového náletu

Princip systému SentiSquare lze zjednodušeně popsat tak, že funguje jako laserový zaměřovač místo kobercového náletu. Umělá inteligence vytvoří sémantický model z dřívější zpětné vazby zákazníků. Díky přesnému zaměření na problém každé oddělení, jednotlivé pobočky a všechny regiony mají jasno v tom, jak si u zákazníků firma stojí. Díky tomu mohou zaměřit úsilí a prostředky přesně tam, kde to bude mít největší účinek.

"Klient má okamžitý přehled o tom, co si jeho zákazníci přejí. Navíc dostane nově nalezená témata, se kterými zákazníci přicházejí," dodává marketingová manažerka SentiSquare Lucie Kolářová.

Prvním výstupem systému je kategorizace. V SentiSquare zavedli 44 kategorií, aby měl klient jasno, která témata zákazníci zmiňují. Druhým výstupem je sentiment. Software pozná s téměř 85procentní přesností, jaký má zpětná vazba náboj. Třetím výstupem je potom pohled do hloubky. Když se objeví nové téma, jež ještě není v kategoriích obsaženo, SentiSquare to zaznamená a dá klientovi vědět. Konečným výstupem je vizualizovaný graf, z něhož ta která firma vyčte veškeré informace.

Když data třídí umělá inteligence, jako je tomu v případě softwaru SentiSquare, má to ještě jednu výhodu. Systém oddělí ta sdělení zákazníků, na něž už není třeba dál reagovat, a naopak poukáže na ta, která už musí vyřešit člověk.

Analyzovat jdou rovněž už výše zmíněné textové zprávy zprávy, tak jako to využívá T-Mobile, mimochodem úplně první klient SentiSquare. Na jedno obecné telefonní číslo chodí spousta SMS zpráv od zákazníků − nejrůznější připomínky nebo stížnosti. Přečíst jich měsíčně desítky tisíc by vyžadovalo zapojení mnoha lidí, kteří však mohou dělat kreativnější práci.

"Třeba zvednout telefon, zavolat opravdu naštvanému zákazníkovi a vyřešit s ním jeho urgentní problém. Komu konkrétně je potřeba zavolat, řekne našim zaměstnancům právě umělá inteligence. Přečte a vyhodnotí tisíce textových zpráv, porozumí jim a dá nám pokyn: těchto 200 čísel je urgentních. Tito lidé si stěžují, je nutné je osobně kontaktovat a pomoci jim s jejich problémem," přibližuje Kolářová. A operátor díky tomu může své rozzlobené nebo rozladěné klienty získat zpět.

Článek byl publikován ve speciální příloze Zákaznická zkušenost.

Zpětná vazba zákazníků