Asmeninis archyvas„Gelbėk, klientai bėga iš mūsų!“ – tai frazė, kurios nenorėtų išgirsti joks verslo savininkas ar vadovas. Deja, tai gali nutikti (ir turbūt nutiks) kiekvienai įmonei bent kartą per visą jos veiklos istoriją. Teko tai išgirsti ir mums. Natūraliai kilo klausimas: kodėl? Kaip suprasti, kodėl bėga, ir kaip tai padaryti greitai ir tinkamai?
Ieškant priežasčių – duomenys ir pokalbiai
Pirmiausia reikėjo suprasti, kur slypi problema ir kodėl klientai jaučia nepasitenkinimą – mūsų svarbiausias tikslas buvo padėti klientui, suprasti, kur jam „skauda“. Nusprendėme gilintis į dvi pagrindines sritis – klientų atsiliepimus ir duomenis.
Turint daugiau nei 125 tūkst. klientų, duomenų analizei pakanka, tačiau pokalbių tiek daug, kad su visais tiesiog neįmanoma pasikalbėti. Kai su vienais spėji, kitus praleidi, todėl ieškojome sprendimo, kaip tai padaryti išsamiai ir sistemingai. Supratome: tai padaryti padės tekstų analizė. Surinkome visus klientų pokalbius ir pasitelkėme dirbtinio intelekto (DI) įrankius, kad išsiaiškintume, apie ką dažniausiai kalbama, kur kyla nesklandumų, kas trukdo naudotis mūsų platforma.
DI įrankiai – kaip išsirinkti tinkamą?
Šiandien DI įrankių rinkoje yra apstu – tiek kūrybinių, skirtų vaizdams ar tekstams kurti, tiek analitinių, leidžiančių analizuoti statistiką, tekstus ar net nuotraukas. Renkantis DI svarbu pirmiausia atsakyti sau į klausimą: kokią problemą nori išspręsti? Vieni ieško geresnio reklamos efektyvumo, kiti – kaip padidinti pardavimus ar sumažinti klientų nutekėjimą. Nuo problemos pobūdžio priklauso ir tinkamiausias įrankis.
Kai kurios užduotys, pavyzdžiui, teksto santrauka ar analizė, gali būti atliekamos paprastesniais įrankiais, tokiais kaip „Google Gemini“, „OpenAI“ ir kt. Galima rinktis netgi tarp skirtingų tos pačios platformos modelių: „ChatGPT-4o mini“ puikiai tinka bazinėms užduotims, o „o3“ gali pateikti gerai apgalvotus, kompleksiškesnius atsakymus.
Svarbu nepamiršti iteravimo – pavyzdžiui, paimti mažą pokalbių kiekį, sugalvoti, ką norime iš jų gauti, ir bandyti, bandyti, bandyti, kol gauni. Tada imti daugiau, tada dar daugiau, o tada – automatizuoti ir paleisti modelį visiems pokalbiams. Tokiu būdu susipažįsti ir su įrankiais, ir su rezultatu, kurį nori pasiekti, ir supranti, kiek tas rezultatas pasiekiamas.
Problemos paaiškėja besikalbant
Išmokus, kaip tuos pokalbius „pjaustyti“ ir ką iš jų galime išspausti, kai kurios problemos išryškėjo gan greitai, pavyzdžiui, funkcija veikia, bet jos pasiekiamumas nėra intuityvus. Tokiu atveju prototipo kūrimas su įrankiais kaip „Replit“, „Lovable“ ar „V0“ padėjo greitai ištestuoti sprendimus ir pasiūlyti geresnę patirtį. Prototipus galima keisti ir grįžtamąjį ryšį rinkti pokalbių su klientais metu.
Kitąsyk paaiškėjo, kad klientams nepatogu kurti paveikslėlius ar tekstus. Čia pritaikėme DI integracijas, kurios leidžia naudotis istorinių duomenų baze ir tuo pačiu metu generuoti reikiamą turinį, pritaikytą konkrečiam vartotojui. Tam puikiai tiko „OpenAI“ ar „Google AI“ siūlomi sprendimai.
Stebuklų nebūna – teks dirbti
Svarbu suprasti, kad DI nėra kažkoks magiškas įrankis – rezultatus reikia nuolat vertinti, tikrinti, dažnai netgi rankiniu būdu. Pavyzdžiui, pirminę analizę galima atlikti DI pagalba, bet vėliau, jau turint pagrindinius vertinimus, verta reguliariai atsitiktine tvarka peržiūrėti nedidelę dalį duomenų, kad įsitikintum, jog sistema dirba tiksliai. Tam tinka net tokie įrankiai kaip „Google Sheets“, kurie leidžia greitai įvertinti ir vizualizuoti analizės rezultatus.
Įrankiai nėra deterministiniai – jų kokybė gali keistis kas dieną, pateikiami atsakymai gali būti skirtingi. Jei tyrimas – didelis, ar produktą klientai naudoja tiesiogiai, reikia sugalvoti, kaip užtikrinti, kad kokybė nesugrius šiaip sau, vidury dienos. Svarbu turėti ir veiksmų planą, ką daryti, kai kokybė sugriūva, nes taip tikrai nutinka.
Šiam tikslui pasiekti galima ir skirtingus modelius naudoti, ir skirtingas įmones į pagalbą pasikviesti – rinkoje net įrankių, skirtų kokybei suprasti, vis daugiau atsiranda. Vis dėlto, iš viso to, ką patyrėme, supratome: esmė yra likti prie šaknų. Svarbu reguliariai tikrinti rezultatus rankomis, įsigilinti, ar sprendimai veikia. Žiūrint tik į skaičius, kontekstą ir problemas pamesti labai lengva. DI naudoti verta, bet tik tada, kai jis tampa tikru partneriu – ne magiška piliule, o išmintingai pritaikytu įrankiu verslo kasdienybėje. Šia technologija pasitikėti – verta, bet būtina ir kontroliuoti.
Vytautas Jakštys yra „Omnisend“ produkto direktorius
