Как ИИ превращает жалобы клиентов в действенные инсайты

Старые дни движения Quality кажутся квинт в ретроспективе: баннеры, лозунги, призы и team-building ивенты. Сегодня управление качеством — это всё об информации — или, точнее, о том, как не залететь под неё.

В эпоху социальных медиа есть так много богатых данных, доступных от потребителей, что компании должны иметь возможность конвертировать эту обратную связь в создание идеальных продуктов. Если бы только. Проблема — в чистом объеме. Как мерчандайзеры, особенно в качественно-фокусированных отраслях вроде фармацевтики, могут сделать смысл из всей этой информации?

Короткий ответ — они не могут — не без помощи искусственного интеллекта и ناشющей науки предиктивного моделирования.

Типичный производитель лекарств получает десятки тысяч комментариев и жалоб из множественных источников по всему миру. Стандартное подразделение по обработке жалоб будет бороться с триажем этого überwältigenden ввода, разделяя позитивное от негативного, тривиальное от угрожающего жизни.

Фактически, преобладание жалобы обычно низко-рисково по природе, по словам Стива Маккарти, вице-президента по цифровой инновации Sparta Systems, вендора quality-management софта. Тем не менее, говорит он, каждая жалоба должна быть «тронута». Трюк лежит в фильтрации «шума» и фокусировке на действительно важной обратной связи.

С улучшениями в обработке естественного языка, ИИ стал всё более жизнеспособным средством интерпретации всех этих данных. Идея — позволить автоматизации сортировать сырые данные, затем представить подразделению обработки жалоб оценку тяжести, возможные корневые причины и даже предложения для действий.

Оно остается — по крайней мере пока — работой людей принимать или отвергать компьютерно-генеренные категоризации и предложения. «На этом этапе», — говорит Маккарти, «мы не убираем человека из процесса принятия решений, но мы пытаемся усилить способность принимать более умные, более эффективные решения».

В теории, система должна улучшать свои аналитические возможности с опытом. Это основа машинного обучения, ключевого аспекта современного ИИ. Чем больше оно переваривает данные и передает их инженерам качества, тем выше уровень точности, которым оно, вероятно, будет обладать, говорит Маккарти.

Помимо удовлетворения очевидного приоритета безопасности пациентов, ИИ-драйвенная система также будет более cost-effective, чем ручная, human-led оценка. (Предполагая, что последняя вообще возможна, учитывая поток информации, с которым производители должны иметь дело сегодня.)

Но стоимость — не единственная причина поиска более эффективного средства обработки жалоб. «Есть фактор скорости и timeliness», — говорит Маккарти. «Важно получить твердое понимание вероятной тяжести и [уровня] риска, ассоциированного с жалобой, чтобы вы могли завершить расследование корневой причины».

Следующий шаг в использовании ИИ — и тот, который далеко не достиг полной зрелости на данной точке — предиктивное моделирование. Доказав свою способность к контекстуализации данных, категоризации заказов и автоматизированной оценке риска, система может затем начать предвидывать типы жалоб, которые она получит. Через использование тренд-анализа она может фактически предвидеть уровень тяжести или риска, который жалоба, вероятно, будет представлять.

Вооруженная увеличивающимися объемами ввода, ИИ-двигатель может идентифицировать количество и природу отклонений от качественных бенчмарков. В эффекте, говорит Маккарти, она учится из этих данных до того, как продукт даже выпущен.

«Те наборы данных могут быть приведены вместе так, что если вы видите определенный паттерн на shop floor, который был связан с данными жалоб пост-маркет, вы можете коррелировать те наборы данных и начать предсказывать, что этот определенный паттерн мог бы привести к жалобе», — объясняет Маккарти.

Обратная связь становится частью closed-loop системы, которой она вкорпорируется обратно в изготовление продукта. Производитель может обнаружить, что манометр неисправен. Или дефект может быть обнаружен на фазе дизайна, необходимое изменение сырья и начальных производственных сетапов.

Пока ценность ИИ-драйвенного качественного процесса кажется наиболее очевидной в life sciences, Маккарти видит технологию как применимую равно к любому числу других отраслей. Производители медицинских устройств, например, могут получить огромную выгоду, будучи способными твикнуть дорогие capital equipment перед выходом на рынок. «В конце дня», — говорит Маккарти, «это о signal detection».

Технологии все еще есть путь пройти перед тем, как предиктивное моделирование станет доверенным и эффективным упражнением. В недавние годы ИИ сделал большие шаги в понимании нюансов и сентиментов за человеческими ответами, но это далеко от совершенства. Как, например, производитель контактных линз может разобрать такие жалобы как «чешется», «зудит», «жжет», и просто «некомфортное чувство»?

Маккарти ожидает видеть продолжающиеся авансы в технологии, пока life sciences производители стремятся встретить как потребительские вкусы, так и регуляторные строгости. Автомобильная отрасль также стоит выиграть от использования ИИ для улучшения безопасности и построения качественного тестирования в производство.

«Это пилотируется в ряде областей», — говорит Маккарти. «Способность применять предиктивное моделирование к этому процессу очень волнует. Я не могу даже представить возможности, которые у нас будут через несколько коротких лет».