人工智能(AI)和機器學習(ML)能夠作些什麼來改善客戶體驗?自從網上購物開始以來,AI和ML已經密切參與整個網上購物流程。若是沒有得到購物建議,你可能沒法享受到淘寶或任何其餘購物網站的優質服務,這些建議一般是根據供應商對你的特徵的理解進行個性化匹配,其中包括你的購買歷史記錄,瀏覽歷史記錄以及更多內容。淘寶和其餘在線企業都但願發明一個知道你和你的品味的銷售人員的數字版本,而且能夠無誤地引導你使用你購買的產品。算法
爲了實現這一願景,咱們須要從後端的一些繁重工做開始。誰是你的客戶?你真的知道他們是誰嗎?全部客戶都留下了數據路徑,但該數據路徑是一系列碎片,將這些碎片相互關聯起來真的很難。若是一個客戶有多個賬戶,你能查出來嗎?若是客戶有單獨的賬戶用於商業和其餘用途,你能夠關聯它們嗎?若是一個組織使用了許多不一樣的名稱,你能發現它們其實就是個單一的組織嗎?客戶體驗始於準確瞭解客戶是誰以及他們如何關聯,擦除客戶列表以消除重複稱爲實體解析,它曾經是一些擁有大量數據的公司才能涉足的領域。隨着時間的發展,咱們能夠看到實體解析的解決方案正在民主化:已經出現了大量提供適合中小型組織的實體解析軟件和服務的初創公司。後端
一旦你清楚了你的客戶是誰,你就必須問你對它們的瞭解程度到底有多少。全面瞭解客戶的活動對於瞭解客戶的需求相當重要,例如它們有什麼數據,以及如何使用它?ML和AI如今被被普遍用做數據收集的工具:處理來自傳感器、應用程序和其餘來源的數據流。收集客戶數據可能具備侵入性,而且在道德上存在問題,因此當你創建對客戶的理解時,請確保他們贊成而且不會損害他們的隱私。安全
ML與任何其餘類型的計算沒有根本的區別:「進入垃圾,出來垃圾」規則仍然適用。若是你的訓練數據質量不好,那你的結果將會不好。隨着數據源數量的增長,潛在數據字段和變量的數量也會增長,而且可能出現錯誤,例如轉錄錯誤,印刷錯誤等等。在過去,咱們能夠手動糾正和修復數據,但手動更正數據是一項容易出錯且繁瑣的任務,並且佔用大多數數據科學家的時間。與實體解析同樣,數據質量和數據修復已成爲最近研究的熱點,而且開始出現了一套用於自動化數據清理的新機器學習工具。機器學習
機器學習和AI對客戶體驗的一個常見應用是個性化推薦系統。近年來,混合推薦系統——結合多種推薦策略的應用變得更加廣泛。許多混合推薦系統依賴於許多不一樣來源的數據,而且深度學習模型一般是這種系統的一部分。雖然現有的大量模型大多數訓練完後再部署,但高級推薦和個性化系統確是實時的。不少公司開始使用強化學習,在線學習和個性化算法,構建推薦系統不斷訓練模型對抗實時數據。工具
機器學習和人工智能能夠自動執行許多不一樣的企業任務和工做流程,包括客戶交互。目前市面上有「經驗豐富」的聊天機器人,能夠自動化客戶服務的各個方面。到目前爲止,聊天機器人尚未達到人類的水平,但若是設計良好,簡單的「常見問題」機器人能夠帶來良好的客戶轉化率。咱們正處於天然語言處理和理解的早期階段,但在過去的一年時間裏,咱們已經看到了許多突破。隨着咱們構建複雜語言模型能力的提升,咱們能夠看到聊天機器人多個階段的進展:從提供通知到管理簡單的問答場景,再到理解上下文和參與簡單的對話,最後是「瞭解」用戶需求的我的助理。隨着聊天機器人的改進,咱們但願它們能夠成爲客戶服務不可或缺的一部分。爲了使聊天機器人達到這種性能水平,他們須要整合實時推薦和個性化,他們須要瞭解客戶以及人性。性能
欺詐檢測是另外一項正在應用機器學習的技術。欺詐檢測涉及好人和壞人之間的持續較量,欺詐專家正在發明更復雜的在線犯罪技術。欺詐再也不是人對人:它是自動化的,就像機器人購買演唱會全部門票同樣,由於他們能夠再次出售。正如咱們在最近的許多選舉中看到的那樣,犯罪分子很容易經過建立一個充斥着自動回覆的機器人來滲透社交媒體。發現這些機器人並實時阻止它們真的很困難,只有機器學習纔有可能,即便這樣,這也是一個難以解決的問題。學習
語音技術和情感檢測的進步將進一步減小自動化客戶交互中的摩擦。結合不一樣類型輸入(音頻、文本、視覺)的多模式模型將使得更容易適當地響應客戶; 客戶可能可以向你展現他們想要的內容,或者發送他們所面臨問題的實時視頻。雖然人類和機器人之間的互動常常將用戶置於使人不寒而慄的「神祕山谷」中,但能夠確定的是,將來的客戶對機器人的熟悉程度將超過咱們如今的水平。網站
但若是咱們要讓客戶經過這個神祕山谷的另外一邊,咱們也必須尊重他們的價值。影響客戶的AI和ML應用必須尊重隱私,他們必須是安全的,他們必須公平和公正。這些挑戰都不簡單,但若是客戶最終感到受到虐待,技術將沒法改善客戶體驗。人工智能
機器學習和人工智能將爲客戶體驗作些什麼?它已經作了不少。但它還有更多能夠作的事情,並且必需要作的是創建將來更天然的客戶體驗。spa
原文連接 本文爲雲棲社區原創內容,未經容許不得轉載。