Povyšte svůj byznys na vyšší úroveň

Kde jinde automatizovat a robotizovat než v zemi, která je z většiny průmyslová a závisí na lidských zdrojích, kterých je v poslední době žalostně málo? Nemálo prostoru je v poskytování služeb, při kterých vhodné nasazení automatizovaných procesů a zpracování dat může výrazně uspořit, nebo dokonce měnit celé byznys modely. V jakých systémech firmy už reálně využívají strojové učení?

Relativně běžně se můžeme setkat například s chatbotem jako prvním kontaktem pro návštěvníky webu či e-shopu. Virtuálních agentů využívají nejen velcí internetoví prodejci. Pokud jde o chatboty, jež mají vést přímou komunikaci se zákazníky, bývají závislí na jasně definované stromové struktuře konverzace a jsou spíše navigátorem v sortimentu nebo prvním sběračem dat například při reklamaci. Využití stromové struktury má svou logiku – můžeme tak dostatečně ohlídat poskytovanou zákaznickou zkušenost. Silnější využití chatbotů, kde nepřesnosti a neschopnost komunikace plynulým a přirozeným jazykem nevadí, může být ve zrychlení odbavení klientů v oddělení péče o zákazníky: v přímé komunikaci je nasazen živý agent, který ovšem využívá chatbotů k nalezení co nejvhodnějšího postupu vyřešení problému, například ve znalostních bázích. Zde nevadí ani nepřesné zadání dotazu a ani jazykově kostrbatá odpověď – jde o rychlost a automatizaci.

Zajímavě vypadá i použití chatbotů v lidských zdrojích a personalistice. Virtuální HR asistent odpovídá na základní opakující se otázky, jako například kolik dní dovolené ještě může zaměstnanec vyčerpat, případně dotazníkovým šetřením zkoumá spokojenost zaměstnance. Co ještě dělá virtuální agent kromě toho, že odpovídá na tyto často se opakující otázky? Například identifikuje a upozorňuje na nová témata, na která se zaměstnanci nebo zákazníci ptají.

Strojové učení může posouvat schopnosti chatbotů mnohem dál – příkladem mohou být analýzy textu nebo analýzy sentimentu v řeči apod. Rozpoznávání psaného nebo mluveného jazyka strojem se dnes začíná prosazovat v češtině a slovenštině. Aplikace dokážou velmi efektivně zodpovědět běžné otázky tazatele, který jen těžko rozpozná, zda na druhé straně mluví se strojem, či fyzickou osobou. Chatbot není dokonalé řešení, nemá emoce, nedokáže odpovědět vtipně a nebude s vámi filozofovat. Na prvotní odbavení určitých otázek a situací je však ideálním řešením, které může zaměstnancům uvolnit jejich ruce, aby se mohli soustředit na kvalifikovanější práci.

Příklady využití umělé inteligence

Nástroje strojového učení tedy pomáhají člověku řešit konkrétní situace a zjednodušit život. Ideálním příkladem je předpovídání prodeje produktů a služeb. Například slovenská firma AltTag připravila pro síť supermarketů prediktivní model prodeje potravin postavený na nástroji Machine Learning Studio a službách Azure. Model předpovídá prodeje na konkrétní den, týden a konkrétní prodejnu. Úspěšnost předpokládaných prodejů v porovnání s reálným prodejem dosahuje téměř 90 %. Supermarket díky tomu může ušetřit desítky tisíc eur, šetří též životní prostředí, protože prodejny nenaskladňují zbytečné množství rychle se kazícího zboží, které by se následně vyhazovalo. Lze také lépe plánovat práci prodavačů. Člověk vloží vstupní data, která následně AI vyhodnotí. Následná interpretace výsledku a přijetí opatření je vždy na rozhodnutí člověka.

Představme si dále například obchodního manažera, který analyzuje prodejní data, plánuje a rozhoduje o strategických obchodních příležitostech a má za úkol směrovat svůj obchodní tým k dosažení stanovených cílů. S běžně dostupnými nástroji, jako jsou reporty, analýzy apod., musí projít velké množství dat a informací, aby dokázal udělat vhodný závěr a stanovit tak plán. Takovýto obchodní manažer určitě ocení, pokud nebude muset dále sedět nad tabulkami, analýzami a vyhodnocovat prodejní data. Svůj ušetřený čas naopak bude moci věnovat třeba osobním setkáním s klienty. Který manažer firmy by toto nechtěl?

Vhodné nástroje přehledně s pomocí strojového učení umí vyhodnotit prodeje a ukážou, jaké budou výnosy či ztráty na konci měsíce nebo roku. Současně obchodník uvidí, kteří z jeho klientů přinesli pro firmu největší obchodní transakce, případně že v daném měsíci neměl žádný kontakt s obchodovanou firmou. Aplikace analyzuje interakce s klienty a dokáže obchodníkovi na základě těchto signálů určit sílu vztahu a stanovit pravděpodobnost uzavření obchodní příležitosti. Obchodním manažerům dokáže také velmi efektivně pomoci s plánováním a predikcí výsledků v daném období. S přibývajícím množstvím dat se pak systém strojového učení průběžně učí a identifikuje a nabízí řešení případných výkyvů obchodních výsledků.

Interně už máme vyzkoušeno i trénování strojového učení pro prognózování obchodních výsledků. Dnes už je tak v produkci nasazený velmi komplexní model – využívá například CRM data o obchodních příležitostech a zahrnuje třeba i historickou úspěšnost obchodníků, makroekonomické údaje nebo třeba aktuální promoakce. Dříve sběr dat probíhal manuálně a zabral mnoha zaměstnancům týdny času. Pokud zohledníte, že bylo třeba pracovat s daty z 80 lokací ve světě, výsledkem byly často výrazné nepřesnosti. S novým modelem na bázi strojového učení se přesnost předpovědí zvýšila až na 98,4 %.

Z výše uvedených příkladů je zřejmé, že správná data jsou alfou a omegou všeho. Kdo má data a umí z nich vytěžit maximum, může totiž lépe plánovat svůj byznys a posilovat svou konkurenceschopnost na trhu. O úsporách nákladů, času, spokojených klientech a zaměstnancích nemluvě.

Nikola Pleska Autor článku je produktový manažer divize Microsoft Dynamics.