Coles Group, her hafta müşterilerden gelen yaklaşık 40.000 yorumu mağaza düzeyinde eyleme geçirilebilecek bir avuç ana tema ve içgörüye dönüştürmek için üretken yapay zeka kullanıyor.
(LR) Coles’tan Silvio Giorgio ve Richard Walker.
Yorumlar, her hafta perakendeciyle etkileşime girdikten sonra belirli bir müşteri grubuna gönderilen haftalık anketten alınmıştır.
Tipik olarak, tek bir net destekçi puanı (NPS) ölçüsüne dönüştürülen sayısal puanların yanı sıra müşterinin bireysel deneyimi hakkında yapılandırılmamış yorumları (pazarlama dilinde “müşteri kelimesi kelimesine”) içeren yaklaşık 20.000 yanıtı netleştirir.
NPS, Coles bünyesinde müşteri memnuniyetinin bir ölçüsü olarak “ortak para birimi” haline gelmiş olsa da çoğu zaman tam veya doğru bir tablo sunmuyordu.
Veri ve istihbarat genel müdürü Silvio Giorgio, Melbourne’deki Microsoft Yapay Zeka Zirvesi’nde şunları söyledi: “Zorluk, müşterilerin bize bir puan vermesi ve biz her şeyin iyi olduğunu düşünüyoruz, ancak yorumlara bakarsanız aslında dünyanın harika olmadığını görürsünüz.”
“Zenginlik yorumdadır.”
Yorumlara örnek olarak otoparkın meşgul olduğu ve mağazada aranan bir ürünün stokta kalmadığı verilebilir.
Ancak operasyonlar ve sürdürülebilirlik genel müdürü Richard Walker, perakendecinin genellikle yorumlardan eyleme geçirilebilir bilgiler bulmakta zorlandığını belirtti.
“Doğası ve karmaşıklığı nedeniyle, bununla bir şeyler yapmak her zaman inanılmaz derecede zordu. [data] çabuk” dedi.
“Pazartesi sabahı geri bildirimlerden anlamlı bir şeyler çıkarmak için bir ordu dolusu insana ihtiyacınız vardı, o yüzden bunu yapmadık.
“Denemeye karar verdiğimizde, geleneksel kelime bulutları rotasına gittik ve üç ila dört ayımızı oraya yatırdık. [but] Harika görünmelerine ve bu haftaki performansa farklı bir bakış açısına sahip olmalarına rağmen, bize özellikle eyleme geçirilebilir hiçbir şey vermedi.”
İş artık Coles’un Azure bulut kiracılığı sona erdiği için üretken yapay zekaya yönelik bir üretim kullanım senaryosu haline geldi.
Giorgio, “Bu, GenAI için harika bir kullanım örneği” dedi.
“[We] tüm müşteri bilgilerini ve bağlamsal puanları bir GenAI motoruna aktarın ve fikir, GenAI’nin her mağazanın odaklanması gereken ilk üç şeyi özetlemesini sağlamaktır.”
Bu, sürecin biraz fazla basitleştirilmesidir – ya da en azından Coles’un operasyonel yapısı ve işleyişinde GenAI modelini eğitmek için perde arkasında gösterilen çabayı yalanlıyor.
“GenAI motoruna bir şey koymak ve yanıt beklemek [involves] En hızlı miktarda zaman, çaba ve enerji, [but] Giorgio, “Bunun pek de mantıklı olmayan bu özetleri geri aldığımızı gördük” dedi.
“GenAI’nın sorunu küçük bir çocuk gibi olmasıdır. Tam olarak ne söyleyeceklerini bilemezsiniz ve bazen çok fazla bağlamdan yoksundur ve o an için uygun değildir ve biraz da bundan söz eder.
“Dolayısıyla bu, bir GenAI motoruna veri beslemek kadar basit değil. Aslında onu eğitmeniz ve verileri uygun bir şekilde tasarlamanız gerekiyor. [it knows] süpermarketin farklı unsurlarının bileşen parçaları: mağaza ve ürün hiyerarşisinin ne olduğu, [that] tüm mağazalarda aynı ürünler bulunmaz, [and] takımların nasıl yapılandırıldığı.
“Bu öğretme aslında verinin yapısında yer alıyor ve aslında en fazla zamanı bu alıyor. Sanırım bu konuda büyük ölçüde kırılmayı başardık ancak daha gidecek çok yolumuz var.”
Başlangıçta, müşteri anketlerinden elde edilen puanlar ve yorumlar GenAI hizmetine manuel olarak yüklendi ancak bu, ilerleyen süreçte otomatik bir sürece taşınacak.
Amaç, personel listesi gibi operasyonel ayarların değiştirilmesiyle kolayca düzeltilebilecek müşteri geri bildirimlerindeki kalıplar konusunda uyarılmaktır.
“Richard’la üzerinde çalıştığımız ve Richard’ın savunduğu şey, eğer müşteri hizmetleriyle ilgili olumsuz geri bildirimler alırsak, mesela açık kasaların sayısı, bunu kaç kişiyle eşleştirebiliriz? Bu, aslında daha fazla insana ihtiyacımız olduğu anlamına mı geliyor, ve geri bildirimler kadroyu değiştirmemizi gerektirecek kadar tutarlı mı?” dedi Giorgio.
“Bu, bu tür bir teknolojiyi nasıl geliştirmemiz gerektiğine dair makul bir örnek.
“Heyecan verici ama yapılması gereken bir sürü ‘homurdanma’ işi var, ancak gelecekte bunun daha kolay olacağını umuyorum.”
Walker, GenAI’yi soruna uygulamanın “oyun değiştirici” olduğunu söyledi; bunun nedeni yalnızca personel yoğun bir analiz sorununu çözmesi değil, aynı zamanda toplanan ancak tam olarak harekete geçmeyen verilerin tüm zenginliğini ortaya çıkarmasıydı.
“Şu anda yaptığımız şeyi fiziksel olarak yapamadık. Biz [would have] Yorumları sindirip sentezlemek için bir orduya ihtiyaç vardı” dedi.
“Her hafta bu 40.000 yorumu alıyoruz ve fayda sağlayabileceğimiz yorumlardan yaklaşık iki kat daha fazla duygu çıkarımı yapıyoruz.
“Yani, bir cümlenin tamamında alışveriş deneyimiyle ilgili iki ila üç farklı duygu çıkarımı yapabilirsiniz.”
Daha sonra yorumlar, operasyonel olarak en fazla dikkat gerektiren yerlerin anlaşılmasına yardımcı olmak için “30 ila 40 duygu kategorisine” göre sınıflandırılır.
“Bundan sonra yapabileceğimiz şey… müşterilerin en çok ne hakkında konuştuğunu görmek, böylece belirli bir hafta içinde söz konusu duyarlılık konusunun göreceli katılımını görebilir ve daha sonra bu duyarlılık konusunun zaman içinde trendini oluşturarak, ortaya çıkan şeylere dayalı bir genişlemeyi görebilirsiniz. yapıyoruz,” dedi Walker.
“İşin gerçekten şaşırtıcı olduğu nokta, mağaza türü, konum ve günün saati gibi duyguların dışındaki nitelikleri de üst üste koyabilmenizdir.
“Sen [can then] Finans perspektifinden bakıldığında, arkasından gelen eylemin büyük ölçüde hedeflenmesine olanak tanıyan çok ayrıntılı ve odaklanmış çıktılar elde edin.
“Çok daha fazla odaklanma yeteneği oyunun kurallarını değiştiriyor.”