La tecnología como medio para mejorar las conexiones personales
T-Mobile se muestra orgullosa de ser un agente del cambio en el mundo de las comunicaciones inalámbricas, ya que aborda de una forma muy creativa la relación que quiere tener con sus consumidores, lo que incluye la forma en que la empresa utiliza la IA para mejorar su atención al cliente.
El uso de las capacidades predictivas del aprendizaje automático para mejorar el servicio al cliente es un gran ejemplo de cómo la IA permite aumentar las capacidades humanas. T-Mobile lo ve como una oportunidad para brindar una atención más completa y rápida a los clientes, lo que resulta beneficioso no solo para la empresa y los agentes del centro de atención, sino que también enriquece la experiencia del cliente y crea conexiones más sólidas de persona a persona.
"La mayoría de las industrias han decidido utilizar la inteligencia artificial y el aprendizaje automático para crear sistemas con respuesta de voz interactiva (IVR) y chatbots más sofisticados como un medio para retrasar todo lo posible la interacción de los clientes con un agente real", afirma Cody Sanford, vicepresidente ejecutivo y director de información de T-Mobile. Sin embargo, en T-Mobile cambiaron ese paradigma. Los clientes de T-Mobile se conectan de inmediato con un agente del servicio de atención al cliente que los conoce, en lugar de hablar con un IVR o un chatbot. Con la ayuda de la IA, estos agentes del servicio de atención al cliente pueden acceder rápidamente a la información que necesitan tener a mano para resolver la llamada del cliente.
La IA proporciona a los agentes información contextual en tiempo real, lo que ayuda a que los problemas de cada cliente se resuelvan de manera rápida y precisa. Para conseguirlo, T-Mobile desarrolló modelos de aprendizaje automático de comprensión del lenguaje natural que extraen el significado a partir de grandes cantidades de datos textuales. Entre los datos de la compañía se encuentran cientos de miles de solicitudes de clientes que llegan cada día, así como una cantidad enorme de resoluciones de casos donde se pueden encontrar respuestas que podrían resolver las consultas de los clientes. A continuación, los modelos de aprendizaje automático predicen cuál es el tipo de información que puede resultar útil para resolver las necesidades de un cliente específico, como ayudarlo a pagar su factura o agregar una nueva línea telefónica; así, se muestra el contenido relevante al agente del servicio de atención al cliente que es parte de la red de trabajo del Equipo de Expertos (TEX), que conoce bien a los clientes porque trabaja con ellos a diario.
"A los clientes de T-Mobile les gusta cuando tienen una conexión personal y humana con nosotros. A través del machine learning podemos cambiar la forma en que nuestros clientes se relacionan con nosotros".
Cody Sanford
Vicepresidente ejecutivo y director de información
T-Mobile
"A los clientes de T-Mobile les gusta cuando tienen una conexión personal y humana con nosotros. A través del machine learning podemos cambiar la forma en que nuestros clientes se relacionan con nosotros".
Cody Sanford
Vicepresidente ejecutivo y director de información
T-Mobile
Sin embargo, antes de que pueda comenzar este proceso, es necesario agregar etiquetas a los datos para entrenar estos modelos de machine learning predictivos. Anteriormente, T-Mobile tenía equipos de científicos de datos que trabajaban en el etiquetado manual. Era un trabajo vital, pero también tedioso y lento. Los científicos de datos repasaron los mensajes de los clientes en busca de palabras y frases clave y los asignaron a los tipos de transacciones.
Para infundir su etiquetado de datos con AI, T-Mobile se dirigió a Amazon SageMaker Ground Truth. Ground Truth agiliza y escala el etiquetado de los datos de entrenamiento, lo cual es esencial para que los modelos de machine learning produzcan predicciones con gran precisión. En lugar de hacer esto manualmente, Ground Truth aprende de estas anotaciones en tiempo real y aplica automáticamente etiquetas a gran parte del conjunto de datos restante.
El uso de Ground Truth no solo simplificó ese proceso, sino que liberó a los científicos de datos de T-Mobile para que se centren en tareas más especializadas, como la creación, el análisis, la validación y la implementación de modelos.
"Estábamos gastando grandes cantidades de tiempo de nuestros científicos de datos etiquetando miles y miles de mensajes", dice Sanford. "Ground Truth ha sido capaz de hacer que sea súper eficiente, y ahora ya no necesitamos que nuestros científicos de datos capacitados etiqueten a mano los datos".
Por ejemplo, Ground Truth crea datos de entrenamiento precisos al observar frases y palabras clave contenidas en millones de mensajes de texto de clientes, ayudando a T-Mobile a elaborar mejores recomendaciones predictivas acerca de por qué un cliente se comunica, para que se pueda dar la respuesta correcta en el primer contacto. El modelo está diseñado para ser de autoaprendizaje, por lo que será más preciso con el tiempo.
"A los clientes de T-Mobile les gusta cuando tienen una conexión personal y humana con nosotros", dice Sanford. "A través del machine learning podemos cambiar la forma en que nuestros clientes se relacionan con nosotros".