Gambar 5.9 Meja layanan virtual
Keuntungan dalam skenario Tenaga Kerja Digital ini berkisar dari ketersediaan layanan mandiri 24/7 hingga waktu respons langsung bagi pelanggan. Dari perspektif bisnis, keuntungan berikut dapat direalisasikan: penghematan biaya yang signifikan dengan virtualisasi dukungan tingkat pertama, peningkatan penanganan waktu puncak, pengurangan laju perutean panggilan dengan prakualifikasi dan pengelompokan, peningkatan efisiensi dan penghematan biaya dengan otomatisasi tugas / proses, pemberdayaan agen manusia (yaitu rekomendasi untuk aktivitas, jawaban, penawaran terbaik berikutnya).
Berdasarkan umpan balik pelanggan yang positif, kami yakin akan memperluas upaya Tenaga Kerja Digital kami ke setiap unit fungsional dan meningkatkan kedalaman otomasi proses dalam beberapa bulan dan tahun mendatang.
5.3. KECERDASAN BUATAN DAN BIG DATA DALAM LAYANAN PELANGGAN
berbagai masalah layanan yang berbeda di berbagai sektor. Untuk membuat klasifikasi yang berguna dalam layanan pelanggan, instrumen kontrol strategis yang terbukti untuk insiden layanan diandalkan. Ini akan menjadi Value Irritant Matrix yang disajikan oleh Price dan Jaffe (2008) yang ditunjukkan pada Gambar 5.10.
Di satu sisi, perusahaan kemudian mempertimbangkan apakah tertarik untuk menjalin kontak dengan pelanggan dari sudut pandang layanan, karena itu akan memberi mereka pengetahuan tentang produk dan layanan mereka, sehingga menghasilkan ide untuk menabung serta peluang yang muncul. melalui kontak, baik menjual produk atau layanan lain atau tidak. Di sisi lain, perspektif pelanggan pada layanan kontak diperhitungkan secara sistematis. Ini menyangkut apakah pelanggan benar-benar tertarik dengan kontak pribadi untuk mendapatkan jawaban atas pertanyaannya, menerima saran, dan, idealnya, menghemat uang, atau apakah dia tidak merasa perlu untuk melakukan kontak dengan perusahaan dan akan menganggap kontak semacam itu mengganggu.
Gambar 5.10 Value Irritant Matrix
Ide dasarnya adalah bahwa perusahaan harus menilai di mana pelanggan dan perusahaan menunjukkan minat dalam melakukan kontak pribadi. Hanya dalam kasus seperti itulah diskusi yang berharga terjadi. Jika ada perbedaan kepentingan, di mana pelanggan memiliki minat yang tinggi dalam memecahkan masalah sementara perusahaan menganggap kontak sebagai biaya tambahan belaka, kontak tersebut harus diotomatiskan. Ini menjadi perhatian khusus dalam kasus pertanyaan klien yang berulang. Dalam konteks ini, sering kali pertanyaan tentang memahami bagaimana produk dan layanan berfungsi, yang juga dikenal sebagai Self-Service. Hal yang sama berlaku untuk kasus sebaliknya, di mana perusahaan bergantung pada pelanggan untuk mengungkapkan informasi tertentu melalui kontak yang sudah mapan, ketika itu menyangkut check-in atau konfirmasi email, misalnya. Kontak semacam itu sering
dianggap mengganggu oleh pelanggan. Dalam hal ini, kontak pemberitahuan pelanggan yang diperlukan, seperti untuk check-in atau kontak parsial, sebaiknya disederhanakan.
Khususnya dalam beberapa tahun terakhir, digitalisasi telah menghasilkan banyak kemungkinan dan ide untuk, di satu sisi, mengotomatiskan atau menyederhanakan lebih banyak kontak, dan, di sisi lain, meningkatkan pengalaman pelanggan dalam apa yang disebut kuadran leverage. Ini selalu terjadi di bawah premis untuk memaksimalkan manfaat bagi perusahaan dan pelanggan.
Untuk mendemonstrasikan kontribusi big data dan AI untuk memaksimalkan manfaat ini, tiga area aplikasi berikut harus dijelaskan:
1. Analisis Suara
2. Chatbots dan UI Percakapan 3. Pelayanan Prediktif
5.3.1. Identifikasi Suara dan Analisis Suara
Sebagai sumber data, penggunaan bahasa manusia dalam perlakuan pelanggan yang ditargetkan telah meningkat selama beberapa tahun terakhir. Ada dua kemungkinan aplikasi dalam layanan pelanggan; di satu sisi, identifikasi bahasa pelanggan. Potensinya sangat besar terutama dalam industri di mana identifikasi pelanggan diperlukan sebelum interaksi untuk alasan keamanan atau bukti identitas, karena hanya sedikit pelanggan yang mengingat kata sandi keamanan yang ditentukan atau ingin memberikan nomor ID pelanggan atau tanggal lahir.
Mengenai Value Irritant Matrix, ini berkaitan dengan perampingan kontak dengan pelanggan.
Dalam hal ini, berbagai perusahaan telah menggunakan apa yang disebut cetak suara. Cetak suara ini adalah file yang berisi karakteristik suara tertentu, seperti frekuensi, kenyaringan, kecepatan, dll. Namun, tidak ada konten percakapan atau bagiannya yang direkam. Dengan cetak suara, identitas seseorang dapat diautentikasi dengan tingkat akurasi lebih dari 99 persen. Selain itu, identifikasi dilakukan atas dasar data yang tidak dapat diperoleh dengan maksud curang. Ini juga bisa menjadi sarana melawan serangan manipulasi psikologis. Dalam serangan tersebut, penipu berpura-pura menjadi pelanggan dalam upaya untuk mendapatkan data sensitif.
Layanan semacam itu telah ditawarkan oleh penyedia seperti Nuance and Nice selama beberapa waktu. Namun, hanya 7% dari semua pusat kontak yang menggunakan informasi berbasis ucapan untuk mengidentifikasi atau bahkan menganalisis konten panggilan. Hal ini terungkap dari hasil survei Service Excellence Cockpit 2017 (lihat perkembangan Egle dkk. 2014), di mana lebih dari 180 contact center Eropa berpartisipasi. Oleh karena itu, bagi banyak perusahaan,
ini merupakan potensi lain untuk diferensiasi, karena identifikasi biometrik mengurangi durasi panggilan untuk pelanggan dan perusahaan, sehingga memungkinkan pelanggan mendapatkan respons kompeten yang diinginkan lebih cepat (Service Excellence Cockpit 2017).
Potensi besar di sini terletak pada penautan analisis ucapan dan Machine Learning. Hal ini dibuktikan oleh perusahaan Precire Technologies dari Aachen, Jerman. Para pendiri perusahaan ini mengklaim telah menguraikan ucapan manusia, dan ini melalui hasil studi psikologis dan penggunaan teknologi Big Data. Wawancara pelanggan yang direkam dapat memberikan pernyataan umum tentang dampak komunikatif dari suatu bahasa, pada emosi, pada kepribadian dan kapasitas linguistik seseorang, tetapi juga pada motif dan sikap kelompok atau individu.
Di bidang contact center, ini sangat relevan untuk interaksi antara karyawan dan pelanggan. Setelah alat yang dijelaskan telah diajarkan dalam arti Machine Learning, dan dengan demikian memahami apa yang dimaksud dengan "dialog yang berhasil" dari sudut pandang perusahaan, kepuasan pelanggan (dan karyawan) yang sebenarnya dapat diukur dan dianalisis sebelumnya, selama, dan mengikuti panggilan. Dengan demikian, perusahaan menghemat langkah ekstra dari survei pasca-panggilan dan dapat menyusun program pelatihan individu berdasarkan pengukuran objektif. Beginilah cara karyawan dan manajer menerima manfaat pembinaan dari peningkatan digitalisasi layanan pelanggan.
Tujuan akhir dari analisis ini adalah bahwa panggilan telepon menjadi lebih pendek dan lebih berhasil dalam hal kepuasan pelanggan serta dalam hal cross- selling dan upselling.
Semua efek ini menambah kasus bisnis yang menarik, seperti yang ditunjukkan oleh penyelidikan dari dua pusat kontak. Penggunaan perangkat lunak analisis ucapan terbayar hanya dalam 5–7 bulan (Hafner 2016).
Survei kepuasan pelanggan otomatis dapat dilihat sebagai peningkatan nyata untuk "tolok ukur" NPS saat ini, yang menurut Service Excellence Cockpit telah diterapkan di 40% dari semua pusat kontak. Pelanggan kemudian mengevaluasi kualitas hubungan berdasarkan skala 0–10 jawaban untuk pertanyaan "Apakah Anda akan merekomendasikan kami?" Evaluasi ini subjektif, mungkin tunduk pada pertimbangan politik, dan didasarkan pada pengalaman jangka panjang (Reichheld 2006). Bias yang sama muncul dalam peringkat pertanyaan "Apakah Anda akan merekomendasikan kami berdasarkan interaksi sebelumnya?" dan tidak dapat dianggap sebagai ekspresi kepuasan dengan interaksi spesifik tersebut pada titik kontak tertentu. Evaluasi atas dasar interaksi tunggal dengan demikian terbukti menjadi sangat bermasalah dalam manajemen karyawan yang sebenarnya. Selain itu, pelanggan harus sekali lagi meluangkan waktu untuk menanggapi pertanyaan individu atau survei. Oleh karena itu, pertanyaan yang
ada adalah sejauh mana pelanggan melihat manfaat tambahan dari survei dalam hal membangun hubungan dengan perusahaan. Oleh karena itu, survei pelanggan mengenai NPS harus dibatasi pada pelaksanaan tahunannya.
Selain itu, survei yang mengikuti setiap interaksi juga kurang dipertimbangkan.
Biasanya, koresponden pusat kontak dapat merasakan tingkat kepuasan pelanggan dari percakapan itu sendiri. Insentif yang pertama untuk mencatat informasi ini ke dalam sistem untuk pengembangan logis dari hubungan pelanggan, bagaimanapun, terbatas, terutama dalam kasus diskusi yang bermasalah. Ini adalah jenis dilema yang dapat diselesaikan dengan sistem yang dijelaskan. Mereka benar-benar mengukur kepuasan sejati, berdasarkan apa yang dirasakan dan dialami pelanggan. Evaluasi ini menggali secara mendalam ke dalam jiwa pelanggan pada saat interaksi berlangsung.
Dengan menggabungkan NPS, sebagai indikator tingkat yang lebih tinggi, dan evaluasi titik sentuh analisis ucapan, dimungkinkan untuk membuat kokpit kontrol terintegrasi untuk layanan pelanggan yang tidak hanya memungkinkan kesimpulan yang diambil tentang kualitas interaksi dan pengalaman nyata pelanggan, tetapi juga juga terkait dengan promosi. Pengalaman yang tidak memuaskan dicatat sehingga pelanggan menerima perlakuan khusus dalam interaksi selanjutnya untuk membangun kembali pengalaman positif. Kampanye retensi dengan demikian dapat menjadi lebih bertarget dan logis berkat analisis ucapan.
5.3.2. Chatbots dan UI Konversasional
Melalui analisis bahasa lisan atau tulisan, sekarang dapat direfleksikan bagaimana dialog otomatis muncul. Basisnya adalah infrastruktur yang telah muncul di smartphone lebih dari dua miliar orang sejak 2008 di "Aplikasi Perpesanan" seperti Facebook Messenger, WhatsApp, Amazon Echo, atau WeChat Cina. Perusahaan sekarang dapat mengobrol dengan pelanggan mereka melalui "UI Percakapan" ini. Ini memiliki keunggulan dibandingkan pengembangan aplikasi layanan pribadi, di mana infrastruktur dialog yang diterima secara umum digunakan yang dapat diakses dan mudah dipahami oleh sebagian besar pengguna, dan dengan demikian untuk pelanggan (Sokolow 2016).
Jika otomatisasi dialog layanan akan direfleksikan, permintaan pelanggan yang lebih sederhana dapat ditangani oleh chatbots, karena lebih dari 80% pertanyaan yang diajukan di sebagian besar industri sangat berulang. Istilah chatbot terdiri dari dua bagian. Bagian kedua, “bot”, merupakan singkatan dari kata “robot”. Ini termasuk program yang digunakan untuk otomatisasi. Bagian pertama, "obrolan", mengacu pada fungsi tertentu yang dipenuhi oleh bot dalam mode komunikasi.
Oleh karena itu, chatbot adalah perangkat lunak yang mampu melakukan dialog
yang bermakna dengan orang-orang. Komunikasi dapat berupa tertulis atau lisan (Dole et al. 2015).
Chatbots bukanlah penemuan baru. Aplikasi pertama dikembangkan pada awal 1960-an, pada saat itu masih menjadi robot yang sepenuhnya diprogram dengan kerangka acuan statis. Ini adalah bagaimana kasus paling terkenal dari "Eliza", dalam peran psikiater, dikomunikasikan dengan subjek tes yang merasa yakin bahwa mereka sedang berbicara dengan orang sungguhan.
Baru-baru ini, bagaimanapun, Chatbots modern telah melampaui "mesin terprogram" seperti itu dan menjadi semakin berkembang. Mereka harus diajarkan melalui dialog antara pelanggan dan perusahaan. Dalam konteks ini, seseorang dapat sekali lagi dengan jelas berbicara tentang Pembelajaran Maschine dan AI yang dihasilkan (Iyler et al. 2016). Dalam publikasi terbaru (mis.
Weidauer 2017), menjadi jelas bahwa dalam percakapan yang semakin tepat antara bot dan pelanggan, fokusnya tidak hanya pada kecepatan pembelajaran sistem tetapi juga mengarahkan pelanggan melalui dialog menggunakan teknik pertanyaan yang terampil. Ketika bot membuat pertanyaan khusus, keputusan pelanggan dan, dengan demikian, ekspresi keinginannya, menjadi lebih jelas.
Ajaran "Siapa yang bertanya, memimpin" juga berlaku untuk Chatbots.
Contoh terkenal dari Chatbots yang dilengkapi dengan AI dan ditemukan di lingkungan ucapan nyata adalah Apple Siri, Google Now, Microsoft Cortana atau Amazon Alexa (Sauter 2016). Mereka menyelesaikan hampir semua tugas asisten pribadi. Namun, chatbot juga dapat disalahgunakan untuk ulasan otomatis atau manipulasi opini publik lainnya (Sokolow 2016). Dalam hal ini, Iyer, Burgert, dan Kane menunjukkan bahwa kepercayaan pada teknologi baru, seperti bot, terbatas dan tidak boleh disalahgunakan. Sebagai contoh, mereka menggunakan bot "Tay" dari Microsoft, yang menggunakan Machine Learning di Twitter untuk mengembangkan AI dan "memahami" bagaimana remaja berusia antara 18 dan 24 tahun berkomunikasi. Dengan melakukan itu, bot belajar dari dialog yang dilakukan dengannya. Ketika bot mulai membuat pernyataan rasis, seperti yang telah dipelajari dalam dialog, bot itu ditutup dan disesuaikan kembali oleh Microsoft (Beuth 2016).
Bot semacam itu baru saja diintegrasikan ke dalam lingkungan messenger masing-masing dan berfungsi sebagai mitra percakapan bagi pengguna atau melibatkan diri mereka dalam dialog antara beberapa pengguna manusia (Elsner 2016). Ide inti di balik ini, menggunakan bot untuk memandu peserta secara otomatis ke produk dan layanan yang berperan dalam dialog. Misalnya, seluruh rencana liburan, dari pemesanan penerbangan hingga reservasi hotel, hingga pemilihan tamasya dan restoran, dapat dilakukan dalam satu diskusi, tanpa keluar dari lingkungan messenger untuk mencari aplikasi komersial atau situs web yang mencantumkan harga dan alternatif. Transaksi semacam itu, yang
diakhiri dengan sarana komunikasi, dimasukkan ke dalam kata kunci
“Perdagangan Percakapan” (Sokolow 2016). Jika chatbot diintegrasikan ke dalam platform messenger populer (Facebook Messenger, Slack, dll.), Itu menyederhanakan kehidupan sehari-hari pelanggan, karena lebih sedikit upaya yang diperlukan ketika, misalnya, memesan penerbangan melalui pesan singkat daripada melalui seluruh proses pada aplikasi maskapai (lih. Annenko 2016).
Potensi penuh bot, bagaimanapun, terwujud hanya ketika salah satu perjalanan yang direncanakan tidak berjalan sesuai rencana: misalnya, jika bot menyadari bahwa ada penundaan yang lama dalam penerbangan karena Anda sudah dalam perjalanan ke bandara, itu dapat secara mandiri membuat perubahan pemesanan yang diperlukan untuk memastikan bahwa tanggal reservasi yang direncanakan dipatuhi. Pelanggan tetap tidak menyadari seluruh proses ini dan maskapai penerbangan terhindar dari dialog layanan yang tidak diinginkan.
Contoh penggunaan chatbot dalam layanan pelanggan adalah Digibank di India.
Ini telah menerapkan chatbot yang mampu menanggapi pertanyaan pelanggan dan memimpin percakapan di mana pelanggan beralih bolak-balik di antara berbagai topik terkait bank (Brewster 2016). Bank of America mengambil posisi serupa; Di sini, pelanggan juga dapat berinteraksi dengan chatbot di Facebook Messenger. Saat melihat layanan Messenger Cina WeChat, orang menemukan, misalnya, bahwa transfer uang dilakukan antara peserta obrolan dan semua jenis barang dan layanan dipesan. Dalam hal ini, mudah untuk melihat kegunaan lingkungan messenger sebagai Conversation UI. Dalam kasus pesanan produk konvensional, otoritas perwakilan e-Commerce yang sesuai harus dipanggil melalui Internet dan pembayaran biasanya dilakukan baik dengan aplikasi pembayaran atau dengan transfer dalam lingkungan e-Banking milik pelanggan.
Pertimbangkan saja berapa banyak sandi yang harus dimasukkan pelanggan dalam penyiapan ini untuk mengautentikasi diri mereka sendiri. Chatbot yang terlatih dengan tepat dapat membantu beberapa pelanggan dengan cepat dan bersamaan, yang jelas merupakan bentuk otomatisasi dialog yang jauh lebih rasional.
Mengingat bahwa permintaan layanan terjadi dalam berbagai tingkat kerumitan, pemantauan dialog memiliki peran yang sangat penting untuk dimainkan. Ini terutama berlaku dalam kasus di mana bot menerima permintaan layanan baru.
Dalam kasus seperti itu, bot tidak dapat menjawab, atau jawabannya tidak memuaskan bagi pelanggan yang bertanya. Jika bot tidak “tahu apa-apa lagi”, dialog harus diambil alih oleh koresponden manusia. Namun, selanjutnya, disarankan agar kasus layanan baru ditransfer kembali ke bot pembelajaran.
Untuk menyediakan bot dengan dasar "pengetahuan layanan", Iyer, Burgert, dan Kane merekomendasikan bot pengujian percontohan dengan pelanggan (2016).
Risiko bot yang tidak merespons atau memberikan respons yang tidak memuaskan harus dikurangi seiring waktu. Secara umum, perusahaan hanya
berada di garis awal dari perkembangan ini. Bot perlahan-lahan dimulai dengan menyelesaikan masalah yang sangat terstandarisasi dan secara bertahap berkembang menjadi kompleksitas dialog (Simmet 2016).
5.3.3. Pemeliharaan Prediktif dan Penghindaran Masalah Layanan
Pemeliharaan Prediktif adalah mode Pemodelan Prediktif yang sangat penting untuk masa depan sektor jasa. Di sini, perlakuan terhadap big data dan Analisis Prediktif yang didasarkan padanya memiliki peran khusus untuk dimainkan, seperti yang ditunjukkan oleh sebuah studi oleh Universitas Potsdam (Gronau et al. 2013). Pemodelan Prediktif ditandai oleh, di satu sisi, tingkat kematangan analitis yang tinggi, dan di sisi lain, oleh keunggulan kompetitif yang semakin tinggi, yang muncul dari pengetahuan yang dihasilkan secara predikatif.
Mengenai layanan pelanggan, Pemeliharaan Prediktif terutama berkaitan dengan perilaku proaktif perusahaan untuk menghindari masalah layanan yang dapat diperkirakan (Hoong et al. 2013). Oleh karena itu, masalah pengembangan model dari sumber data yang tersedia, yang memprediksi kapan masalah layanan tertentu dapat terjadi dan konsekuensi apa yang mungkin ditimbulkannya bagi perusahaan dan klien. Jika lebih nyaman memberikan solusi kepada pelanggan sebelum peristiwa layanan yang dimaksud benar-benar terjadi, apa yang disebut iritan dapat dihindari untuk pihak yang terlibat (Price dan Jaffe 2008, lihat juga Bab 1 artikel ini). Hal ini di atas semua dimungkinkan oleh fakta bahwa tidak hanya data internal perusahaan dan informasi dari dialog pelanggan — seperti yang ditunjukkan pada Bab 2 dan 3 artikel ini — tetapi juga data lingkungan eksternal, digunakan untuk pemodelan.
Hoong dkk. mendemonstrasikan hal ini dengan menggunakan contoh teknik mesin, seperti yang ditunjukkan pada Gambar 5.12.
Berbeda dengan pengontrol pemeliharaan mesin ini, yang berjalan sesuai dengan waktu dan siklus penggunaan yang tetap, model Pemeliharaan Prediktif menggunakan data internal dan eksternal serta dinamis untuk memprediksi probabilitas default mesin. Dalam istilah ekonomi murni, orang sekarang dapat mempertimbangkan biaya mesin default setiap hari atau setiap jam. Ini tentang mengoptimalkan perawatan atau biaya perawatan total. Jika perawatan dilakukan sebelum waktunya, suku cadang keausan peralatan dapat digunakan untuk jangka waktu yang lebih lama. Ini mengakibatkan biaya yang tidak perlu.
Jika mesin tersebut dikeluarkan oleh perusahaan klien itu sendiri, biaya waktu henti dapat diteruskan ke perusahaan manufaktur di bawah kondisi kontrak tertentu. Sekali lagi, Machine Learning ikut bermain. Algoritme belajar dari setiap default mesin. Berdasarkan semua mesin yang sedang berjalan dan interval servisnya serta default yang tidak direncanakan, akurasi model estimasi terus meningkat dan dengan demikian dapat menentukan waktu optimal untuk pemeliharaan atau penggantian.
Logika ini juga semakin banyak digunakan di lingkungan B2C untuk tujuan profitabilitas. Misalnya, pertimbangkan kasus seorang pedagang yang menjual kapsul kopi berkualitas tinggi kepada pelanggannya di bawah model klub dengan margin tinggi. Melalui model bisnisnya, perusahaan ini mengenal pelanggannya berdasarkan nama dan alamatnya. Selain itu, ia mengetahui jumlah dan jenis kapsul yang dibeli pelanggan. Sekaligus juga mengetahui merk dan tipe mesin yang digunakan. Perusahaan mengetahui rata-rata masa pakai mesin ini terkait dengan tingkat kesadahan air di tempat tinggal pelanggan. Di pasar negara maju, informasi ini cukup mudah ditemukan. Perusahaan juga mengetahui seberapa sering pelanggan membersihkan kerak mesinnya. Set dekalsifikasi biasanya juga diperoleh melalui klub. Semua faktor ini menghasilkan model estimasi yang disempurnakan dari waktu ke waktu, seperti yang dijelaskan di atas. Sekarang, tinggal melihat bagaimana "iritasi" bawaan mesin ini dapat dihindari. Pengecer tahu bahwa pelanggan yang mesinnya mati tidak akan membeli kopi selama sekitar satu bulan, sampai dia mendapatkan mesin baru. Selama ini, risikonya secara alami lebih tinggi, terjadi dalam bentuk pergantian pemasok, karena penghalang peralihan (mesin kopi yang berfungsi) telah dihilangkan. Untuk meminimalkan margin penjualan yang hilang dan risiko pergantian pemasok, dealer sekarang memberikan penawaran yang menguntungkan kepada pelanggan (dari sudut pandangnya) segera setelah kemungkinan kegagalan mesin mencapai tingkat tertentu. Pelanggan dapat (ketika memesan kopi dalam jumlah tertentu) membeli mesin kopi baru (yang lain, dari sudut pandangnya) dengan harga yang menarik baginya.Jika pelanggan menerima tawaran tersebut, Layanan Prediktif telah berhasil untuk pedagang kopi.
5.3.4. Kesimpulan: Perkembangan Customer Service Berbasis Big Data dan AI
Berdasarkan tiga area aplikasi yang disajikan, dapat diamati bahwa penggunaan big data dan bentuk AI, dan oleh karena itu, Machine Learning semakin bermanfaat di dunia layanan pelanggan. Dengan kemajuan yang meningkat di bidang Analisis Suara dan Layanan Prediktif serta peningkatan kemampuan dialog chatbot di lingkungan messenger, pelanggan akan dapat menangani permintaan pelanggan dengan cara yang lebih otomatis, sehingga mencapai keunggulan biaya dan kecepatan. Masih harus dilihat bagaimana tantangan Machine Learning dan pemilihan data yang relevan (data nilai) dari alam semesta
"Big Data" dapat diatasi tanpa kehilangan pelanggan melalui dialog yang tidak memuaskan menuju otomatisasi. Sepanjang jalur ini, manajemen karyawan dalam layanan pelanggan tetap menjadi perhatian khusus. Jika menjadi jelas bahwa dialog orang-ke-orang tidak lagi terjadi, yang berarti bahwa pekerjaan hilang, dipertanyakan sejauh mana profesional layanan saat ini benar-benar akan mengajar bot, sehingga mencapai keuntungan efisiensi yang dijelaskan di atas.