A döntés főpróbája, amikor az AI játssza el az ügyfelet

Kiindulópont

Egy díjszabás, amit egy délután megmenthetett volna

Egy 400 fős logisztikai cégnél tavaly tavasszal minimális szállítási díjat vezettek be a kisebb megrendelőknek. Pénzügyileg a döntés hibátlan volt, a kis tételek tényleg veszteséget termeltek. A bejelentő levél hétfőn ment ki, szerdára az ügyfélszolgálat nem győzte a hívásokat, és a hónap végére több tucat régi ügyfél jelezte, hogy más szállítóval tárgyal.

Amikor később bevontak, hogy nézzük meg, mi történt, kísérletként visszajátszottuk a helyzetet. Leírtunk hat tipikus ügyféltípust a CRM szegmensei és a korábbi panaszok alapján, és egy nyelvi modellel eljátszattuk, hogyan reagál mindegyik az eredeti levélre. Egy órán belül előkerült szinte minden kifogás, ami a valóságban is befutott. A kis webáruházak kevésbé a díjat sérelmezték, sokkal inkább azt, hogy a levél nem kínált átmenetet, és úgy olvasták, mintha a cég meg akarna szabadulni tőlük.

Azóta rendszeresen használom ezt a módszert, és a kutatás is ebbe az irányba mozdul. John Horton, az MIT Sloan professzora szeptemberben arról beszélt, hogy a piackutatás lényegében előrejelzési feladat, és a nyelvi modellekkel szimulált válaszok egyfajta főpróbát adnak a drága, formális kutatás előtt. Irányt mutatnak, a döntések második körös hatásait is felszínre hozzák, a végső szót viszont nem ők mondják ki. Ezzel a keretezéssel teljesen egyetértek, a gyakorlatban is így működik jól.

Felhasználás

Hol hozza a legtöbbet a szimulált közönség

A legtöbb cég a formális kutatást a nagy döntésekre tartogatja, a közepesekre pedig semmit nem futtat le. Ez a köztes sáv a szimuláció terepe. Egy árazási csomag átalakítása, egy belső szabály bejelentése, egy új ajánlati szöveg vagy egy átszervezés kommunikációja ritkán kap fókuszcsoportot, mert drága és lassú. Délutáni főpróbára viszont szinte mindig van idő.

Belső döntéseknél talán még nagyobb a haszon, mint az ügyfeleknél. Az egyik pénzügyi holding kontrolling csapatánál új költségjóváhagyási rendet terveztek, ahol egy összeghatár fölött a csoportszintű pénzügyi vezető hagyta volna jóvá a kiadásokat. Szimulált területi vezetőkkel játszottuk végig a bevezetést. A modell által megformált regionális igazgató szinte azonnal jelezte, hogy a nagyobb beszerzéseket egyszerűen több kisebb tételre fogja bontani, a negyedév végén pedig torlódás lesz a jóváhagyási sorban. Mindkettő így is történt volna, ezt a csapat saját korábbi tapasztalatából megerősítette, és a szabályt még a kiadás előtt átírták.

Van egy kevésbé látványos előnye is. A szimulált szereplő nem fél a vezérigazgatótól. Egy középvezető ritkán mondja ki egy megbeszélésen, hogy az új bónuszrendszer igazságtalan, a modellnek viszont nincs karrierféltése. Ebből a szempontból semleges szereplőként működik, aki kimondja azt a kellemetlen ellenvetést, amit a szervezetben sokan gondolnak, de senki nem hoz szóba.

Módszer

Így építek fel egy főpróbát

A főpróba egy egyoldalas döntésleírással indul. Mit változtatunk, kiket érint, mikor, és milyen szöveggel jelentjük be. Ha ezt nem lehet egy oldalon leírni, akkor a döntés maga sem kiforrott, és ilyenkor a szimuláció helyett előbb a tervet kell rendbe tenni.

A szereplőket soha nem fantáziából írom meg. Valós adatokból dolgozom, CRM szegmensekből, ügyfélszolgálati jegyekből, kilépési interjúkból, értékesítői jegyzetekből. Egy jó perszóna leírása tartalmazza, mekkora cégről van szó, milyen régóta ügyfél, mi volt az utolsó panasza, és milyen alternatívái vannak a piacon. Minél konkrétabb az előtörténet, annál kevésbé kapunk általános, udvarias átlagválaszt. Személyes adat viszont nem kerül bele, csak összesített, anonimizált jellemzők.

Utána ugyanazt a helyzetet több modellel is lefuttatom. A saját projektjeimen azt tapasztaltam, hogy a modellek eltérő vérmérséklettel reagálnak. Az egyik elnézőbb, a másik kritikusabb. Amikor két modell ellentétes képet ad, az a legértékesebb jelzés, mert azt a pontot mutatja meg, ahol a döntés kimenetele valóban bizonytalan.

A megfogalmazást és a sorrendet is variálom. Ha három árazási opciót mutatok, más sorrendben is megkérdezem, mert a modellek hajlamosak az elsőként vagy utolsóként említett lehetőséget előnyben részesíteni. A bejelentő szövegből két vagy három változatot készítek. Ha a reakció csak a szövegen múlik, az kommunikációs feladat. Minden változatra érkező, hasonlóan negatív válasz viszont magát a döntést kérdőjelezi meg.

A kérdést úgy teszem fel, hogy viselkedést kérjen, ne véleményt. Véleményre irányuló kérdésre a modell kiegyensúlyozott esszét ír. Arra viszont, hogy mit csinál az ügyfél másnap reggel, amikor elolvasta a levelet, kit hív fel, és mit mond a beszerzési vezetőjének, sokkal használhatóbb válasz érkezik.

Az eredményt nem egyenként olvasom végig. Egy külön lépésben kigyűjtetem az ismétlődő ellenvetéseket, és megjelölöm, melyik szegmensnél és hány modellnél jöttek elő. Harminc, negyven futtatás után jellemzően öt vagy hat olyan pont marad, ami minden változatban visszatér. Ezekre készül válasz a bejelentésben, vagy ezek miatt módosul maga a döntés.

Korlátok

Amit a szimuláció nem tud megmondani

A legnagyobb kockázatot abban látom, amikor a vezető bizonyítéknak kezeli a szimulációt. A főpróba irányt ad, számot nem. Megmutatja, milyen ellenvetések jönnek és melyik csoport reagál a legérzékenyebben. Arra viszont nem alkalmas, hogy megmondja, az ügyfelek hány százaléka mond fel. Aki egy szimulációból lemorzsolódási arányt olvas ki, az kitalált számra épít üzleti tervet.

A modellek udvariasabbak és racionálisabbak, mint a valódi emberek. Egy régi ügyfél sértettségét, aki úgy érzi, tíz év hűség után kidobták, nehezen adják vissza. Magyar piacon ehhez jön még, hogy a modellek tudása nagyrészt angol nyelvű, amerikai üzleti közegből származik. Egy hazai családi vállalkozás tulajdonosának gondolkodását, a személyes kapcsolatok súlyát egy beszállítói viszonyban gyakran alulbecsülik.

A kreatív iparban ezt a korlátot egy 35 fős ügynökség tapasztalta meg a saját bőrén. Új, AI támogatással készülő, olcsóbb kampánycsomagot terveztek, és a szimulált ügyfelek kifejezetten örültek neki. A valóságban két nagy, régi megrendelő gyanakodva fogadta, mert azt olvasták ki belőle, hogy az ügynökség eddig túlárazott, most pedig spórolni fog a minőségen. Hiányzott a perszónákból az évek alatt felépült kapcsolat és a bizalom története, ezért a modell semleges, árérzékeny vásárlóként reagált. Ebből a projektből tanultam meg, hogy a kulcsügyfeleket soha nem szimulálom, velük beszélni kell.

Csendesebb csapda is létezik. Aki a szimulációt összeállítja, gyakran már elkötelezte magát a döntés mellett, és öntudatlanul úgy írja meg a perszónákat és a kérdéseket, hogy kedvező választ kapjon. Nálunk ezért a főpróbát lehetőleg nem a döntés gazdája futtatja, vagy legalább egy kolléga átnézi a perszónákat, mielőtt elindul.

Kalibrálás

Próbakőnek egy már ismert kimenetelű döntés

Minden új ügyfélnél ugyanazzal kezdünk. Kiválasztunk három vagy négy korábbi döntést, amelynek ismerjük a kimenetelét, és lefuttatjuk rájuk a szimulációt úgy, mintha még előttük állnánk. Ha a főpróba nagyjából visszaadja, ami történt, akkor az adott szegmensre és döntéstípusra van okunk bízni benne. Egy mellélövés is tanulságos, mert megmutatja, melyik ügyfélkörnél vak a módszer.

Amikor ezt a logisztikai cégnél elvégeztük, a nagy szerződéses ügyfeleknél a szimuláció meglepően jól teljesített. A kis webáruházaknál viszont csak akkor, ha a perszóna leírásába bekerültek a valódi ügyfélszolgálati panaszok szövegei is. Enélkül a modell egy racionális beszerzőt játszott, aki fejben kiszámolja a maradás árát. A valódi kis ügyfél ennél sokkal érzelmesebben döntött.

Ez a lépés adja meg a mértéket is. A vezetőség látja, hogy a módszer hol működött a saját múltjukon, és ettől kezdve nem hisznek neki vakon, de egy kézlegyintéssel sem söprik le.

Dokumentálás

Visszakereshető legyen, mire épült a döntés

A megismételhetőséget vállalati környezetben a legtöbbet érő elemnek tartom. Egy szimuláció csak akkor ér valamit egy döntési anyagban, ha fél év múlva is meg lehet nézni, melyik modellel, milyen perszónákkal és milyen szöveggel futott. Enélkül a főpróba eredménye egy anekdota, amit valaki a vezetői értekezleten felidéz.

Nálunk minden főpróbához tartozik egy rövid napló. Benne van a döntésleírás, a perszónák és azok adatforrása, a modellek neve és verziója, a futtatás dátuma, a kérdések szó szerinti szövege és a nyers válaszok. A modellverzió rögzítése azért kell, mert a szolgáltatók rendszeresen nyugdíjazzák a régi modelleket, és egy újabb modell ugyanarra a kérdésre más hangsúlyokkal felelhet.

Az adatvédelmi oldalt is ide sorolom. Valós ügyfél nevét, levelezését, személyes adatát nem tesszük perszónába. Összesített szegmensjellemzőkkel dolgozunk, és a céges AI szabályzatban rögzítjük, melyik eszközben futhat ilyen szimuláció. Ha a szervezetnek van már jóváhagyott vállalati AI környezete, a főpróba is ott fut, nem egy munkatárs saját előfizetésén.

Szervezet

Kié legyen a főpróba a cégen belül

Azt tapasztaltam, hogy a módszer ott marad meg hosszú távon, ahol gazdája van. Az informatikára bízni rossz ötlet, mert a technológia itt a legkisebb rész. Jobban működik a stratégiai irodánál, a marketing elemzőknél vagy a belső kommunikációnál, ahol eleve azzal foglalkoznak, hogyan fogadják az emberek a cég lépéseit.

Az egyik ügyfelemnél egyetlen sort írtunk be az előterjesztési sablonba. Minden olyan javaslatnál, amely több mint ezer ügyfelet vagy a teljes munkavállalói kört érinti, az előterjesztőnek csatolnia kell egy főpróba naplót. Hosszúnak nem kell lennie, egy oldal is elég a lényeges ellenvetésekkel és azzal, mit változtattak miattuk a terven. A vezetői értekezleteken azóta más a vita. Kevesebb szó esik arról, ki mit gondol, és több arról, mit fog tenni az érintett, amikor a döntés hozzá ér.

Tévedni a szimuláció is fog, ahogy a fókuszcsoport és a tapasztalt vezető megérzése is téved. A különbség a költségben van. Egy délutánnyi munkával kiszűrhető az a hiba, amit a logisztikai cég három hónapnyi ügyfélvisszaszerzéssel fizetett meg.