Identificare le debolezze nei Customer Journey di Disneyland ParisArticolo

I vantaggi commerciali dell’analisi dell’esperienza del cliente

Anche se può sembrare fantascienza, il futuro dell’analisi dell’esperienza del cliente è già qui e si tratta di un mondo in cui la tecnologia avanzata o i sistemi intelligenti sono in grado di estrarre automaticamente il “sentiment” dei clienti e di suggerire iniziative di miglioramento, assegnando loro una priorità in base alle capacità dell’azienda. I vantaggi commerciali sarebbero evidenti:

1. Implementazione rapida: trasformiamo un processo analitico che richiedeva settimane in un’operazione agile che richiede solo pochi minuti.
2. Modellazione semplificata: con i modelli linguistici di grandi dimensioni (LLM), non abbiamo più bisogno di grandi quantità di dati. Sono sufficienti pochi passaggi per l’Aspect Based Sentiment Analysis (ABSA) e l’identificazione del Customer Journey.
3. Meno affidamento su dati pre-etichettati: con soli 20-30 esempi per dimostrare il concetto, un LLM può fare il lavoro da solo.
4. Reporting automatizzato delle iniziative: l’intelligenza artificiale può generare report completi che descrivono le iniziative di gestione della customer experience (CX).
5. Dare potere ai responsabili della CX: risparmiando tempo sulle analisi, i responsabili della CX possono concentrarsi sul miglioramento dell’esperienza del cliente.

I 3 componenti principali per rivoluzionare l’analisi della customer experience

Ecco i 3 componenti chiave per rivoluzionare il mondo della customer experience analytics:

1. Aspect Based Sentiment Analysis (ABSA)

L’ABSA è una forma avanzata di sentiment analysis che va oltre il semplice rilevamento del sentiment positivo, negativo o neutro. Si concentra sull’identificazione del sentiment relativo a specifici aspetti di un prodotto o servizio. Ad esempio, un cliente può amare le attrazioni di Disneyland Paris ma non apprezzare le lunghe code. ABSA permette di comprendere questa granularità e fornisce informazioni pratiche per implementare miglioramenti specifici.

2. Riferimento incrociato con il Customer Journey

Dopo aver utilizzato ABSA per analizzare i sentimenti legati a diversi aspetti dell’esperienza, possiamo mappare questi sentimenti a specifici punti di contatto all’interno del Customer Journey del cliente. Questo ci permette di capire esattamente in quale punto del percorso è stata provata un’emozione positiva o negativa.

3. Utilizzare un modello linguistico di grandi dimensioni (GPT-3.5-TURBO di OpenAI)

I modelli linguistici, come GPT-3.5-TURBO, sono essenziali per elaborare grandi quantità di dati testuali e comprendere il contesto e il sentiment. Nel nostro caso, possiamo inserire il feedback dei clienti nel modello e chiedergli di identificare le frasi chiave. Questo ci permette di estrarre rapidamente informazioni utili dai dati e di orientarci verso strategie migliori. Inoltre, GPT-3.5-TURBO è efficiente dal punto di vista dei costi, il che lo rende un’ottima scelta.

L’ingrediente segreto: LangChain

LangChain è un progetto open source sostenuto da Harrison Chase, Sequoia Capital e Benchmark. LangChain facilita agli sviluppatori la creazione di applicazioni che utilizzano modelli linguistici di grandi dimensioni, come chatbot, strumenti di analisi dei documenti e analisi del codice.

Per capirlo meglio, immaginate di essere uno chef con molti ingredienti per creare piatti diversi, ma il processo può essere lungo e complicato. È qui che entra in gioco LangChain, come un ricettario magico che non offre solo ricette, ma anche abilità speciali. Vi aiuta a combinare gli ingredienti in modo efficiente, vi guida nella preparazione e può persino eseguire alcuni compiti.

In questo scenario, i piatti sono applicazioni o software, gli ingredienti sono componenti o dati e l’ingrediente speciale è un “Modello di linguaggio”, che comprende e genera testo come un essere umano.

I risultati attesi

Il nostro obiettivo è fornire un servizio clienti eccezionale in un mercato competitivo attraverso la raccolta e l’analisi dei dati, comprendendo meglio i nostri clienti e adattando i nostri servizi alle loro esigenze.

Ciò comporta il perfezionamento di un meccanismo di classificazione accurata dei temi chiave e del sentiment associato. Questa classificazione ci aiuterà a capire il comportamento dei nostri clienti, a identificare le loro principali preoccupazioni e ad affrontarle in modo proattivo.

L’analisi multidimensionale dei dati, suddivisa in base al tempo, al luogo e alle fasi del percorso del cliente, ci fornisce preziose informazioni.

Per farlo, utilizziamo tecnologie innovative come l’API GPT-4 di OpenAI, sandsiv+, Elastic Stack e la già citata LongChain:

L’API di OpenAI esegue l’Aspect-Based Sentiment Analysis, aiutandoci a comprendere il contesto emotivo dei feedback dei clienti.

sandsiv+ ci permette di gestire i feedback in tempo reale e di mappare il percorso del cliente, identificando le aree di miglioramento.

LongChain organizza e analizza i dati multidimensionali, fornendo una visione completa delle esperienze dei clienti.

Il nostro obiettivo è integrare queste tecnologie per comprendere meglio i clienti e offrire un’esperienza superiore.

Analisi del sentiment basata sugli aspetti

L’ABSA non si limita a distinguere tra sentiment positivo, negativo o neutro, ma va più a fondo per estrarre il sentiment su aspetti specifici di un prodotto o servizio. Vediamo come funziona in combinazione con un LLM. Nel nostro caso OpenAI GPT-3.5-Turbo.

Figura 1 – La frase di prova

La frase da provare è: “Sono appena arrivato al parco. L’hotel è bello e pulito. Ci sono lunghe code davanti alle attrazioni“. Ecco il risultato:

Figura 2 – Output JSON della dichiarazione di test fornita da OpernAI GPT-3.5-turbo

Come si può notare. Il modello identifica immediatamente gli argomenti, i sentimenti associati agli argomenti e il segmento (parte della frase relativa all’argomento e al sentimento).

La mappa dell’esperienza del cliente

Parte integrante della nostra strategia è collegare l’Aspect Based Sentiment Analysis (ABSA) alla Customer Journey Map, per comprendere meglio il sentiment in ogni touchpoint. Utilizzando l’API OpenAI, analizziamo i feedback dei clienti e li associamo a fasi specifiche del loro viaggio, rivelando le loro preoccupazioni e i loro sentimenti nel contesto della loro interazione con il nostro marchio.

Per i luoghi che non dispongono di una Journey Map, come Disneyland Paris, utilizziamo OpenAI GPT-3.5-TURBO per creare una journey map alimentata dall’intelligenza artificiale che considera tutte le possibili interazioni, dalla pianificazione alla visita e alle esperienze successive.

Combinando questa mappa del viaggio alimentata dall’AI con i risultati dell’ABSA, identifichiamo le fasi con un sentiment positivo o negativo e ne comprendiamo le cause, permettendoci di migliorare l’esperienza offrendo ai nostri clienti esperienze completamente personalizzate. L’unione di OpenAI GPT-3.5-TURBO, ABSA e Customer Journey Mapping è la chiave di questo approccio innovativo.

Figura 3 – Mappa del Customer Journey GPT-3.5.-TURBO (immagine dell’autore)

Utilizzando il risultato di cui sopra per il nostro prompt, possiamo creare un prompt specifico per le catene Few Shots per analizzare i segmenti e capire il punto di contatto. Ecco il risultato del test:

Figura 4 – Punto di contatto CJM assegnato automaticamente al segmento ABSA (immagine dell’autore)

La dashboard raccontastorie

Il futuro della business intelligence e dell’analisi non si limita a grafici e diagrammi accattivanti, ma consiste nel creare un dialogo interattivo e coinvolgente con i dati. Per elevare le nostre capacità analitiche, proponiamo l’uso di una dashboard conversazionale, alimentata dall’intelligenza artificiale, in grado di comprendere e comunicare con il linguaggio umano.

Questa nuova dashboard fungerà da interfaccia dinamica, al di là delle tradizionali schermate statiche. Utilizzando capacità avanzate di elaborazione del linguaggio naturale, non solo visualizzerà i dati, ma li interpreterà in modo più simile a quello umano. Ciò facilita una comprensione più profonda dei dati generati, rendendoli più accessibili e utili a tutti i membri dell’organizzazione.

Una delle caratteristiche principali di questa dashboard è la capacità di formulare e presentare un elenco di pro e contro basato sui dati analizzati. Ad esempio, l’analisi dei feedback dei clienti può evidenziare i pro e i contro di una specifica area del parco o di un punto di contatto con i clienti a Disneyland.

Inoltre, la nostra dashboard innovativa genererà una serie di raccomandazioni per progetti volti a migliorare la soddisfazione dei clienti. Utilizzando i risultati dell’ABSA collegati alla mappatura del viaggio del cliente, verranno suggerite iniziative in grado di correggere i problemi identificati e di amplificare gli aspetti positivi dell’esperienza del cliente.

Per aiutare a stabilire le priorità di queste iniziative, la dashboard le classificherà in base a criteri di impatto e di sforzo. La valutazione dei benefici potenziali di ciascun progetto rispetto alle risorse necessarie aiuterà a decidere quali iniziative intraprendere per prime.

Figura 5 – Il modello classifica automaticamente i 10 migliori miglioramenti per migliorare l’esperienza del cliente (immagine dell’autore)

Ecco, allora, una dashboard che non si limita a mostrare i grafici, ma fornisce anche spiegazioni e raccomandazioni in un linguaggio semplice, facilitando una comprensione più approfondita dei dati e permettendoci di prendere decisioni migliori. È questo l’obiettivo che ci proponiamo di raggiungere con la nostra dashboard conversazionale basata sull’intelligenza artificiale. Si tratta di trasformare i dati in informazioni utili grazie alla potenza dell’intelligenza artificiale e del dialogo umano.

Approfondimenti dall’analisi dell’esperienza del cliente 

Nel corso della nostra esplorazione, ho discusso l’integrazione di tecnologie all’avanguardia come l’API GPT-4 di OpenAI, sandsiv+, LangChain e ABSA con la progettazione dell’esperienza del cliente utilizzando l’intelligenza artificiale. Questo approccio innovativo apre la strada a una comprensione completa dell’esperienza dei nostri clienti. Aiuta a identificare i punti critici, a scoprire le opportunità di miglioramento e, infine, a migliorare l’esperienza complessiva del cliente.

Prossimamente

La prossima iniziativa che mi entusiasma di più è la creazione di una dashboard conversazionale basato sull’intelligenza artificiale. Questo promette un salto di qualità nel modo in cui interagiamo con i dati e li interpretiamo. Traducendo insiemi di dati complessi in dialoghi accessibili e fruibili, non solo miglioreremo la comprensione del viaggio del cliente, ma faciliteremo anche il processo decisionale tra i team dell’organizzazione.

Rimanete sintonizzati per il mio prossimo articolo, in cui svelerò questo interessante strumento e mostrerò come rende l’analisi dei dati più interattiva, perspicace e fattibile che mai. Guardiamo a un futuro in cui i nostri dashboard non solo ci mostreranno i dati, ma ci parleranno, guidandoci verso decisioni più intelligenti e di grande impatto.

Figura 6 – Dashboard ABSA-CJM in sandsiv+