تجزیهوتحلیل داده، راهی برای بهبود خدمات و امنیت مشتریان
نویسنده: Sam Ransbotham
مترجم: فریبا ولیزاده
از مزایای تجزیه و تحلیل داده در حوزه خدمات مشتریان شواهد بسیاری در دست است. پرسشی که این روزها نظر گروههای زیادی را به خود جلب کرده این است که تجزیه و تحلیل داده چگونه میتواند امنیت مشتریان را بهبود بخشد؟سازمانها هر روز داده بیشتری گردآوری میکنند. درحالیکه داده غنی و با کیفیت منجر به ارائه خدمات سفارشی میشود، اما گردآوری اطلاعات دقیق درباره افراد حقیقی اغلب با دغدغهها و نگرانیهایی همراه است.
نویسنده: Sam Ransbotham
مترجم: فریبا ولیزاده
از مزایای تجزیه و تحلیل داده در حوزه خدمات مشتریان شواهد بسیاری در دست است. پرسشی که این روزها نظر گروههای زیادی را به خود جلب کرده این است که تجزیه و تحلیل داده چگونه میتواند امنیت مشتریان را بهبود بخشد؟سازمانها هر روز داده بیشتری گردآوری میکنند. درحالیکه داده غنی و با کیفیت منجر به ارائه خدمات سفارشی میشود، اما گردآوری اطلاعات دقیق درباره افراد حقیقی اغلب با دغدغهها و نگرانیهایی همراه است. درست همانطور که این اطلاعات برای سازمانها بسیار ارزشمند هستند، میتوانند برای مجرمان هم از اهمیت بالایی برخوردار باشند و منجر به افزایش قابل توجه مجموعهای از شکافهای امنیتی شوند.
استفاده از تجزیه و تحلیل داده باعث تشدید ناامنیهایی در فضای کسبوکار شده است. استفاده از فرآیندهای تحلیل داده حتی در پایینترین سطوح هم منجر به تشدید نگرانیها در حوزه امنیت خدمات مشتریان میشود، چرا که اغلب تحلیلهایی که در حوزه بازاریابی انجام میشوند در تلاشند تا حد امکان بیشترین اطلاعات را در خصوص مشتریان بالقوه به دست آورند. این فرآیندهای تحلیلی بهطور روزافزونی در ردیابی دادههای مربوط به افراد مختلف قدرتمندتر میشوند. با این حال، تکنیکهای ردیابی نمونهای از روشهایی است که تحلیلگران از آن دست کم به عنوان راهحلی کوچک برای رفع دغدغههای امنیتی مطرحشده نام میبرند. برای نمونه تصور کنید در تماسی تلفنی با بانک مشکل گم شدن کارت اعتباری خود را در میان میگذارید. مشکل اصلی این است که بانک قبل از ارائه هرگونه خدماتی باید بتواند هویت شما را تایید کند. فرآیند احراز هویت باید با این فرض آغاز شود که تماسگیرنده فردی است که با هدف جعل هویت صاحب حساب و بهمنظور سودجویی اقدام به چنین تماسی کرده است. به این ترتیب تا زمانی که بیگناه بودن فرد مورد نظر ثابت نشود، وی یک مجرم تلقی خواهد شد. بانک تنها زمانی به فرد تماس گیرنده کمک خواهد کرد که از هویت او بهطور کامل مطمئن شده باشد. درحالیکه چنین فرآیندی برای مشتریانی که به دنبال کمک فوری هستند آزاردهنده بهنظر میرسد، اما واقعیت این است که چنین سطحی از امنیت همواره از الزامات بوده است. در واقع، به نفع ما است که بانک قبل از هر اقدامی به بهترین نحو ممکن از هویت فرد تماسگیرنده اطمینان حاصل کند.
به طور کلی، فرآیند احراز هویت تلفنی شامل پاسخ به مجموعهای از سوالات است: شماره حساب شما چیست؟ شماره امنیت اجتماعی شما چیست؟ شماره شناسه شخصی شما چیست؟ آیا میتوانید به سه تراکنش آخر کارت اعتباری خود اشاره کنید؟ آدرس قبلی شما چه بوده است؟ این فرآیند ادامه پیدا میکند و بهطور بالقوه به سوالات امنیتی در خصوص اطلاعات خاصی که در آغاز همکاری میان بانک و مشتری ردوبدل شده است میانجامد تا در نهایت بانک هویت فرد را تایید کند.فرآیند مذکور طراحی خصمانهای دارد. تماسگیرنده تا زمانی که از این مبارزه جان سالم به در نبرده است، قابل اعتماد نیست. بانکها هم از برقراری ارتباطات خصمانه حتی در ابتداییترین تعاملات با مشتریان چندان خشنود نیستند. اما دادهها و یادگیری ماشینی و بهخصوص فناوریهای پردازش گفتار، نمونهای شگرف از روشهای نامرئی و همزمان تجزیه و تحلیل اطلاعات هستند که در بهبود خدمترسانی به مشتریان و تامین امنیت آنها نقش قابل توجهی ایفا میکنند.
فناوری به خودی خود موضوع جدیدی نیست، اما فناوریهای پردازش گفتار تا جایی پیشرفت کردهاند که امروزه موسسات مالی با استفاده از آنها در حین مکالمه با مشتری در پشت صحنه صدای آنها را با تماسهای قبلی مطابقت میدهند. برای مثال Fidelity Investments با استفاده از صدانگارها امکان احراز هویت مشتریان را در اولین لحظات برقراری تماس فراهم کرده است. HSBC این روزها خدمات مذکور را نه تنها برای مشتریان برتر بلکه برای بخش اعظمی از مشتریان خود انجام میدهد. مشتریان دیگر نیازی به رمز عبور ندارند: Barclays برای شناسایی هویت تماسگیرنده به ۲۰ ثانیه نیاز دارد، این ۲۰ ثانیه به صرفهجویی قابلتوجهی در زمان کارکنان بانک نیز منجر شده است. راحتی و صرفهجوییهای یاد شده احتمالا از نخستین محرکهای اجرای چنین تغییری بوده است. با این حال، شاید مهمترین تاثیر، تغییر جهتگیریها باشد. تحلیل داده و یادگیری ماشینی شروع تعامل با مشتری را در فضایی با تمرکز بر کمک به آنها امکانپذیر کرده است. واحد خدمات مشتریان باید در کنار مشتری باشد و نه در جبهه مقابل آنان. بنابراین همانطور که اشاره شد، میتوان بدون اینکه مشتری را مجرم در نظر گرفت، از روشهای احراز هویت پنهان در حین گفتوگو با آنان استفاده کرد. این به این معنی است که صرفا بهدلیل وجود احتمال تهدیدهای امنیتی نباید کیفیت تمامی تعاملات با مشتریان را زیر سوال برد. سازمانها میتوانند چالشهای امنیتی را به بهترین شکل، آن هم در پشت صحنه مدیریت کنند.
امنیت تنها باید زمانی آشکارا به نمایش گذارده شود که یک چالش امنیتی واقعی شناسایی شود. در این صورت، هوش مصنوعی مهارتهای نیروی انسانی را به طریقی غیر قابل مشاهده برای مشتریان تقویت خواهد کرد. در نتیجه این تغییر عظیم، آموزشهای ارزشمند و پرهزینهای باید برای کارکنان بخش خدمات مشتریان برنامهریزی شود. این آموزشها بیش از اینکه شامل تقویت مهارتهای امنیتی آنان باشد، باید بر بهبود مهارتهای آنان در زمینه خدمترسانی به مشتریان تمرکز داشته باشد. درحالیکه دستاوردهای مستقیم این تغییر آموزشهای تاثیرگذار در بخش خدمات مشتریان خواهد بود میتوان از نتایج غیرمستقیم آن به مقیاس پذیری اشاره کرد. هنگامی که تهدیدی امنیتی ظاهر شود، بانک میتواند به سرعت از قابلیتهای مقابلهای در تمامی تعاملات خود در بخش خدمات مشتریان بهرهبرداری کند.«فرآیندهای نامرئی» و نمونههای مشابه آن ممکن است در مقایسه با روباتهای انساننما یا chatbots توجه کمتری به خود جلب کنند و برای مشتریان کمتر آزاردهنده باشند. به هرحال، روشهای تجزیهوتحلیل پیشرفته در کاهش برخی از مشکلات امنیتی در حوزه خدمات مشتریان نقش قابل توجهی ایفا کرده است. کاربرد این روشها در حوزه مذکور تاثیر بسیار بیشتری بر کیفیت روابط و تعاملات میان مشتریان و سازمانها داشته و از این رو تاثیرات آن در بخش بازاریابی بیش از سایر حوزههای مدیریتی سازمانها نمود ظاهری داشته است.
منبع: MIT Sloan
ارسال نظر