Karmameju er et dansk skincare-brand med egen webshop i flere markeder og en kundeservice, der er en central del af brandoplevelsen. Væksten i antallet af kunder gav en tilsvarende vækst i antallet af henvendelser.
Udfordring
Karmameju har som mål at levere en kundeservice, der matcher brandet: personlig, fagligt præcis og hurtig. Den ambition bliver sat under pres, når antallet af henvendelser vokser hurtigere end teamet.
Presset rammer sjældent kvaliteten med det samme. Det rammer først svartiden, derefter grundigheden, og til sidst tonen. Samtidig er selve skrivearbejdet ikke den dyreste del af en besvarelse. Det er opslagsarbejdet: at finde ordren, tjekke produktets egenskaber, se hvad kunden har købt før, og vurdere om der tidligere er svaret på noget tilsvarende.
Spørgsmålet var derfor ikke, om der skulle ansættes flere. Det var, hvor stor en del af en besvarelse der reelt kunne forberedes automatisk, uden at kunden ville kunne mærke forskel — bortset fra at svaret kom hurtigere.
Løsning
Første skridt var en analyse, ikke en udvikling. Samtlige henvendelser blev trukket ned i ét samlet datasæt og kategoriseret med AI for at kortlægge, hvad kunderne rent faktisk skriver om, hvor ofte hver type går igen, og hvor stor en andel af svaret der kunne udledes af data, virksomheden allerede havde liggende. Den analyse blev kravspecifikationen.
På den baggrund blev der bygget en løsning, der forbereder besvarelsen, inden en medarbejder åbner den:
Henvendelsen hentes automatisk, så snart den lander i supportsystemet, sammen med den kontekst, der følger med kunden.
Tidligere besvarelser trækkes ind som reference, så svaret bygger videre på virksomhedens egen praksis frem for på generisk viden.
Produktdata trækkes ind, så svar om anvendelse, indhold og varianter er faktuelt korrekte.
Kunde- og kundeklubdata trækkes ind, så svaret tager højde for medlemskab, historik og relation.
Tone og stil er skrevet ind i modellen, ikke noget der rettes til bagefter. Det er forskellen på et udkast, der sparer tid, og et udkast, der koster tid.
Dertil blev der bygget et andet ben: alle henvendelser hentes ned igen sammen med det svar, der faktisk blev sendt til kunden. Modellen lærer dermed ikke af sine egne forslag, men af det, en medarbejder vurderede var godt nok at sende. Det er afstanden mellem udkast og afsendt svar, der er den reelle målestok — og den afstand falder løbende.
Sidste led er bevidst menneskeligt. Kundeservice læser, vurderer og sender. Intet går ud automatisk. Det koster i teorien lidt effektivitet, men det sikrer, at der ikke gives forkerte løfter, at ansvaret ligger ét sted, og at teamet oplever værktøjet som en hjælp frem for en erstatning.
Resultater
af alle besvarelser er AI indover, helt eller delvist.
Kvaliteten er ikke faldet. Tværtimod er svarene blevet mere ensartede, fordi konteksten er den samme hver gang.
- Mærkbart mindre tid brugt på opslagsarbejde, så medarbejderne bruger tiden på vurdering og på de komplekse sager
- Høj tilfredshed i kundeserviceteamet, hvilket er afgørende for, at en løsning rent faktisk bliver brugt
- En løsning der bliver bedre af sig selv, fordi hver afsendt besvarelse indgår som træningsdata
- Kundeservice skalerer ikke længere lineært med kundevæksten