EnBW: Asiakaspalveluprosessien uudistaminen generatiivisen tekoälyn avulla

EnBW on yksi Saksan suurimmista energiayhtiöistä. Uusien asiakaspalvelijoiden perehdytys kestää jopa kaksi kuukautta, ja tänä aikana heidän on opittava hoitamaan monenlaisia asiakastilanteita – laskutuksen selittämisestä ja sopimusvaihtoehtojen kartoittamisesta sähkönkulutuksen kirjaamiseen ja osoitteenmuutosten käsittelyyn. Asiakaspalvelijoiden tavoitteena on ratkaista asiakkaan yhteydenotto ennalta määritellyssä ajassa. Tämä edellyttää asiakkaan tunnistamista, ongelman ymmärtämistä, ratkaisun löytämistä, toimenpiteiden tekemistä sekä puhelun yhteenvedon kirjaamista ja dokumentointia, kaikki saman vuorovaikutuksen aikana.

Suurin haaste aikapaineessa on löytää oikea tieto nopeasti ja tehokkaasti työn lomassa.

Tutkimusten mukaan generatiivisen tekoälyn suurin liiketoimintapotentiaali energia-alalla liittyy myyntiin ja asiakastukeen. Alkuvaiheen testauksen ja prototypoinnin jälkeen päädyimme samaan johtopäätökseen. Yhteinen ideamme oli rakentaa tekoälyohjattu chatbot, joka hyödyntää tiedonhallintajärjestelmän(knowledge management) sisältöä ja tarjoaa asiakaspalvelijoille suoria vastauksia asiakkaiden kysymyksiin. Tiedonhallintajärjestelmän sisältö kärsi monille intraneteille tyypillisistä haasteista:vanhentuneita tai ristiriitaisia tietoja ja vaikeasti hahmotettava rakenne. Tämä teki nopeasta tiedonhausta hankalaa.

Aloitimme kokoamalla olemassa olevan datan ja rakensimme Retrieval-Augmented Generation (RAG) -pohjaisen chatbotin. Se yhdisti eri tietolähteet vektoripohjaiseen tietokantaan, joka syötti tietoa GPT-3.5-mallille ja tuotti vastauksia EnBW:n oman tietopohjan perusteella. Vastausten laadun parantamiseksi hyödynsimme Ragas-arviointikehystä ja testasimme useita optimointimenetelmiä, kuten sisällön paloittelua, hybridihakua, tiivistämistä, dokumenttimetadataa ja hakutulosten relevanssin säätöä.

RAG-järjestelmän arvioinnin jälkeen tunnistimme suurimmaksi pullonkaulaksi retrieval-komponentin eli hakutoiminnon. Päätimme keskittää työmme kahteen asiaan: parempaan dataan ja parempaan hakuun. Tämä tarkoitti tekoälypohjaisen hakutyökalun kehittämistä, joka tarjoaa jokaisesta hakutuloksesta esikatselun ja tiivistelmän ennen varsinaiseen chatbot-käyttöön siirtymistä.

Tällä lähestymistavalla EnBW:n asiakaspalvelijat innostuivat nopeasti uudesta järjestelmästä. Kouluttajat näkivät siinä merkittävää potentiaalia koulutusajan lyhentämisessä ja asiakaspalvelijoiden itsevarmuuden vahvistamisessa työssään.

EnBW suhtautuu dataan tinkimättömästi ja nojaa numeroihin ja tilastoihin Proof of Conceptien arvioinnissa. Yhdessä nostimme yhtiön generatiivisen tekoälyn kyvykkyyksiä uudelle tasolle. Projekti korosti erityisesti oppimista: tekoälyn tuominen isoon organisaatioon on ennen kaikkea jatkuvaa hypoteesien muodostamista, testaamista, oivallusten keräämistä ja niiden pohjalta mukautumista. Kyseessä oli aidosti yhteiskehittämiseen perustuva matka.

Seitsemän kuukauden aikana tutkimme, testasimme ja validoimme useita käyttötapauksia suurilla datamäärillä ja eri käyttäjäryhmillä. Suurin osa tapauksista keskittyi tehokkuuden parantamiseen ja asiakaskokemuksen kehittämiseen. Tekoäly osaamista rakennettiin järjestelmällisesti organisaation sisällä, ja laajaa tietoisuutta aiheesta kasvatettiin lukuisten testien ja demojen avulla.

Yhteistyön tuloksena EnBW siirtyi generatiivisen tekoälyn mahdollisuuksien hahmottelusta konkreettisiin askeliin: nyt sillä on selkeä näkemys siitä, missä tekoäly tuottaa eniten arvoa asiakaspalveluprosesseissa. Tarjosimme suunnitelman, jonka avulla ideat voidaan viedä käytäntöön, ja tuimme sisäisten kyvykkyyksien rakentamista. Projekti lisäsi organisaation valmiuksia hyödyntää generatiivista tekoälyä ja toi näkyviä parannuksia tehokkuuteen, asiakastyytyväisyyteen ja kustannuksiin.