Kan je niet omgaan met een massa klachten van klanten? AI to the Rescue

De oude tijd van de Quality-beweging lijkt achteraf vreemd:de spandoeken, de slogans, de prijzen en teambuildingevenementen. Tegenwoordig draait het bij kwaliteitsbeheer allemaal om informatie - of, meer ter zake, hoe u kunt voorkomen dat u erin verstrikt raakt.

In het tijdperk van sociale media is er zoveel rijke data beschikbaar van consumenten dat bedrijven die feedback zouden moeten kunnen omzetten in het creëren van perfecte producten. Als alleen. Het probleem is er een van puur volume. Hoe kunnen merchandisers, met name in op kwaliteit gerichte industrieën zoals farmaceutica, al die informatie begrijpen?

Het korte antwoord is dat ze dat niet kunnen - niet zonder de hulp van kunstmatige intelligentie en de opkomende wetenschap van voorspellende modellering.

Een medicijnfabrikant ontvangt doorgaans tienduizenden opmerkingen en klachten van meerdere bronnen over de hele wereld. De standaardeenheid voor klachtenbehandeling zou moeite hebben om deze overweldigende input te classificeren, waarbij positief van negatief, triviaal van levensbedreigend wordt gescheiden.

Volgens Steve McCarthy, vice-president digitale innovatie bij Sparta Systems, een leverancier van software voor kwaliteitsbeheer, is het overwicht van klachten meestal van aard met een laag risico. Niettemin, zegt hij, moet elke klacht worden 'aangeraakt'. De truc ligt in het filteren van de "ruis" en het focussen op de echt belangrijke feedback.

Met verbeteringen in de verwerking van natuurlijke taal is AI een steeds levensvatbaarder middel geworden om al die gegevens te interpreteren. Het idee is om de onbewerkte gegevens door automatisering te laten sorteren en vervolgens de klachtafhandelingseenheid een beoordeling van de ernst, mogelijke hoofdoorzaken en zelfs suggesties voor actie voor te leggen.

Het blijft - althans voorlopig - de taak van mensen om door de computer gegenereerde categorisaties en suggesties te accepteren of te verwerpen. "In dit stadium", zegt McCarthy, "verwijderen we de mens niet uit het besluitvormingsproces, maar proberen we het vermogen om slimmere, effectievere beslissingen te nemen te vergroten."

In theorie zou het systeem zijn analytische capaciteiten met ervaring moeten verbeteren. Dat is de basis van machine learning, een belangrijk aspect van moderne AI. Hoe meer gegevens worden verwerkt en doorgestuurd naar kwaliteitsingenieurs, hoe nauwkeuriger het waarschijnlijk is, zegt McCarthy.

Naast het voldoen aan de voor de hand liggende prioriteit van patiëntveiligheid, zal een AI-gestuurd systeem ook kosteneffectiever zijn dan een handmatige, door mensen geleide evaluatie. (Ervan uitgaande dat het laatste zelfs mogelijk is, gezien de stortvloed aan informatie waarmee fabrikanten tegenwoordig te maken hebben.)

Maar de kosten zijn niet de enige reden om op zoek te gaan naar een efficiëntere manier om klachten te verwerken. "Er is de factor snelheid en tijdigheid", zegt McCarthy. "Het is belangrijk om een ​​goed begrip te krijgen van de waarschijnlijke ernst en [niveau van] risico's die aan een klacht zijn verbonden, zodat u het onderzoek naar de oorzaak kunt voltooien."

De volgende stap in het gebruik van AI - en een die op dit moment nog lang niet volledig volwassen is, is voorspellende modellering. Het systeem heeft bewezen dat het in staat is om gegevenscontextualisering, ordercategorisatie en geautomatiseerde risicobeoordeling te maken, en kan vervolgens anticiperen op de soorten klachten die het zal ontvangen. Door het gebruik van trendanalyse kan het de ernst of het risico voorspellen dat een klacht waarschijnlijk met zich meebrengt.

Gewapend met toenemende invoervolumes kan de AI-engine het aantal en de aard van afwijkingen van kwaliteitsbenchmarks identificeren. In feite, zegt McCarthy, leert het van die gegevens voordat een product zelfs maar wordt uitgebracht.

“Die datasets kunnen bij elkaar worden gebracht, zodat als je een bepaald patroon op de werkvloer ziet dat is gekoppeld aan klachtengegevens post-market, je die datasets kunt correleren en kunt voorspellen dat dit bepaalde patroon tot een klacht kan leiden, " legt McCarthy uit.

De feedback wordt onderdeel van een gesloten systeem waarmee het weer wordt opgenomen in het maken van het product. De fabrikant kan ontdekken dat een manometer defect is. Of er kan een fout worden gedetecteerd in de ontwerpfase, waardoor een verandering in grondstoffen en initiële productie-instellingen nodig is.

Hoewel de waarde van een AI-gestuurd kwaliteitsproces het duidelijkst lijkt in de biowetenschappen, ziet McCarthy de technologie als evenzeer toepasbaar op een groot aantal andere industrieën. Fabrikanten van medische apparatuur kunnen bijvoorbeeld enorm profiteren van de mogelijkheid om dure kapitaalgoederen te tweaken voordat ze op de markt komen. "Uiteindelijk", zegt McCarthy, "gaat het om signaaldetectie."

De technologie heeft nog een lange weg te gaan voordat voorspellende modellering een vertrouwde en effectieve oefening wordt. In de afgelopen jaren heeft AI grote vooruitgang geboekt bij het begrijpen van de subtiliteiten en gevoelens achter menselijke reacties, maar het is verre van perfect. Hoe analyseert een fabrikant van contactlenzen bijvoorbeeld klachten als 'krassend', 'jeukend', 'branderig gevoel' en gewoon 'een ongemakkelijk gevoel'?

McCarthy verwacht voortdurende vooruitgang in de technologie, aangezien fabrikanten van biowetenschappen ernaar streven om zowel aan de smaak van de consument als aan de wettelijke beperkingen te voldoen. De auto-industrie kan ook profiteren van het gebruik van AI om de veiligheid te verbeteren en kwaliteitstests in de productie in te bouwen.

"Het wordt op een aantal gebieden getest", zegt McCarthy. “Het vermogen om voorspellende modellering toe te passen op dat proces is erg spannend. Ik kan me niet eens voorstellen wat voor mogelijkheden we over een paar jaar zullen hebben."