NICE Leidt in Menselijke Augmentatie met Geavanceerde RPA & Software Robotica

Robotische procesautomatisering en software robotica gaan over het augmenteren van de menselijke ervaring.

Mensen augmenteren

NICE heeft zijn robot een naam gegeven — 'de NICE employee virtual attendant' gaat nu bij de naam NEVA.

En NEVA en NICE-technologie helpen bij het augmenteren van mensen, aldus Gareth Hole van NICE.

Het komt neer op het verschil tussen attended en unattended robots. "Misschien", schat Gareth, "kan met een organisatie 10 tot 20% van de activiteiten end-to-end geautomatiseerd worden. Maar de wereld is een complexe plek." En als Gareth praat over het augmenteren van mensen, denkt hij aan de andere 80 tot 90%.

Een voorbeeld

Neem een callcenter. Dit callcenter wordt overstroomd met gesprekken over een bepaald thema op bepaalde tijden van het jaar. Tijdens deze tijden moet het misschien personeel uit andere gebieden halen, maar die specialistische kennis missen.

NICE ondersteunde een publieke sectororganisatie met precies die uitdaging.

"Ze vonden dat ze de grootte van het contactcentrum tijdens die tijden moesten verdubbelen." Maar dit creëerde uitdagingen,

"Vaak moesten medewerkers naar een paar dozijn verschillende schermen kijken om uit te zoeken welke informatie ze nodig hadden om vooruit te gaan. Vaak waren er meerdere issues waar ze naar moesten kijken." De menselijke natuur zij wat zij is, betekende dit dat ze "dingen per ongeluk konden missen."

"We zetten een virtuele assistent op het bureaublad." Het was een snelle turnaround, "het ging live na ongeveer zes weken naar 4.000 mensen."

Het nieuwe systeem betekende dat de software alle informatie van alle verschillende schermen heel snel verzamelde, interpreteerde en feedback gaf aan de persoon die het klantengesprek aannam, zeggend 'dit is goed, dit is goed, hier zijn een paar dingen waar je de klant over wilt spreken.'"

Voor de nieuwe software werd toegepast, mocht een zeven-minuut gesprek naar een contactcentrum drie minuten inhouden om sleutelinformatie te verzamelen en niet altijd nauwkeurig. "Dus, no sooner had een klant eindelijk een adviseur aan de telefoon, werd ze op wacht gezet. Terwijl met de virtuele assistent, verzamelde het al die informatie — ik denk dat de mediaantijd ongeveer 16 seconden was, maar de eerste stukjes informatie kwamen binnen twee of drie seconden terug. Kortom, de adviseur kon met de klant praten terwijl de robot de informatie verzamelde."

Dus ze konden letterlijk gewoon het gesprek voeren."

Wie is NICE?

NICE bestaat al ongeveer 30 jaar. In de vroege dagen focusten ze op het opnemen van gesprekken in contactcentra. Daaruit kijken ze naar manieren om waarde te halen uit alle data die werd verzameld, en de data groeide met nieuwe kanalen, chat, e-mail en SMS.

De route naar AI, RPA en automatisering groeide daaruit.

Vandaag is NICE genoteerd op de NASDAQ, ze hebben een werkkracht van ongeveer 6.000 wereldwijd met ongeveer 30 verschillende productlijnen.

Mensen augmenteren, in plaats van end-to-end automatiseren

En die oorsprong lijkt NICE zijn unieke verkooppunt te geven. Andere bedrijven in deze ruimte begonnen vaak met het automatiseren van back-office processen — finance en HR, bijvoorbeeld — kijkend naar processen die effectief end-to-end geautomatiseerd konden worden. Voor NICE gaat het om het ondersteunen van werknemers in hun dagelijkse werk.

"We begonnen met real-time procesoptimalisatie in contactcentra's front office, mensen helpen met werk, niet noodzakelijk zoeken naar processen die we end-to-end konden automatiseren. Als je in staat bent om mensen te augmenteren terwijl ze werken en ze te laten focussen op de juiste gebieden waar ze waarde kunnen toevoegen, zoals een gesprek voeren of de nuances van klantgeschiedenis begrijpen, dan is onze visie dat je robots en mensen samen kunt laten werken.

"Dat is krachtiger dan alleen dingen proberen te automatiseren."

Niet alleen over tijd besparen

Het voordeel gaat niet alleen over tijd besparen. Terugkerend naar het voorbeeld van het callcenter, zei Gareth "Het was een veel makkelijkere ervaring voor de klant en voor de mensen die de gesprekken aanamen." En omdat elk gesprek sneller voltooid kon worden, kon het contactcentrum meer gesprekken aan, wat betekende dat klanten niet zo lang hoefden te wachten op het eerste antwoord."

Nog een voorbeeld

Hij gaf als ander voorbeeld virtuele assistenten die helpen bij verzekeringsclaims. De virtuele assistent kan alle documentatie verzamelen en in het juiste formaat zetten, waardoor de contactcentrum-medewerker een gids krijgt, wat tijd en inspanning focust. "We hebben voorbeelden waar je een uur af kunt knippen van een 2-uur zaak en mensen het meer interessante werk laat doen."

In andere gebieden kijken we ook naar het toevoegen van kunstmatige intelligentie erbovenop om te helpen met sommige beslissingen. Dus we kijken in healthcare naar triage, bijvoorbeeld."

Kluft met klant dichten

"Stel je voor dat je morgen naar werk gaat in een contactcentrum, bijvoorbeeld, om je 8-uurs dag te doen en 70 telefoongesprekken/bijeenkomsten met klanten te hebben, met elke bijeenkomst verwacht te duren zeven of acht minuten. Dat is veel bijeenkomsten, en in de meeste gevallen zal de klant veel beter geïnformeerd zijn dan zij. Dat is geen geweldige situatie om in te zitten.

"Onze opdracht was om het speelveld te egaliseren, met de virtuele assistent die ondersteuning biedt, zodat toen een klant belde, de werknemers zoveel mogelijk wisten over die klant, wat ze eerder hadden gedaan, waar ze over mochten bellen, en dan, binnen dat gesprek, het sturen. Dus ze waren niet in het nadeel."

AI en RPA in harmonie

Data! Deze dagen is data, nou ja, het is vermeend de volgende olie. En NICE meent dat AI en RPA een nieuwe manier kunnen bieden om data te genereren.

"Als iemand interageert met systemen op een bureaublad, tiktend gedurende acht uur per dag, is er veel interactie, veel muisklikken, toetsenbordinvoeren, etc. We kunnen elk van die evenementen omzetten in een data-item.

"We rekenen, met iemand die acht uur per dag werkt, dat dat waarschijnlijk 8.000 tot 10.000 bits data betreft over hoe ze interageren met systemen op het bureaublad. Zolang je ongeveer 20 mensen hebt die hetzelfde doen voor een paar weken, kom je op het niveau van data waar je eigenlijk kunt beginnen met machine learning, en tekstanalyse, om patronen te herkennen in wat ze met die systemen doen. Dit betekent dat je kunt helpen met wat mensen op hun bureaublad doen — mensen augmenteren.

"We hebben automation finder ontwikkeld, een portaal van kansen om automatiseringscapaciteiten of virtuele assistentcapaciteiten te gebruiken. Met de technologie creëerden we een scoreringssysteem — hoe vaak een bepaalde actie plaatsvond en welke systemen werden gebruikt.

"Of, neem de klantreis: we kunnen kijken naar welke reis een klant heeft gemaakt, dus welke kanalen ze hebben gebruikt. Ze hebben het contactcentrum gebeld, ze zijn op de website geweest, ze hebben een e-mail gestuurd, etc. Dan kan de software dit samenvoegen, de kans berekenen dat de klant een bepaalde actie als volgende onderneemt, wat, gewapend met data, je kunt anticiperen."