Hoe AI klachten van klanten omzet in actionable inzichten

De oude dagen van de Kwaliteitsbeweging lijken in retrospect kwakkelig: de banners, de slogan's, de prijzen en teambuilding-evenementen. Vandaag is kwaliteitsmanagement helemaal over informatie — of, meer op de punt, hoe erin te voorkomen dat je eronder begraven raakt.

In de tijd van sociale media is er zoveel rijke data beschikbaar van consumenten dat bedrijven in staat zouden moeten zijn die feedback om te zetten in de creatie van perfecte producten. Als alleen. Het probleem is een kwestie van pure volume. Hoe kunnen handelaren, vooral in kwaliteitsgefocuste industrieën zoals farmaceutica, al die informatie zinvol maken?

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

Een geneesmiddelfabrikant ontvangt typisch tientallen duizenden reacties en klachten van meerdere bronnen de wereld rond. De standaard klachtenafhandelingsafdeling zou worstelen met het triageren van deze overweldigende input, scheiden van positief van negatief, triviaal van levensbedreigend.

In feite is de overgrote meerderheid van klachten meestal laag-risico van aard, aldus Steve McCarthy, vicepresident digitale innovatie bij Sparta Systems, een leverancier van kwaliteitsmanagementsoftware. Toch zegt hij, elke klacht moet "aangeraakt" worden. De truc ligt in het filteren van de "ruis" en focussen op de echt belangrijke feedback.

Met verbeteringen in natural language processing, is AI een steeds meer haalbare manier geworden om al die data te interpreteren. Het idee is om automatisering door de rauwe data te laten sorteren, en dan de klachtenafhandelingsafdeling te presenteren met een beoordeling van ernst, mogelijke root causes en zelfs suggesties voor actie.

Het blijft — tenminste voor nu — de taak van mensen om computer-gegenereerde categorisaties en suggesties te accepteren of te verwerpen. "In dit stadium," zegt McCarthy, "halen we de mens niet uit het besluitvormingsproces, maar we proberen het vermogen te verbeteren om slimmere, effectievere beslissingen te nemen."

In theorie zou het systeem zijn analytische capaciteiten met ervaring moeten verbeteren. Dat is de basis van machine learning, een kernaspect van moderne AI. Hoe meer het data verteert en aan kwaliteitsingenieurs doorgeeft, hoe hoger het nauwkeurigheidsniveau waarschijnlijk is, zegt McCarthy.

Behalve het voldoen aan de voor de hand liggende prioriteit van patiëntveiligheid, zal een AI-gedreven systeem ook kosten-effectiever zijn dan een handmatige, door mensen geleide evaluatie. (Aannemend dat de laatste zelfs mogelijk is, gegeven de vloed aan informatie waarmee fabrikanten vandaag te maken hebben.)

Maar kosten is niet de enige reden om een efficiëntere manier van klachtenverwerking te zoeken. "Er is de factor van snelheid en tijdigheid," zegt McCarthy. "Het is belangrijk om tot een solide begrip te komen van de waarschijnlijke ernst en [niveau van] risico geassocieerd met een klacht, zodat u de root-cause-onderzoek kunt voltooien."

De volgende stap in het gebruik van AI — en een die ver van de volledige rijpheid bereikt is op dit moment — is voorspellende modellering. Naarmate het zich bewezen heeft capabel van data-contextualisatie, orde-categorisatie en geautomatiseerde risicobeoordeling, kan het systeem beginnen de typen klachten te anticiperen die het zal ontvangen. Door het gebruik van trendanalyse, kan het daadwerkelijk het niveau van ernst of risico voorspellen dat een klacht waarschijnlijk vertegenwoordigt.

Gewapend met toenemende volumes van input, kan de AI-engine het aantal en de aard van afwijkingen van kwaliteitsbenchmarks identificeren. In effect, zegt McCarthy, leert het van die data voordat een product überhaupt vrijgegeven wordt.

"Die datasets kunnen samengebracht worden zodat als u een bepaald patroon op de shopfloor ziet dat gelinkt is aan klachtd data post-market, u die datasets kunt correleren en beginnen te voorspellen dat dit bepaalde patroon kan leiden tot een klacht," legt McCarthy uit.

De feedback wordt onderdeel van een gesloten-lus systeem waardoor het geïntegreerd wordt terug in het maken van het product. De fabrikant kan ontdekken dat een drukmeter malfunctioneert. Of een fout kan gedetecteerd worden in de ontwerpfase, wat een verandering in grondstoffen en initiële productieopstellingen noodzakelijk maakt.

Terwijl de waarde van een AI-gedreven kwaliteitsproces het meest evident lijkt in de life sciences, ziet McCarthy de technologie als gelijkelijk toepasbaar op een aantal andere industrieën. Medische-hulpmiddel fabrikanten staan bijvoorbeeld enorm te profiteren door in staat te zijn dure stukken kapitaalapparatuur te tweaken voordat ze op de markt gaan. "Aan het einde van de dag," zegt McCarthy, "gaat het om signaaldetectie."

De technologie heeft nog een weg te gaan voordat voorspellende modellering een vertrouwde en effectieve oefening wordt. In recente jaren heeft AI grote sprongen gemaakt in het begrijpen van de nuance en sentimenten achter menselijke reacties, maar het is ver van perfect. Hoe parseert een maker van contactlenzen dergelijke klachten als "kribbelend," "jeukend," "brandend," en simpelweg "een ongemakkelijk gevoel"?

McCarthy verwacht doorgaan van vooruitgang in de technologie, naarmate life sciences-fabrikanten streven naar het voldoen aan zowel consumentensmaak als regulatorische stricteisen. De auto-industrie staat ook te profiteren van het gebruik van AI om veiligheid te verbeteren en kwaliteitstesten in productie in te bouwen.

"Het wordt geprobeerd in een aantal gebieden," zegt McCarthy. "De mogelijkheid om voorspellende modellering op dat proces toe te passen is heel spannend. Ik kan me niet eens de capaciteiten voorstellen die we over een paar korte zullen hebben."